CN112179353B - 自移动机器人的定位方法、装置、机器人及可读存储介质 - Google Patents
自移动机器人的定位方法、装置、机器人及可读存储介质 Download PDFInfo
- Publication number
- CN112179353B CN112179353B CN202011069810.4A CN202011069810A CN112179353B CN 112179353 B CN112179353 B CN 112179353B CN 202011069810 A CN202011069810 A CN 202011069810A CN 112179353 B CN112179353 B CN 112179353B
- Authority
- CN
- China
- Prior art keywords
- positioning
- data
- environment
- self
- map
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及机器人领域,公开了一种自移动机器人的定位方法、装置、机器人及可读存储介质,通过运动测量装置和环境感测装置分别采集运动数据和环境感测数据,以及环境地图,并确定定位数据,识别自移动机器人的工作状态以及外部环境状态,并从预设的定位策略关系表中,选择定位策略,根据定位策略,对定位数据进行优化。本发明实施例中,通过运动测量装置和环境感测装置采集对应的数据来识别自移动机器人的工作状态和外部环境状态,并选择对应的定位策略对定位数据进行优化,通过定位策略使得自移动机器人实现了自适应定位,适应不同建图阶段、不同场景、不同状态下的定位需求,能够提高整体的建图和定位的准确性和稳定性。
Description
技术领域
本发明涉及机器人领域,尤其涉及一种自移动机器人的定位方法、装置、机器人及可读存储介质。
背景技术
自移动机器人通常配置了码盘、惯性传感器(Inertial measurement unit,简称IMU)、雷达等传感器,其中码盘和imu为内感受型传感器,2D激光雷达为外感受型传感器,内感受型传感器用来感知机器人自身的运动情况,外感受型传感器用来感知外部环境信息。
自移动机器人的定位方案通常为内感受型传感器提供定位初值,如由码盘和imu融合的里程计数据,根据定位初值和栅格概率地图得到地图像素级别的观测定位值,最后通过优化误差模型的方法计算亚像素级别的定位结果。
由于2D激光雷达只能做到对环境的局部感知,而生活场景却是复杂多样的,通过激光雷达获取的数据并不能满足在所有场景下都能准确定位,比如,长通道环境,激光雷达获取的数据只是两条平行线,因此无法确定其在平行于长通道方向的准确位置,无法定位。
激光雷达通常安装在自移动机器人上,有时受限于机器结构或雷达自身因素,其采集的环境信息无法达到全方位,使得获取的环境数据量更少,处于不易定位的场景的情况更多,严重影响定位和建图的稳定性。
发明内容
本发明的主要目的在于解决现有的定位方法不能满足所有场景下的定位要求,而导致自移动机器人器人在定位时建图的准确性和稳定性较低的技术问题。
本发明第一方面提供了一种自移动机器人的定位方法,所述自移动机器人包括行走机构、运动测量装置和环境测量装置,所述定位方法包括:
获取环境地图,并通过所述运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据,其中,所述环境地图至少基于所述环境感测装置构建;
根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态;
根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略;
根据所述定位策略,对所述定位数据进行优化。
可选的,在本发明第一方面的第一种实现方式中,所述根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略,包括:
判断所述自移动移动机器人的工作状态是否满足预设工作条件,以及所述外部环境状态是否满足预设环境条件,
若所述工作状态和所述外部环境状态中至少存在一个满足预设条件,则选择第一定位策略,所述第一定位策略更依赖所述运动数据对所述定位数据进行优化;
若所述工作状态不满足预设工作条件且所述外部环境状态不满足预设环境条件,则选择第二定位策略,所述第一定位策略更依赖所述环境感测数据对所述定位数据进行优化
可选的,在本发明第一方面的第二种实现方式中,所述根据所述定位策略,对所述定位数据进行优化,包括:
根据所述定位策略调用优化误差模型,根据所述环境地图、所述运动数据、所述环境感测数据和所述优化误差模型对所述定位数据进行计算优化;
其中,对于所述第一定位策略,所述环境感测数据的计算权重大于所述运动数据的计算权重;对于所述第二定位策略,所述运动数据的计算权重大于所述环境感测数据的计算权重。
可选的,在本发明第一方面的第三种实现方式中,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态,所述判断所述自移动移动机器人的工作状态是否满足预设工作条件,包括:判断所述行走机构是否打滑,和/或,判断所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值。
可选的,在本发明第一方面的第四种实现方式中,所述根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态,包括:
获取候选位姿集合,所述候选位姿集合包括多个候选定位位姿;
根据所述候选位姿集合将所述环境感测数据映射到所述环境地图上,得到每个所述候选定位位姿与所述环境地图的匹配度;
将匹配度最高的候选定位位姿作为定位数据,所述环境感测数据与所述环境地图的匹配度为所述定位数据与所述环境地图的匹配度。
可选的,在本发明第一方面的第五种实现方式中,所述环境感测数据为通过雷达传感器采集的雷达点云数据;
所述判断所述外部环境状态是否满足预设环境条件,包括:
基于所述环境感测数据对应的预设雷达坐标系和所述环境地图对应的预设地图坐标系,将所述环境感测数据进行坐标转换,获得所述地图坐标系下的二维坐标数据;
提取所述二维坐标数据中的法向量集合,并按照向量方向对所述法向量集合分类,以获得所述法向量集合中的方向类别数量;
判断所述法向量集合中的方向类别数量和所述二维坐标数据的数据量是否达到预设条件,
若是,则所述外部环境状态满足预设环境条件。
可选的,在本发明第一方面的第六种实现方式中,所述运动测量装置包括码盘和惯性测量单元;
所述判断所述行走机构是否打滑,包括:
获取所述自移动机器人的角速度和线速度,以及码盘的第一位置变化量;
根据所述角速度和线速度,计算所述自移动机器人的第二位置变化量;
将所述第二位置变化量与所述第一位置变化量进行比较,得到位姿差值;
若所述位姿差值不满足阈值条件,则确定所述行走机构打滑;
若所述位姿差值满足阈值条件,则确定所述行走机构不存在打滑。
可选的,在本发明第一方面的第七种实现方式中,所述优化误差模型包括占据栅格代价函数、位置代价函数和角度代价函数;
所述根据所述环境地图、所述运动数据、所述环境感测数据和所述优化误差模型对所述定位数据进行计算优化,包括:
