CN111881899A - 机器人的定位部署方法、装置、设备及存储介质 - Google Patents
机器人的定位部署方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111881899A CN111881899A CN202011037314.0A CN202011037314A CN111881899A CN 111881899 A CN111881899 A CN 111881899A CN 202011037314 A CN202011037314 A CN 202011037314A CN 111881899 A CN111881899 A CN 111881899A
- Authority
- CN
- China
- Prior art keywords
- robot
- confidence value
- positioning
- unit area
- confidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Abstract
本发明实施例公开了一种机器人的定位部署方法、装置、设备及存储介质。该方法包括:获取机器人的内置传感器对单位区域的定位置信度;根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。通过识别出待部署辅助定位区域,后续根据定位置信度的值,选择对应的部署方案进行辅助定位部署。部署方案包括但不限于:添加标签,添加图案纹理,添加UWB、差分GPS、改善电磁环境、放置静态物品等。采用上述技术手段能够实现提升机器人定位的准确度的目的。
Description
技术领域
本发明实施例涉及机器人技术领域,尤其涉及一种机器人的定位部署方法、装置、设备及存储介质。
背景技术
目前,随着人工智能的快速发展,移动机器人在工业和民用等领域有着广泛的应用。其中,自定位技术是移动机器人领域的一项关键技术,因此,其鲁棒性和精确性非常重要。
移动机器人的内置传感器能够在运行环境中进行定位,但在不同场景,例如:光照条件良好的环境下视觉传感器的定位可靠性降低。在传统的机器人部署模式下,没有办法提前获取内置传感器在场景下的定位可靠性,故移动机器人运行的鲁棒性无法被正确地评估。现有的定位施工方法是对全局区域进行部署,此方法工作量大,造成效率不高的问题。
因此,亟需一种新的定位部署方法,能够提升施工效率且保证机器人定位准确度。
发明内容
本发明实施例提供了一种机器人的定位部署方法、装置、设备及存储介质,以实现提升机器人定位的准确度的目的。
第一方面,本发明实施例提供了一种机器人的定位部署方法,包括:
获取机器人的内置传感器对单位区域的定位置信度;
根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
第二方面,本发明实施例还提供了一种机器人的定位部署装置,包括:
置信度获取模块,用于获取机器人的内置传感器对单位区域的定位置信度;
待部署辅助定位区域确定模块,用于根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的机器人的定位部署方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的机器人的定位部署方法。
本发明实施例通过提供了一种机器人的定位部署方法,包括:获取机器人的内置传感器对单位区域的定位置信度;根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。通过识别出待部署辅助定位区域,后续根据定位置信度的值,选择对应的部署方案进行辅助定位部署。部署方案包括但不限于:添加标签、添加图案纹理、添加UWB、差分GPS、改善电磁环境或放置静态物品等。采用上述技术手段能够实现提升机器人定位的准确度的目的。
附图说明
图1是本发明实施例一中提供的一种机器人的定位部署方法的流程示意图;
图2是本发明实施例二中提供的一种机器人的定位部署装置的结构示意图;
图3是本发明实施例三中提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的一种机器人的定位部署方法的流程示意图,本实施例可适用于移动机器人在复杂场景下的定位的情况,该方法可以由一种机器人的定位部署装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于电子设备中,具体包括如下步骤:
S110、获取机器人的内置传感器对单位区域的定位置信度。
本实施例中,单位区域是指在复杂场景下的区域划分的单位区域。定位置信度是指被测量定位参数的可信程度,由于相应的传感器所测的数量的准确度越高,则定位置信度对应的值越高。待部署辅助定位区域是指该单位区域需要增加额外的手段用于加强机器人定位的效果。
可选的,所述内置传感器包括惯性测量单元和编码器,获取所述机器人的所述惯性测量单元和所述编码器对所述单位区域的第一置信度值。可选地,由于传感器自身的测量精度问题,第一置信度也可以参考惯性传感器器件固有的噪声参数作为第一置信度的计算维度。