根据所述环境地图和所述环境感测数据计算占据栅格代价函数,根据所述定位数据和所述运动数据计算位置代价函数,根据所述定位数据和所述环境感测数据计算所述角度代价函数;
其中,对于所述第一定位策略,所述角度代价函数的计算权重大于所述位置代价函数的计算权重;对于所述第二定位策略,所述位置代价函数的计算权重大于所述角度代价函数的计算权重。
可选的,在本发明第一方面的第八种实现方式中,在所述根据所述定位策略,对所述定位数据进行优化之后,还包括:
根据优化后的定位数据以及所述环境感测数据更新所述环境地图。
本发明第二方面提供了一种自移动机器人的定位装置,所述自移动机器人包括行走机构、运动测量装置和环境测量装置,所述自移动机器人的定位装置包括:
获取模块,用于获取环境地图,并通过所述运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据,其中,所述环境地图至少基于所述环境感测装置构建;
定位模块,用于根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态;
选择模块,用于根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略;
优化模块,用于根据所述定位策略,对所述定位数据进行优化。
可选的,在本发明第二方面的第一种实现方式中,所述选择模块包括:
判断单元,用于判断所述自移动移动机器人的工作状态是否满足预设工作条件,以及所述外部环境状态是否满足预设环境条件,
选择单元,用于在所述工作状态和所述外部环境状态中至少存在一个满足预设条件时,选择第一定位策略,所述第一定位策略更依赖所述运动数据对所述定位数据进行优化;以及在所述工作状态不满足预设工作条件且所述外部环境状态不满足预设环境条件时,选择第二定位策略,所述第二定位策略更依赖所述环境感测数据对所述定位数据进行优化。
可选的,在本发明第二方面的第二种实现方式中,所述优化模块具体用于:
根据所述定位策略调用优化误差模型,根据所述环境地图、所述运动数据、所述环境感测数据和所述优化误差模型对所述定位数据进行计算优化;
其中,对于所述第一定位策略,所述环境感测数据的计算权重大于所述运动数据的计算权重;对于所述第二定位策略,所述运动数据的计算权重大于所述环境感测数据的计算权重。
可选的,在本发明第二方面的第三种实现方式中,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态;
所述判断单元具体用于判断所述行走机构是否打滑,和/或,判断所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值。
可选的,在本发明第一方面的第四种实现方式中,所述定位模块包括:
采集单元,用于获取候选位姿集合,所述候选位姿集合包括多个候选定位位姿;
匹配单元,用于根据所述候选位姿集合将所述环境感测数据映射到所述环境地图上,得到每个所述候选定位位姿与所述环境地图的匹配度;
定位单元,用于将匹配度最高的候选定位位姿作为定位数据,所述环境感测数据与所述环境地图的匹配度为所述定位数据与所述环境地图的匹配度。
可选的,在本发明第二方面的第五种实现方式中,所述环境感测数据为通过雷达传感器采集的雷达点云数据;
所述判断单元具体用于:
基于所述环境感测数据对应的预设雷达坐标系和所述环境地图对应的预设地图坐标系,将所述环境感测数据进行坐标转换,获得所述地图坐标系下的二维坐标数据;
提取所述二维坐标数据中的法向量集合,并按照向量方向对所述法向量集合分类,以获得所述法向量集合中的方向类别数量;
判断所述法向量集合中的方向类别数量和所述二维坐标数据的数据量是否达到预设条件,
若是,则所述外部环境状态满足预设环境条件。
可选的,在本发明第二方面的第六种实现方式中,所述运动测量装置包括码盘和惯性测量单元;
所述判断单元具体用于:
获取所述自移动机器人的角速度和线速度,以及码盘的第一位置变化量;
根据所述角速度和线速度,计算所述自移动机器人的第二位置变化量;
将所述第二位置变化量与所述第一位置变化量进行比较,得到位姿差值;
若所述位姿差值不满足阈值条件,则确定所述行走机构打滑;
若所述位姿差值满足阈值条件,则确定所述行走机构不存在打滑。
可选的,在本发明第二方面的第七种实现方式中,所述优化误差模型包括占据栅格代价函数、位置代价函数和角度代价函数;
所述优化模块具体用于:
根据所述环境地图和所述环境感测数据计算占据栅格代价函数,根据所述定位数据和所述运动数据计算位置代价函数,根据所述定位数据和所述环境感测数据计算所述角度代价函数;
其中,对于所述第一定位策略,所述角度代价函数的计算权重大于所述位置代价函数的计算权重;对于所述第二定位策略,所述位置代价函数的计算权重大于所述角度代价函数的计算权重。
可选的,在本发明第二方面的第八种实现方式中,所述自移动机器人的定位装置,还包括更新模块,其具体用于:
根据优化后的定位数据以及所述环境感测数据更新所述环境地图。
本发明第三方面提供了一种其移动机器人,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述自移动机器人执行上述的自移动机器人的定位方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的清自移动机器人的定位方法。
本发明提供的技术方案中,通过获取环境地图,并通过运动测量装置和环境感测装置分别采集运动数据和环境感测数据,根据环境地图、运动数据和环境感测数据,确定定位数据,并识别自移动机器人的工作状态以及外部环境状态,根据识别到的自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略,根据定位策略,对定位数据进行优化。本发明实施例中,通过运动测量装置采集运动数据和环境感测装置环境感测数据,基于识别自移动机器人的工作状态和外部环境状态来选择对应的定位策略对定位数据进行优化,通过定位策略使得自移动机器人实现了自适应定位,适应不同建图阶段、不同场景、不同状态下的定位需求,能够提高整体的建图和定位的准确性和稳定性。
附图说明
图1为本发明实施例中自移动机器人的定位方法的第一个实施例示意图;
图2为本发明实施例中自移动机器人的定位方法的第二个实施例示意图;
图3为本发明实施例中自移动机器人的定位方法的第三个实施例示意图;
图4为本发明实施例中自移动机器人的定位方法的第四个实施例示意图;
图5为本发明实施例中自移动机器人的定位装置的一个实施例示意图;
图6为本发明实施例中自移动机器人的定位装置的另一个实施例示意图;
图7为本发明实施例中自移动机器人的一个实施例示意图。
具体实施方式
本发明实施例提供了一种自移动机器人的定位方法、装置、自移动机器人及存储介质,该方法主要是从以下三种场景下进行自适应的定位调整,在地图构建初期,栅格概率地图表征环境的信息是不完备的,采用信任观测结果的方法得到的定位结果误差较大,因此需要更信任内感受型传感器给出的定位值;当自移动机器人获取的环境数据量少、环境特征识别度差(如:长通道)等情况时,通过环境观测数据(2D激光雷达数据)无法进行精确的定位,该环境下需要更信任内感受型传感器给出的定位值;内感受型传感器,比如码盘,经常发生轮子打滑的现象,当轮子存在打滑时,采用信任观测结果的方法,能够得到更准确的定位值。通过设置定位策略基于这三种场景自适应定位,以适应不同建图阶段、不同场景、不同状态下的定位需求,提高整体的建图和定位的准确性和稳定性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中自移动机器人的定位方法的一个实施例,其中所述自移动机器人包括行走机构、运动测量装置和环境测量装置,基于该种结构的机器人实现的自定位操作,该方法包括以下步骤:
101、获取环境地图,并通过运动测量装置和环境感测装置分别采集运动数据和环境感测数据;
可以理解的是,本发明的执行主体可以为自移动机器人的定位装置,还可以是终端或者机器人,尤其是一种可以实现自控制的移动机器人,具体此处不做限定。本发明实施例以自移动机器人为执行主体为例进行说明。
在本实施例中,所述环境地图至少基于环境感测装置构建得到,具体是通过环境感测装置采集自移动机器人每移动到的位置上的周边区域的环境数据,基于采集的环境数据构建环境地图,在实际应用中,该环境地图可以是随着自移动机器人的移动而实时更新变化。
在实际应用中,所述运动测量装置具体由码盘和惯性传感器组成,通过码盘和惯性传感器采集所述自移动机器人自身的运动数据,基于该运动数据计算出自身的定位初值,基于该定位初值确定第一定位数据。所述运动数据可以包括里程数据、角速度或线速度等。
所述环境感测装置具体为雷达传感器,所述自移动机器人每移动到一个位置后,通过雷达传感器采集该位置以及该位置周边区域的环境数据,基于该环境数据与环境地图进行匹配得到第二定位数据。在其他实施方式中,所述环境感测装置还可以是摄像头,可以由所述环境感测装置所采集的图像数据构建环境地图。
102、根据环境地图、运动数据和环境感测数据,确定定位数据,并识别自移动机器人的工作状态以及外部环境状态;
该步骤中,这里的定位数据包括外部环境定位数据和自移动机器人自定位数据,而外部环境定位数据主要是根据环境地图和环境感测数据计算得到,具体的,首先根据环境感测数据,结合预先构建的环境坐标系计算出自移动机器人所在的位置,然后基于计算到的位置与环境地图中的定位点进行匹配,根据匹配的结果进行适应的调整,以得到外部环境定位数据;而自定位数据是根据运动数据计算得到,具体的,首先获取到自移动机器人的初始定位数据,在自移动机器人移动后,根据移动的时间和速度计算出其移动的位移,从而计算出自定位数据。
在本实施例中,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态,而行走状态指的是自移动机器人上的移动轮子的运动状态,打滑运动或者是非打滑运动。而地图的构建状态可以是地图扩展阶段或地图增强阶段,具体的判断两阶段的方法为地图扩展阶段为新环境区域地图构建初期,地图中表征环境轮廓的信息不完备,其概率值较低;地图增强阶段为该区域的环境信息已经在地图中有明确表示,表征环境轮廓信息的区域的概率值较高。具体的判断地图的构建阶段可以是地图扩展阶段或地图增强阶段的方法请参见后续的描述。
其中,地图构建状态可以利用根据所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值来判断。当所述环境感测数据与所述环境地图的匹配度达到预设匹配阈值时,则确定地图构建状态为地图增强阶段;当所述环境感测数据与所述环境地图的匹配度未达到预设匹配阈值时,则确定地图构建状态为地图扩展阶段。
所述环境感测数据与所述环境地图的匹配度的计算方法为:根据位姿候选值,将雷达传感器数据映射到概率地图上,所有映射点的概率和的平均值即为某个位姿候选值的匹配度,可以计算多个位姿候选值的匹配度,进而选取其中最高的匹配度的值作为所述环境感测数据与所述环境地图的匹配度。
所述自移动机器人运动状态为不打滑:根据地图构建时的定位结果,计算自移动机器人实时的运动速度,包括角速度和线速度,根据速度乘以时间的方法得到预测的位置变化量,将其与码盘的位置变化量比较,若位姿差异大于阈值,则认为存在打滑,否则判定无打滑现象。
外部环境状态可以包括场景类型,场景类型可以是特征丰富场景或特征退化场景,特征丰富场景能够通过环境感测数据约束其在地图中的位姿,实现准备定位,如:家居房间;而特征退化场景则没法根据环境感测数据实现准确定位,如:长走廊。两种场景的判断方法为将雷达数据点转换到地图坐标系下,得到2D坐标,结合邻近数据计算每个数据点的法向量方向,根据法向量方向进行分类,若存在大于等于两类数据量大于阈值,则判定该帧雷达处于特征丰富场景,否则判定为特征退化场景。
103、根据识别到的自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略;
本实施例中,所述定位策略包括基于运动数据优化定位策略和基于环境感测数据优化定位策略,当检测到工作状态和外部环境状态满足第一预设条件时,则选择基于运动数据优化定位策略,当检测到工作状态和外部环境状态满足第二预设条件时,选择基于环境感测数据优化定位策略。
在本实施方式中,所述工作状态包括地图构建状态和自移动机器人运动状态,所述外部环境状态包括场景类型。
所述第一预设条件包括:所述地图构建状态为地图扩展阶段,或所述自移动机器人运动状态为不打滑,或所述场景类型为特征退化场景。其中,当工作状态和外部环境状态满足第一预设条件时,采用信任内感受型传感器的定位方法,即选择基于运动数据优化定位策略。
所述第二预设条件包括:所述地图构建状态为地图增强阶段,且所述自移动机器人运动状态为打滑,且所述场景类型为特征退化场景。则当工作状态和外部环境状态满足第二预设条件时,采用信任外感受型传感器的定位方法,即选择基于环境感测数据优化定位策略。
在其他实施方式中,所述工作状态包括地图构建状态,或者,所述工作状态包括自移动机器人运动状态。
104、根据定位策略,对定位数据进行优化。
本实施例中,若所述定位策略为信任内感受型传感器的定位方法时,即即选择基于运动数据优化定位策略,则以运动测量装置采集到的运动数据为主对所述自移动机器人的当前移动位置的定位数据进行优化处理。
若所述定位策略为信任外感受型传感器的定位方法时,即选择基于环境感测数据优化定位策略,则以环境感测装置采集到的环境感测数据为主对所述自移动机器人的当前移动位置的定位数据进行优化处理。
本发明实施例中,通过运动测量装置采集运动数据和环境感测装置环境感测数据,基于识别自移动机器人的工作状态和外部环境状态来选择对应的定位策略对定位数据进行优化,通过定位策略使得自移动机器人实现了自适应定位,适应不同建图阶段、不同场景、不同状态下的定位需求,能够提高整体的建图和定位的准确性和稳定性。
请参阅图2,本发明实施例中自移动机器人的定位方法的第二个实施例包括以下步骤:
201、获取环境地图,并通过运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据;
其中,所述环境地图至少基于所述环境感测装置构建;
202、根据环境地图、运动数据和环境感测数据,确定定位数据,并识别自移动机器人的工作状态以及外部环境状态;