本实施例中,惯性测量单元是测量物体三轴姿态角以及加速度的装置,一般的,一个惯性测量单元包含了三个单轴的加速度计和三个单轴的陀螺,加速度计检测物体在载体坐标系统独立三轴的加速度信号,而陀螺检测载体相对于导航坐标系的角速度信号。测量物体在三维空间中的角速度和加速度,并以此解算出物体的姿态。
编码器是指将信号或数据进行编制、转换为可用于以通讯、传输和存储的信号形式的设备。编码器把角位移或直线位移转换成电信号,前者称为码盘,后者称为码尺。按照读出方式编码器可以分为接触式和非接触式两种;按照工作原理编码器可分为增量式和绝对式两类。增量式编码器是将位移转换成周期性的电信号,再把这个电信号转变成计数脉冲,用脉冲的个数表示位移的大小。绝对式编码器的每一个位置对应一个确定的数字码,因此它的示值只与测量的起始和终止位置有关,而与测量的中间过程无关。
可选的,所述第一置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的所述惯性测量单元和所述编码器的数据信息;
将所述数据信息与所述机器人所在位置的真实测量数据信息进行比较,确定所述第一置信度值。真实测量数据可以是实际环境的人为测量出真实距离信息、也可以将精度高的传感器测量出的测量数据作为真实测量数据。
本实施例中,惯性测量单元和编码器的数据信息包括:惯性测量单元一般含有三轴的加速度计和三轴的陀螺仪。其中,加速度计用于输出物体在载体坐标系统中的三个坐标轴方向上的加速度信息,而陀螺仪用于输出载体相对于导航坐标系的三个坐标轴方向上的角速度信息,很据载体在三维空间中的角速度以及加速度值解算出对应的姿态。编码器在采样周期内脉冲的变化量计算出机器人车轮相对于地面移动的距离和方向角的变化量,从而推算出机器人位姿的相对变化。假设一个机器人在其轮子或腿关节处配备有光电编码器等设备,当它向前移动一段时间后,想要知道大致的移动距离,测量光电编码器脉冲数目,可以得出轮子旋转的圈数,如果知道了轮子的周长,便可以计算出机器人移动的距离。因此,机器人所在位置的真实测量数据与当前的数据信息进行比较,分析两者的偏差情况,确定第一置信度值。
可选的,所述内置传感器包括测距雷达传感器,获取所述机器人的所述测距雷达传感器对所述单位区域的第二置信度值。
本实施例中,测距雷达传感器可以是激光传感器,该传感器是指利用激光技术进行测量的传感器。它由激光器、激光检测器和测量电路组成。激光传感器是新型测量仪表,它的优点是能实现无接触远距离测量,速度快,精度高,量程大,抗光、电干扰能力强等。
测距雷达传感器对环境检测的第二置信度值具体方法包括,在单位区域内,获取机器人所在位置的测距雷达传感器的数据信息,该数据信息包括:点云数量、点云有序程度和场景相似程度,通过这三个维度从而确定第二置信度值,来评估当前环境的激光匹配能力。
点云有序程度,包括:几何结构的特征匹配程度、以及非连续点的数量及分布程度。具体的确定点云数据能否匹配特定的几何结构,如直线、圆弧、拐角等;孤立、杂散点的数量及分布。
场景相似程度为:在机器人运行的不同位置下,与当前位置点云数据匹配程度较高的点云簇的比重。即、在目标机器人运行场景的临近的不同位置下,各个位置的点云数据与当前位置的点云数据匹配程度较高的点云簇的比重。从而判断当前位置的场景相似程度。
可选的,所述第二置信度值还可以通过获取所述机器人所在位置的确信度值和干扰值;根据所述确信度值、所述干扰值和预定公式确定。具体计算过程如下:
获取所述机器人所在位置与所述单位区域内第一距离范围内的结构化信息点的第一距离值;根据所述第一距离值和高斯公式,计算所述机器人所在位置对应的点云数据中几何结构特征分布的确信度值;
获取所述机器人所在位置与所述单位区域内第二距离范围内的点簇信息点的第二距离值;根据所述第二距离值和高斯公式,计算所述机器人所在位置的对应的点云数据中孤立、杂散点分布的干扰值;
可选的,所述第二置信度值的计算过程如下:
在所述单位区域内,计算所述机器人所在位置当前的激光帧与上一激光帧的单步位姿变化差值,得到第一结果;
将所述第一结果与所述单位区域内所述机器人所在位置的历史位姿变化差值作比较,得到所述第二置信度值。
可选的,所述内置传感器包括视觉传感器,获取所述机器人的所述视觉传感器对所述单位区域的第三置信度值。
本实施例中,视觉传感器是指主要由一个或者两个图形传感器组成,视觉传感器的主要功能是获取足够的机器视觉系统要处理的最原始图像。
可选的,所述第三置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的图像;
根据所述图像至少包含的图像特征数量、环境亮度或图案对比度,确定第三置信度值。
图像对比度是在相近位置采集的多图像的比较结果。
图像特征数量包括但不限于:传统轮廓、边线、角点等特征,亦包括但不限于常用的图像特征算子如Gabor、HOG、SIFT、ORB等。综合各算子的数量作为特征算子的评估指标。
本实施例中,在视觉传感器定位中,机器人会对单位区域的图像的特征点进行记录,当机器人运行过程,会利用图像与特征索引中的图像特征进行匹配得到当前的位姿。由于光照或者预设区域的图像特征少的原因,匹配容易失误,容易丢失。利用移动终端中多次记录预设区域的图像特征,分析得出哪些图像的特征点更少,匹配容易失误,不易做定位。根据图像的特征点的个数得到此图像用于定位的置信度。特征点的个数越多,第三置信度值在单位区域内的置信度越高,特征点的个数越少,第三置信度值在单位区域内的置信度越低。
可选的,所述第三置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的图像;
将所述图像输入至语义图像识别模型中,对所述图像进行打分;
根据所述图像的分值,确定所述第三置信度值。
本实施例中,语义图像识别模型为深度卷积神经网络训练出的识别缺陷语义图像功能的网络。图像的分值越高,则此图像越不易做定位,属于缺陷图像,则第三置信度值越低。
可选的,所述置信度为所述第一置信度值、所述第二置信度值和所述第三置信度值的加权和的结果。
本实施例中,可以将第一置信度值的权重设为0.3,将第二置信度值的权重设为0.5,将第三置信度值的权重设为0.2。还可以是将第一置信度值、第二置信度值和第三置信度值的平均值作为机器人在单位区域内的置信度。
S120、根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
本实施例中,置信度低的单位区域作为待部署区域。
可选的,所述方法还包括:
若所述单位区域为待部署辅助定位区域,则对所述待部署辅助定位区域添加辅助定位传感器。
可选的,根据所述定位置信度的类型,选择对应的部署方案在所述待部署辅助定位区域进行辅助定位部署在根据所述定位置信度的类型,选择对应的部署方案在所述待部署辅助定位区域进行辅助定位部署步骤。
所述若所述单位区域为待部署辅助定位区域,即置信度低于阈值,部署方案包括至少包括如下一项:添加标签、添加图案纹理、部署UWB、设置GPS全局定位工具、调整电磁环境或放置静态物品。
本实施例中,阈值是可以通过用户自行设置的,具体的数值可以根据单位区域的环境复杂程度进行调整。标签是基于标记点式的人工路标而提出的。在人工路标中,除了传统的定位标记外,还增加了校验标记,使得移动物体对标记点式的人工路标图像进行采集识别后,就根据校验标记对路标的数据完整性进行校验。UWB(Ultra-WideBand,超宽带)通过布设基站在室内,携带标签在定位目标上;标签发射超宽带信号,基站接收信息并通过网线或WIFI网传输到交换机与服务器,在服务器软件中运用TODA和AOA定位算法进行位置解算,实时显示全局标签位置。定位标签可以在各个单元自由行走,通过定位平台软件分析,将定位目标真实地以虚拟动态三维效果显示出来。UWB信号带宽很大,接收多径容易分离,抗衰落性能好,能够实现很高的定位精度,比较适合室内定位场景。
GPS(Global Positioning System,卫星定位系统)是一种使用卫星对某物进行准确定位的技术,它从最初的定位精度低、不能实时定位、难以提供及时的导航服务,发展到现如今的高精度GPS全球定位系统,实现了在任意时刻、地球上任意一点都可以同时观测到4颗卫星,以便实现导航、定位、授时等功能。
本发明实施例通过提供了一种机器人的定位部署方法,包括:获取机器人的内置传感器对单位区域的置信度;根据所述置信度,确定所述单位区域是否为待部署区域。采用上述技术手段能够实现提升机器人定位的准确度的目的。
实施例二
图2是本发明实施例二提供的一种机器人的定位部署装置的结构示意图。本发明实施例所提供的一种机器人的定位部署装置可执行本发明任意实施例所提供的一种机器人的定位部署方法,具备执行方法相应的功能模块和有益效果。如图2所示,该装置包括:
置信度获取模块210,用于获取机器人的内置传感器对单位区域的定位置信度;
待部署辅助定位区域确定模块220,用于根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
可选地,置信度获取模块210,包括惯性测量单元和编码器,获取所述机器人的所述惯性测量单元和所述编码器对所述单位区域的第一置信度值。
置信度获取模块210,用于所述第一置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的所述惯性测量单元和所述编码器的数据信息;
将所述数据信息与所述机器人所在位置的真实测量数据信息进行比较,确定所述第一置信度值。
可选地,置信度获取模块210,包括测距雷达传感器,获取所述机器人的所述测距雷达传感器对所述单位区域的第二置信度值。
置信度获取模块210,用于所述第二置信度值的计算过程如下:
获取所述机器人所在位置的确信度值和干扰值;根据所述确信度值、所述干扰值和预定公式确定所述第二置信度值。
可选地,置信度获取模块210,用于所述第二置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的所述测距雷达传感器的数据信息,根据所述测距雷达传感器的数据信息确定所述第二置信度值;
该数据信息包括:点云数量、点云有序程度和场景相似程度;