该步骤中,这里的定位数据包括外部环境定位数据和自移动机器人自定位数据,而外部环境定位数据主要是根据环境地图和环境感测数据计算得到,具体的,首先根据环境感测数据,结合预先构建的环境坐标系计算出自移动机器人所在的位置,然后基于计算到的位置与环境地图中的定位点进行匹配,根据匹配的结果进行适应的调整,以得到外部环境定位数据;而自定位数据是根据运动数据计算得到,具体的,首先获取到自移动机器人的初始定位数据,在自移动机器人移动后,根据移动的时间和速度计算出其移动的位移,从而计算出自定位数据。
在本实施例中,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态,而行走状态指的是自移动机器人上的移动轮子的运动状态,打滑运动或者是非打滑运动。而地图的构建状态可以是地图扩展阶段或地图增强阶段,具体的判断两阶段的方法为地图扩展阶段为新环境区域地图构建初期,地图中表征环境轮廓的信息不完备,其概率值较低;地图增强阶段为该区域的环境信息已经在地图中有明确表示,表征环境轮廓信息的区域的概率值较高。具体的判断地图的构建阶段可以是地图扩展阶段或地图增强阶段的方法请参见后续的描述。
其中,地图构建状态可以利用根据所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值来判断。当所述环境感测数据与所述环境地图的匹配度达到预设匹配阈值时,则确定地图构建状态为地图增强阶段;当所述环境感测数据与所述环境地图的匹配度未达到预设匹配阈值时,则确定地图构建状态为地图扩展阶段。
所述环境感测数据与所述环境地图的匹配度的计算方法为:根据位姿候选值,将雷达传感器数据映射到概率地图上,所有映射点的概率和的平均值即为某个位姿候选值的匹配度,可以计算多个位姿候选值的匹配度,进而选取其中最高的匹配度的值作为所述环境感测数据与所述环境地图的匹配度。
所述自移动机器人运动状态为不打滑:根据地图构建时的定位结果,计算自移动机器人实时的运动速度,包括角速度和线速度,根据速度乘以时间的方法得到预测的位置变化量,将其与码盘的位置变化量比较,若位姿差异大于阈值,则认为存在打滑,否则判定无打滑现象。
外部环境状态可以包括场景类型,场景类型可以是特征丰富场景或特征退化场景,特征丰富场景能够通过环境感测数据约束其在地图中的位姿,实现准备定位,如:家居房间;而特征退化场景则没法根据环境感测数据实现准确定位,如:长走廊。两种场景的判断方法为将雷达数据点转换到地图坐标系下,得到2D坐标,结合邻近数据计算每个数据点的法向量方向,根据法向量方向进行分类,若存在大于等于两类数据量大于阈值,则判定该帧雷达处于特征丰富场景,否则判定为特征退化场景。
203、判断自移动移动机器人的工作状态是否满足预设工作条件,以及判断外部环境状态是否满足预设环境条件;
在步骤203中,判断自移动机器人运动状态是否满足预设条件,具体包括:判断所述行走机构是否打滑,和/或,判断所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值。判断外部环境状态是否满足预设环境条件,包括;判断所述外部环境状态是否为特征退化场景。
在本实施方式中,所述工作状态包括地图构建状态和自移动机器人运动状态,所述外部环境状态包括场景类型。所述预设工作条件为:所述地图构建状态为地图扩展阶段,或所述自移动机器人运动状态为不打滑。所述预设环境条件为:所述场景类型为特征退化场景。
在其他实施方式中,所述工作状态包括地图构建状态,或者,所述工作状态包括自移动机器人运动状态。
204、若工作状态和外部环境状态中至少存在一个满足预设条件,则选择第一定位策略;
该步骤中,工作状态和外部环境状态中至少存在一个满足预设条件,即满足所述地图构建状态为地图扩展阶段,或所述自移动机器人运动状态为不打滑,或所述场景类型为特征退化场景。
所述第一定位策略更依赖所述运动数据对所述定位数据进行优化,具体可以是采用信任内感受型传感器的定位方法,即选择基于运动数据优化定位策略。
205、若工作状态不满足预设工作条件且外部环境状态不满足预设环境条件,则选择第二定位策略;
该步骤中,工作状态不满足预设工作条件且外部环境状态不满足预设环境条件,即满足所述地图构建状态为地图增强阶段,且所述自移动机器人运动状态为打滑,且所述场景类型为特征退化场景。所述第二定位策略更依赖所述环境感测数据对所述定位数据进行优化,具体可以是采用信任外感受型传感器的定位方法,即选择基于环境感测数据优化定位策略。
206、根据定位策略调用优化误差模型,根据环境地图、运动数据、环境感测数据和优化误差模型对定位数据进行计算优化。
在本实施例中,当选择第一定位策略对定位数据进行优化,在利用优化误差模型计算优化时,具体是选择所述环境感测数据的计算权重大于所述运动数据的计算权重的标准对所述定位数据进行优化;
当选择第二定位策略对定位数据进行优化,在利用优化误差模型计算优化时,具体是选择所述运动数据的计算权重大于所述环境感测数据的计算权重的标准对所述定位数据进行优化。
通过对上述提供的方法的实施,实现了自动适应不同建图阶段、不同场景、不同状态下的定位需求,能够提高整体的建图和定位的准确性和稳定性。
在地图构建初期,栅格概率地图表征环境的信息是不完备的,采用信任观测结果的方法得到的定位结果误差较大,因此需要更信任内感受型传感器给出的定位值。
当自移动机器人获取的环境数据量少、环境特征识别度差(如:长通道)等情况时,通过环境观测数据(2D激光雷达数据)无法进行精确的定位,该环境下需要更信任内感受型传感器给出的定位值,采用该信任观测结果的方法,能够得到更准确的定位值。
进一步的,通过匹配度、场景结构、轮子打滑情况进行定位方法切换,自适应改变定位权重,提高不同场景定位准确性。
请参阅图3,本发明实施例中自移动机器人的定位方法的第三个实施例包括:
301、获取环境地图,并通过运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据;
302、获取候选位姿集合,所述候选位姿集合包括多个候选定位位姿;
303、根据所述候选位姿集合将所述环境感测数据映射到所述环境地图上,得到每个所述候选定位位姿与所述环境地图的匹配度;
304、将匹配度最高的候选定位位姿作为定位数据,所述环境感测数据与所述环境地图的匹配度为所述定位数据与所述环境地图的匹配度;
305、判断自移动移动机器人的工作状态是否满足预设工作条件,以及判断外部环境状态是否满足预设环境条件;
在本实施例中,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态,所述判断所述自移动移动机器人的工作状态是否满足预设工作条件,包括:判断所述行走机构是否打滑,和/或,判断所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值。
进一步的,所述环境感测数据为通过雷达传感器采集的雷达点云数据;
所述判断所述外部环境状态是否满足预设环境条件,包括:
基于所述环境感测数据对应的预设雷达坐标系和所述环境地图对应的预设地图坐标系,将所述环境感测数据进行坐标转换,获得所述地图坐标系下的二维坐标数据;
提取所述二维坐标数据中的法向量集合,并按照向量方向对所述法向量集合分类,以获得所述法向量集合中的方向类别数量;
判断所述法向量集合中的方向类别数量和所述二维坐标数据的数据量是否达到预设条件,