所述点云有序程度,包括:几何结构的特征匹配程度、以及非连续点的数量及分布程度;
所述场景相似程度意为:在所述机器人运行的不同位置下,与当前位置点云数据匹配程度较高的点云簇的比重。
置信度获取模块210,包括视觉传感器,用于获取所述机器人的所述视觉传感器对所述单位区域的第三置信度值。
置信度获取模块210,用于所述第三置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的图像;
根据所述图像包含的图像特征数量、环境亮度或图案对比度,确定第三置信度值。
置信度获取模块210,包括所述惯性测量单元和所述编码器、所述测距雷达传感器以及所述视觉传感器中的至少两个。
置信度获取模块210,用于所述置信度为所述第一置信度值、所述第二置信度值和所述第三置信度值的加权和的结果。
所述装置还包括:
部署方案确定模块230,用于根据所述定位置信度的值,选择对应的部署方案在所述待部署辅助定位区域进行辅助定位部署步骤。
部署方案确定模块230,用于所述部署方案至少包括如下一项:添加标签、添加图案纹理、部署UWB、设置GPS全局定位工具、调整电磁环境或放置静态物品。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例三
图3为本发明实施例三提供的一种设备的结构示意图,图3示出了适于用来实现本发明实施例实施方式的示例性设备的结构示意图。图3显示的设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明实施例各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图3所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种机器人的定位部署方法,包括:
获取机器人的内置传感器对单位区域的定位置信度;
根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
实施例四
本发明实施例四还提供一种计算机可读存储介质,其上存储有计算机程序(或称为计算机可执行指令),该程序被处理器执行时可实现上述任意实施例所述的一种机器人的定位部署方法,包括:
获取机器人的内置传感器对单位区域的定位置信度;
根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种机器人的定位部署方法,其特征在于,包括:
获取机器人的内置传感器对单位区域的定位置信度;
根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
2.根据权利要求1所述的方法,其特征在于,所述内置传感器包括惯性测量单元和编码器,获取所述机器人的所述惯性测量单元和所述编码器对所述单位区域的第一置信度值。
3.根据权利要求2所述的方法,其特征在于,所述第一置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的所述惯性测量单元和所述编码器的数据信息;
将所述数据信息与所述机器人所在位置的真实测量数据进行比较,确定所述第一置信度值。
4.根据权利要求1所述的方法,其特征在于,所述内置传感器包括测距雷达传感器,获取所述机器人的所述测距雷达传感器对所述单位区域的第二置信度值。
5.根据权利要求4所述的方法,其特征在于,获取所述机器人的所述测距雷达传感器对所述单位区域的第二置信度值步骤包括:
在所述单位区域内,获取所述机器人所在位置的所述测距雷达传感器的数据信息,根据所述测距雷达传感器的数据信息确定所述第二置信度值;
该数据信息包括:点云数量、点云有序程度和场景相似程度;
所述点云有序程度,包括:几何结构的特征匹配程度、以及非连续点的数量及分布程度;
所述场景相似程度意为:在所述机器人运行的不同位置下,与当前位置点云数据匹配程度较高的点云簇的比重。
6.根据权利要求4所述的方法,其特征在于,所述第二置信度值的计算过程如下:
获取所述机器人所在位置的确信度值和干扰值;根据所述确信度值、所述干扰值和预定公式确定所述第二置信度值。
7.根据权利要求1所述的方法,其特征在于,所述内置传感器包括视觉传感器,获取所述机器人的所述视觉传感器对所述单位区域的第三置信度值。
8.根据权利要求7所述的方法,其特征在于,所述第三置信度值的计算过程如下:
在所述单位区域内,获取所述机器人所在位置的图像;
根据所述图像至少包含的图像特征数量、环境亮度或图案对比度,确定所述第三置信度值。
9.根据权利要求1所述的方法,其特征在于,所述内置传感器包括惯性测量单元和编码器、测距雷达传感器以及视觉传感器中的至少两个。
10.根据权利要求1所述的方法,其特征在于,所述定位置信度为第一置信度值、第二置信度值和第三置信度值的加权和的结果。
11.根据权利要求1所述的方法,其特征在于,还包括:
根据所述定位置信度的值,选择对应的部署方案在所述待部署辅助定位区域进行辅助定位部署步骤。
12.根据权利要求11所述的方法,其特征在于,所述部署方案至少包括如下一项:添加标签、添加图案纹理、部署UWB、设置GPS全局定位工具、调整电磁环境或放置静态物品。
13.一种机器人的定位部署装置,其特征在于,包括:
置信度获取模块,用于获取机器人的内置传感器对单位区域的定位置信度;
待部署辅助定位区域确定模块,用于根据所述定位置信度,确定所述单位区域是否为待部署辅助定位区域。
14.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-12中任一所述的机器人的定位部署方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-12中任一所述的机器人的定位部署方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037314.0A CN111881899B (zh) | 2020-09-28 | 2020-09-28 | 机器人的定位部署方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037314.0A CN111881899B (zh) | 2020-09-28 | 2020-09-28 | 机器人的定位部署方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881899A true CN111881899A (zh) | 2020-11-03 |
CN111881899B CN111881899B (zh) | 2021-04-30 |
Family
ID=73199663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011037314.0A Active CN111881899B (zh) | 2020-09-28 | 2020-09-28 | 机器人的定位部署方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881899B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113814997A (zh) * | 2021-10-18 | 2021-12-21 | 上海擎朗智能科技有限公司 | 一种机器人重定位方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106931945A (zh) * | 2017-03-10 | 2017-07-07 | 上海木爷机器人技术有限公司 | 机器人导航方法和系统 |
CN107179080A (zh) * | 2017-06-07 | 2017-09-19 | 纳恩博(北京)科技有限公司 | 电子设备的定位方法和装置、电子设备、电子定位系统 |
CN108229424A (zh) * | 2018-01-26 | 2018-06-29 | 西安工程大学 | 一种基于霍夫投票的增强现实系统物体识别算法 |
CN108776487A (zh) * | 2018-08-22 | 2018-11-09 | 中国矿业大学 | 一种矿用轨道式巡检机器人及其定位方法 |
US20190219401A1 (en) * | 2018-01-12 | 2019-07-18 | The Trustees Of The University Of Pennsylvania | Probabilistic data association for simultaneous localization and mapping |
CN111401779A (zh) * | 2020-03-31 | 2020-07-10 | 上海擎朗智能科技有限公司 | 机器人的定位部署方法、装置、设备及存储介质 |
CN111444927A (zh) * | 2020-03-26 | 2020-07-24 | 广州市炜城智能科技有限公司 | 一种应用激光技术的多维形态鉴别动植物有害生物方法 |
-
2020
- 2020-09-28 CN CN202011037314.0A patent/CN111881899B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106931945A (zh) * | 2017-03-10 | 2017-07-07 | 上海木爷机器人技术有限公司 | 机器人导航方法和系统 |
CN107179080A (zh) * | 2017-06-07 | 2017-09-19 | 纳恩博(北京)科技有限公司 | 电子设备的定位方法和装置、电子设备、电子定位系统 |
US20190219401A1 (en) * | 2018-01-12 | 2019-07-18 | The Trustees Of The University Of Pennsylvania | Probabilistic data association for simultaneous localization and mapping |