若是,则所述外部环境状态满足预设环境条件。
在实际应用中,还可以是通过基于所述雷达数据,调用预置位姿预测模型计算出所述自移动机器人在当前时刻的预测位姿,并根据所述预测位姿构建候选位姿集合,其中,所述候选位姿集合包括至少一个候选定位位姿;
将所述雷达数据,根据所述候选位姿集合映射到所述第一地图数据上,得到每个所述候选定位位姿的匹配度;
计算所有所述候选定位位姿的匹配度的平均值,得到所述自移动机器人在当前时刻的最终匹配度,将所述最终匹配度作为预定位分析结果输出,基于该预定位分析结果输出判断是否满足预设环境条件。
进一步的,所述计算所有所述候选定位位姿的匹配度的总和的平均值,得到所述自移动机器人在当前时刻的最终匹配度,将所述最终匹配度作为预定位分析结果输出包括:
将所有的候选定位位姿对应的概率值相加后,求平均值,得到最终匹配度;
判断所述最终匹配度是否大于预设阈值;
若否,则确定所述自移动机器人当前时刻的定位场景为地图构建的扩展阶段;
若是,则确定所述自移动机器人当前时刻的定位场景为地图构建的增强阶段;
从所有所述候选定位位姿的匹配度中选择匹配度最高的候选定位位姿,并确定为所述自移动机器人在当前时刻的观测定位值;
将所述地图构建对应的阶段和所述观测定位值作为预定位分析结果输出。
306、若工作状态和外部环境状态中至少存在一个满足预设条件,则选择第一定位策略;
307、若工作状态不满足预设工作条件且外部环境状态不满足预设环境条件,则选择第二定位策略;
308、根据所述环境地图和所述环境感测数据计算占据栅格代价函数,根据所述定位数据和所述运动数据计算位置代价函数,根据所述定位数据和所述环境感测数据计算所述角度代价函数。
该步骤中,对于选择所述第一定位策略时,所述角度代价函数的计算权重大于所述位置代价函数的计算权重;对于选择呢所述第二定位策略时,所述位置代价函数的计算权重大于所述角度代价函数的计算权重。
在本实施例中,当所述运动测量装置包括码盘和惯性测量单元时,判断所述行走机构是否打滑的实现具体为:
获取所述自移动机器人的角速度和线速度,以及码盘的第一位置变化量;
根据所述角速度和线速度,计算所述自移动机器人的第二位置变化量;
将所述第二位置变化量与所述第一位置变化量进行比较,得到位姿差值;
若所述位姿差值不满足阈值条件,则确定所述行走机构打滑;
若所述位姿差值满足阈值条件,则确定所述行走机构不存在打滑。
在实际应用中,根据地图构建时的定位结果,计算自移动机器人实时的运动速度,包括角速度和线速度,根据速度乘以时间的方法得到预测的位置变化量,将其与码盘的位置变化量比较,若位姿差异大于阈值,则认为存在打滑,否则判定无打滑现象。
综上,通过设置定位策略基于这三种场景自适应定位,以适应不同建图阶段、不同场景、不同状态下的定位需求,提高整体的建图和定位的准确性和稳定性。
下面结合具体的应用场景对上述实施例提供的自移动机器人的定位方法的实现流程做进一步的详细说明,如图4所示,该方法包括:
401、通过运动测量装置和环境感测装置分别采集运动数据和环境感测数据;
该步骤中,所述运动测量装置具体由码盘和惯性传感器组成,通过码盘和惯性传感器采集所述自移动机器人自身的运动数据,基于该运动数据计算出自身的定位初值,基于该定位初值确定第一定位数据。
所述环境感测装置具体为雷达传感器,所述自移动机器人每移动到一个位置后,通过雷达传感器感测该位置以及该位置周边区域的环境数据,基于该环境数据与环境地图进行匹配得到第二定位数据。
402、根据位姿预测模型计算预测位姿;
403、考虑搜索空间建立候选位姿集合;
404、通过雷达传感器获取自移动机器人的雷达数据;
405、将雷达数据映射到地图上计算每个候选位姿的匹配度;
具体的,根据位姿候选值,将雷达传感器数据映射到概率地图上,所有映射点的概率和的平均值即为某个位姿候选值的匹配度。
406、根据运动数据判断轮子是否打滑;
具体的,根据地图构建时的定位结果,计算自移动机器人实时的运动速度,包括角速度和线速度,根据速度乘以时间的方法得到预测的位置变化量,将其与码盘的位置变化量比较,若位姿差异大于阈值,则认为存在打滑,否则判定无打滑现象。
407、判断匹配度是否满足预设阈值;
408、根据雷达数据确定自移动机器人所在的场景类型;
具体的,将雷达数据点转换到地图坐标系下,得到2D坐标,结合邻近数据计算每个数据点的法向量方向,根据法向量方向进行分类,若存在大于等于两类数据量大于阈值,则判定该帧雷达处于特征丰富场景,否则判定为特征退化场景。
409、若低匹配度或特征退化场景或轮子存在打滑,则采用信任内感受型传感器的定位策略;
410、若高匹配度且特征丰富场景且轮子无打滑,则采用信任外感受型传感器的定位策略;
411、根据定位策略对自移动机器人进行定位优化。
该步骤具体是根据所述定位策略调用优化误差模型,根据所述环境地图、所述运动数据、所述环境感测数据和所述优化误差模型对所述定位数据进行计算优化。
进一步的,根据所述定位策略,确定采用信任内感受型传感器和采用信任外感受型传感器的权重比;调用占据栅格代价函数、位置代价函数和角度代价函数计算所述自移动机器人的当前位置,并根据所述权重比调整所述当前定位,得到定位位置。
在实际应用中,所述优化误差模型包括占据栅格代价函数、位置代价函数、角度代价函数。
占据栅格匹配度代价函数为:
其中,k为雷达数据索引,K为雷达数据总数,hk表示第k个雷达数据在雷达坐标系的2D坐标,ξ为待优化量,包括(x,y,θ),Tξ表示位姿变换矩阵,Tξhk表示将雷达数据映射到地图上的位置,M(Tξhk)表示地图上的概率值。1-M(Tξhk)表示匹配度越高误差越小,反之,越大。
位置代价函数:
pξ为优化过程中的位置(x,y),ppredict为通过内感受型传感器得到的定位位置。
角度代价函数:
θξ为优化过程中的角度,θobserve为通过外感受型传感器得到的定位角度。
最小化误差模型为:
当采用信任内感受型传感器的定位方法时,则增大ωp和ωq的权重,减小ωm的权重,当采用信任外感受型传感器的数据时,则增大ωm的权重,减小ωp和ωq的权重。在第一定位策略中,增大ωp和ωq的权重,减小ωm的权重,即采用更大ωp和ωq,采用更小的ωm。在第二定位策略中,增大ωm的权重,减小ωp和ωq的权重,即采用更大ωm,减小ωp和ωq。
本发明实施例中,通过获取环境地图,并通过运动测量装置和环境感测装置分别采集运动数据和环境感测数据,根据环境地图、运动数据和环境感测数据,确定定位数据,并识别自移动机器人的工作状态以及外部环境状态,根据识别到的自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略,根据定位策略,对定位数据进行优化。本发明实施例中,通过运动测量装置采集运动数据和环境感测装置环境感测数据,基于识别自移动机器人的工作状态和外部环境状态来选择对应的定位策略对定位数据进行优化,通过定位策略使得自移动机器人实现了自适应定位,适应不同建图阶段、不同场景、不同状态下的定位需求,能够提高整体的建图和定位的准确性和稳定性。
上面对本发明实施例中自移动机器人的定位方法进行了描述,下面对本发明实施例中自移动机器人的定位装置进行描述,请参阅图5,本发明实施例中自移动机器人的定位装置一个实施例包括:
获取模块501,用于获取环境地图,并通过所述运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据,其中,所述环境地图至少基于所述环境感测装置构建;
定位模块502,用于根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态;
选择模块503,用于根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略;
优化模块504,用于根据所述定位策略,对所述定位数据进行优化。
本发明实施例中,通过运动测量装置采集运动数据和环境感测装置环境感测数据,基于识别自移动机器人的工作状态和外部环境状态来选择对应的定位策略对定位数据进行优化,通过定位策略使得自移动机器人实现了自适应定位,适应不同建图阶段、不同场景、不同状态下的定位需求,能够提高整体的建图和定位的准确性和稳定性。
请参阅图6,本发明实施例中自移动机器人的定位装置的另一个实施例包括:
获取模块501,用于获取环境地图,并通过所述运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据,其中,所述环境地图至少基于所述环境感测装置构建;
定位模块502,用于根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态;
选择模块503,用于根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略;
优化模块504,用于根据所述定位策略,对所述定位数据进行优化。
在本实施例中,所述选择模块503包括:
判断单元5031,用于判断所述自移动移动机器人的工作状态是否满足预设工作条件,以及所述外部环境状态是否满足预设环境条件,
选择单元5032,用于在所述工作状态和所述外部环境状态中至少存在一个满足预设条件时,选择第一定位策略,所述第一定位策略更依赖所述运动数据对所述定位数据进行优化;以及在所述工作状态不满足预设工作条件且所述外部环境状态不满足预设环境条件时,选择第二定位策略,所述第二定位策略更依赖所述环境感测数据对所述定位数据进行优化。
可选的,所述优化模块504具体用于:
根据所述定位策略调用优化误差模型,根据所述环境地图、所述运动数据、所述环境感测数据和所述优化误差模型对所述定位数据进行计算优化;
其中,对于所述第一定位策略,所述环境感测数据的计算权重大于所述运动数据的计算权重;对于所述第二定位策略,所述运动数据的计算权重大于所述环境感测数据的计算权重。
可选的,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态;
所述判断单元5031具体用于判断所述行走机构是否打滑,和/或,判断所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值。
在本实施例中,所述定位模块502包括:
采集单元5021,用于获取候选位姿集合,所述候选位姿集合包括多个候选定位位姿;
匹配单元5022,用于根据所述候选位姿集合将所述环境感测数据映射到所述环境地图上,得到每个所述候选定位位姿与所述环境地图的匹配度;
定位单元5023,用于将匹配度最高的候选定位位姿作为定位数据,所述环境感测数据与所述环境地图的匹配度为所述定位数据与所述环境地图的匹配度。
可选的,所述环境感测数据为通过雷达传感器采集的雷达点云数据;
所述判断单元5031具体用于:
基于所述环境感测数据对应的预设雷达坐标系和所述环境地图对应的预设地图坐标系,将所述环境感测数据进行坐标转换,获得所述地图坐标系下的二维坐标数据;
提取所述二维坐标数据中的法向量集合,并按照向量方向对所述法向量集合分类,以获得所述法向量集合中的方向类别数量;
判断所述法向量集合中的方向类别数量和所述二维坐标数据的数据量是否达到预设条件,
若是,则所述外部环境状态满足预设环境条件。
可选的,所述运动测量装置包括码盘和惯性测量单元;
所述判断单元5031具体用于:
获取所述自移动机器人的角速度和线速度,以及码盘的第一位置变化量;
根据所述角速度和线速度,计算所述自移动机器人的第二位置变化量;
将所述第二位置变化量与所述第一位置变化量进行比较,得到位姿差值;
若所述位姿差值不满足阈值条件,则确定所述行走机构打滑;
若所述位姿差值满足阈值条件,则确定所述行走机构不存在打滑。
可选的,所述优化误差模型包括占据栅格代价函数、位置代价函数和角度代价函数;
所述优化模块504具体用于:
根据所述环境地图和所述环境感测数据计算占据栅格代价函数,根据所述定位数据和所述运动数据计算位置代价函数,根据所述定位数据和所述环境感测数据计算所述角度代价函数;
其中,对于所述第一定位策略,所述角度代价函数的计算权重大于所述位置代价函数的计算权重;对于所述第二定位策略,所述位置代价函数的计算权重大于所述角度代价函数的计算权重。
可选的,所述自移动机器人的定位装置,还包括更新模块505,其具体用于:
根据优化后的定位数据以及所述环境感测数据更新所述环境地图。
上面图5和图6从模块化功能实体的角度对本发明实施例中的自移动机器人的定位装置进行详细描述,下面从硬件处理的角度对本发明实施例中自移动机器人进行详细描述。
图7是本发明实施例提供的一种自移动机器人的结构示意图,该自移动机器人700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)710(例如,一个或一个以上处理器)和存储器720,一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对自移动机器人700中的一系列指令操作。更进一步地,处理器710可以设置为与存储介质730通信,在自移动机器人700上执行存储介质730中的一系列指令操作。
可以理解的是,自移动机器人700可以是清洁机器人、搬运机器人或巡逻机器人等任意一种。清洁机器人可以是扫地机器人、扫拖一体式机器人或拖地机器人等任意一种。
自移动机器人700还可以包括一个或一个以上电源740,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口760,和/或,一个或一个以上操作系统731,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出自移动机器人结构并不构成对自移动机器人的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种自移动机器人,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述自移动机器人的定位方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述自移动机器人的定位方法的步骤。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种自移动机器人的定位方法,所述自移动机器人包括行走机构、运动测量装置和环境感测装置,其特征在于,所述定位方法包括:
获取环境地图,并通过所述运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据,其中,所述环境地图至少基于所述环境感测装置构建;
根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态,其中,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态,所述构建状态包括地图扩展阶段和地图增强阶段;
根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略,其中,基于所述环境感测数据对应的预设雷达坐标系和所述环境地图对应的预设地图坐标系,将所述环境感测数据进行坐标转换,获得所述地图坐标系下的二维坐标数据;提取所述二维坐标数据中的法向量集合,并按照向量方向对所述法向量集合分类,以获得所述法向量集合中的方向类别数量;判断所述法向量集合中的方向类别数量和所述二维坐标数据的数据量是否达到预设条件;若是,则所述外部环境状态为满足预设环境条件的特征退化场景,否则所述外部环境为不满足预设环境条件的特征丰富场景,所述特征退化场景至少包括没法根据环境感测数据实现准确定位的长走廊;
根据所述定位策略调用优化误差模型,对所述定位数据进行优化,其中,所述优化误差模型包括占据栅格代价函数、位置代价函数和角度代价函数,最小化优化误差模型为:,fm为占据栅格代价函数,fp为位置代价函数,fq为角度代价函数,/>为待优化量,当外部环境状态为所述长走廊时,采用信任内感受型传感器的定位策略,对所述定位数据进行优化。
2.根据权利要求1所述的定位方法,其特征在于,所述根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略,包括:
判断所述自移动机器人的工作状态是否满足预设工作条件,以及所述外部环境状态是否满足预设环境条件,
若所述工作状态和所述外部环境状态中至少存在一个满足预设条件,则选择第一定位策略,所述第一定位策略更依赖所述运动数据对所述定位数据进行优化;
若所述工作状态不满足预设工作条件且所述外部环境状态不满足预设环境条件,则选择第二定位策略,所述第二定位策略更依赖所述环境感测数据对所述定位数据进行优化。
3.根据权利要求2所述的定位方法,其特征在于,所述根据所述定位策略调用优化误差模型,对所述定位数据进行优化,包括:
根据所述定位策略调用优化误差模型,根据所述环境地图、所述运动数据、所述环境感测数据和所述优化误差模型对所述定位数据进行计算优化;
其中,对于所述第一定位策略,所述运动数据的计算权重大于所述环境感测数据的计算权重;对于所述第二定位策略,所述环境感测数据的计算权重大于所述运动数据的计算权重。
4.根据权利要求2所述的定位方法,其特征在于,所述判断所述自移动机器人的工作状态是否满足预设工作条件,包括:判断所述行走机构是否打滑,和/或,判断所述环境感测数据与所述环境地图的匹配度是否达到预设匹配阈值。
5.根据权利要求4所述的定位方法,其特征在于,所述根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态,包括:
获取候选位姿集合,所述候选位姿集合包括多个候选定位位姿;
根据所述候选位姿集合将所述环境感测数据映射到所述环境地图上,得到每个所述候选定位位姿与所述环境地图的匹配度;
将匹配度最高的候选定位位姿作为定位数据,所述环境感测数据与所述环境地图的匹配度为所述定位数据与所述环境地图的匹配度。
6.根据权利要求4所述的定位方法,其特征在于,所述运动测量装置包括码盘和惯性测量单元;
所述判断所述行走机构是否打滑,包括:
获取所述自移动机器人的角速度和线速度,以及码盘的第一位置变化量;
根据所述角速度和线速度,计算所述自移动机器人的第二位置变化量;
将所述第二位置变化量与所述第一位置变化量进行比较,得到位姿差值;
若所述位姿差值不满足阈值条件,则确定所述行走机构打滑;
若所述位姿差值满足阈值条件,则确定所述行走机构不存在打滑。
7.根据权利要求3所述的定位方法,其特征在于,所述根据所述环境地图、所述运动数据、所述环境感测数据和所述优化误差模型对所述定位数据进行计算优化,包括:
根据所述环境地图和所述环境感测数据计算占据栅格代价函数,根据所述定位数据和所述运动数据计算位置代价函数,根据所述定位数据和所述环境感测数据计算所述角度代价函数;
其中,对于所述第一定位策略,所述位置代价函数的计算权重大于所述角度代价函数的计算权重;对于所述第二定位策略,所述角度代价函数的计算权重大于所述位置代价函数的计算权重。
8.根据权利要求1-7中任一项所述的定位方法,其特征在于,在所述根据所述定位策略调用优化误差模型,对所述定位数据进行优化之后,还包括:
根据优化后的定位数据以及所述环境感测数据更新所述环境地图。
9.一种自移动机器人的定位装置,所述自移动机器人包括行走机构、运动测量装置和环境感测装置,其特征在于,所述自移动机器人的定位装置包括:
获取模块,用于获取环境地图,并通过所述运动测量装置和所述环境感测装置分别采集运动数据和环境感测数据,其中,所述环境地图至少基于所述环境感测装置构建;
定位模块,用于根据所述环境地图、所述运动数据和所述环境感测数据,确定定位数据,并识别所述自移动机器人的工作状态以及外部环境状态,其中,所述工作状态包括所述行走机构的行走状态和/或所述环境地图的构建状态,所述构建状态包括地图扩展阶段和地图增强阶段;
选择模块,用于根据识别到的所述自移动机器人的工作状态以及外部环境状态,从预设的定位策略关系表中,选择定位策略,其中,基于所述环境感测数据对应的预设雷达坐标系和所述环境地图对应的预设地图坐标系,将所述环境感测数据进行坐标转换,获得所述地图坐标系下的二维坐标数据;提取所述二维坐标数据中的法向量集合,并按照向量方向对所述法向量集合分类,以获得所述法向量集合中的方向类别数量;判断所述法向量集合中的方向类别数量和所述二维坐标数据的数据量是否达到预设条件;若是,则所述外部环境状态为满足预设环境条件的特征退化场景,否则所述外部环境为不满足预设环境条件的特征丰富场景,所述特征退化场景至少包括没法根据环境感测数据实现准确定位的长走廊;
优化模块,用于根据所述定位策略调用优化误差模型,对所述定位数据进行优化,其中,所述优化误差模型包括占据栅格代价函数、位置代价函数和角度代价函数,最小化优化误差模型为:,其中,fm为占据栅格代价函数,fp为位置代价函数,fq为角度代价函数,/>为待优化量,当外部环境状态为所述长走廊时,采用信任内感受型传感器的定位策略,对所述定位数据进行优化。
10.一种自移动机器人,其特征在于,所述自移动机器人包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述自移动机器人执行如权利要求1-8中任一项所述自移动机器人的定位方法。
11.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述自移动机器人的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069810.4A CN112179353B (zh) | 2020-09-30 | 2020-09-30 | 自移动机器人的定位方法、装置、机器人及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069810.4A CN112179353B (zh) | 2020-09-30 | 2020-09-30 | 自移动机器人的定位方法、装置、机器人及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112179353A CN112179353A (zh) | 2021-01-05 |
CN112179353B true CN112179353B (zh) | 2023-07-18 |
Family
ID=73948522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011069810.4A Active CN112179353B (zh) | 2020-09-30 | 2020-09-30 | 自移动机器人的定位方法、装置、机器人及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112179353B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881052B (zh) * | 2021-01-14 | 2024-02-20 | 深圳市杉川机器人有限公司 | 构建移动机器人的工作场景的方法及装置 |
CN112904366B (zh) * | 2021-03-19 | 2023-06-16 | 北京小狗吸尘器集团股份有限公司 | 应用于扫地机的重定位方法、装置、电子设备和介质 |
CN113558524B (zh) * | 2021-07-14 | 2022-11-29 | 北京小狗吸尘器集团股份有限公司 | 扫地机器人及其被抱起后的重新定位方法和装置 |
CN113607157B (zh) * | 2021-08-04 | 2024-04-16 | 上海高仙自动化科技发展有限公司 | 自主体定位方法、装置、自主体、芯片和存储介质 |
CN113733166B (zh) * | 2021-11-08 | 2022-04-15 | 深圳市普渡科技有限公司 | 机器人定位方法、装置、机器人和计算机可读存储介质 |
CN114510044A (zh) * | 2022-01-25 | 2022-05-17 | 北京圣威特科技有限公司 | Agv导航船导航方法、装置、电子设备及存储介质 |
CN115597585A (zh) * | 2022-12-16 | 2023-01-13 | 青岛通产智能科技股份有限公司(Cn) | 一种机器人定位方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652873A (zh) * | 2016-03-04 | 2016-06-08 | 中山大学 | 一种基于Kinect的移动机器人避障方法 |
CN110542421A (zh) * | 2019-10-10 | 2019-12-06 | 上海钛米机器人科技有限公司 | 机器人定位方法、定位装置、机器人及存储介质 |
CN110907947A (zh) * | 2019-12-04 | 2020-03-24 | 同济人工智能研究院(苏州)有限公司 | 一种移动机器人slam问题中的实时回环检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9744670B2 (en) * | 2014-11-26 | 2017-08-29 | Irobot Corporation | Systems and methods for use of optical odometry sensors in a mobile robot |
CN104715254B (zh) * | 2015-03-17 | 2017-10-10 | 东南大学 | 一种基于2d和3d sift特征融合的一般物体识别方法 |
CN107478214A (zh) * | 2017-07-24 | 2017-12-15 | 杨华军 | 一种基于多传感器融合的室内定位方法及系统 |
CN109506641A (zh) * | 2017-09-14 | 2019-03-22 | 深圳乐动机器人有限公司 | 移动机器人的位姿丢失检测与重定位系统及机器人 |
JP6889865B2 (ja) * | 2017-09-22 | 2021-06-18 | オムロン株式会社 | テンプレート作成装置、物体認識処理装置、テンプレート作成方法及びプログラム |
CN108875804B (zh) * | 2018-05-31 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种基于激光点云数据的数据处理方法和相关装置 |
CN109141433A (zh) * | 2018-09-20 | 2019-01-04 | 江阴市雷奥机器人技术有限公司 | 一种机器人室内定位系统及定位方法 |
US10782137B2 (en) * | 2019-01-28 | 2020-09-22 | Qfeeltech (Beijing) Co., Ltd. | Methods, apparatus, and systems for localization and mapping |
CN110645974B (zh) * | 2019-09-26 | 2020-11-27 | 西南科技大学 | 一种融合多传感器的移动机器人室内地图构建方法 |
-
2020
- 2020-09-30 CN CN202011069810.4A patent/CN112179353B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652873A (zh) * | 2016-03-04 | 2016-06-08 | 中山大学 | 一种基于Kinect的移动机器人避障方法 |
CN110542421A (zh) * | 2019-10-10 | 2019-12-06 | 上海钛米机器人科技有限公司 | 机器人定位方法、定位装置、机器人及存储介质 |
CN110907947A (zh) * | 2019-12-04 | 2020-03-24 | 同济人工智能研究院(苏州)有限公司 | 一种移动机器人slam问题中的实时回环检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112179353A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112179353B (zh) | 自移动机器人的定位方法、装置、机器人及可读存储介质 | |
JP5219467B2 (ja) | パーティクルフィルター基盤の移動ロボットの姿勢推定方法、装置及び媒体 | |
CN109211251B (zh) | 一种基于激光和二维码融合的即时定位与地图构建方法 | |
CN109100730B (zh) | 一种多车协同快速建图方法 | |
KR101572851B1 (ko) | 동적 환경에서 모바일 플랫폼의 지도 작성방법