CN108229424A (zh) * | 2018-01-26 | 2018-06-29 | 西安工程大学 | 一种基于霍夫投票的增强现实系统物体识别算法 |
CN108776487A (zh) * | 2018-08-22 | 2018-11-09 | 中国矿业大学 | 一种矿用轨道式巡检机器人及其定位方法 |
CN111444927A (zh) * | 2020-03-26 | 2020-07-24 | 广州市炜城智能科技有限公司 | 一种应用激光技术的多维形态鉴别动植物有害生物方法 |
CN111401779A (zh) * | 2020-03-31 | 2020-07-10 | 上海擎朗智能科技有限公司 | 机器人的定位部署方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
许坤: "物联网环境下的移动机器人定位与控制", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113814997A (zh) * | 2021-10-18 | 2021-12-21 | 上海擎朗智能科技有限公司 | 一种机器人重定位方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111881899B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459734B (zh) | 一种激光雷达定位效果评估方法、装置、设备及存储介质 | |
CN109270545B (zh) | 一种定位真值校验方法、装置、设备及存储介质 | |
Borenstein et al. | Mobile robot positioning: Sensors and techniques | |
CN109807911B (zh) | 基于gnss、uwb、imu、激光雷达、码盘的室外巡逻机器人多环境联合定位方法 | |
CN111833717B (zh) | 用于定位交通工具的方法、装置、设备和存储介质 | |
CN107909614B (zh) | 一种gps失效环境下巡检机器人定位方法 | |
CN104704384A (zh) | 具体用于装置的基于视觉的定位的图像处理方法 | |
CN111982099B (zh) | 机器人混合定位方法、装置、设备及计算机可读介质 | |
CN114526745B (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
KR101880185B1 (ko) | 이동체 포즈 추정을 위한 전자 장치 및 그의 이동체 포즈 추정 방법 | |
KR102006291B1 (ko) | 전자 장치의 이동체 포즈 추정 방법 | |
CN108052103A (zh) | 基于深度惯性里程计的巡检机器人地下空间同时定位和地图构建方法 | |
Yin et al. | Dynam-SLAM: An accurate, robust stereo visual-inertial SLAM method in dynamic environments | |
CN112455502B (zh) | 基于激光雷达的列车定位方法及装置 | |
CN112967392A (zh) | 一种基于多传感器触合的大规模园区建图定位方法 | |
CN113933818A (zh) | 激光雷达外参的标定的方法、设备、存储介质及程序产品 | |
CN109282813B (zh) | 一种无人艇全局障碍物识别的方法 | |
CN110675455A (zh) | 一种基于自然场景的车身环视相机自标定方法和系统 | |
Kachurka et al. | WeCo-SLAM: Wearable cooperative SLAM system for real-time indoor localization under challenging conditions | |
CN111881899B (zh) | 机器人的定位部署方法、装置、设备及存储介质 | |
CN115183762A (zh) | 一种机场仓库内外建图方法、系统、电子设备及介质 | |
CN116202511B (zh) | 长巷道超宽带一维约束下的移动装备位姿确定方法及装置 | |
Forno et al. | Techniques for improving localization applications running on low-cost IoT devices | |
CN115562076A (zh) | 用于无人驾驶矿车的仿真系统、方法以及存储介质 | |
Shmatko et al. | Estimation of rotation measurement error of objects using computer simulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |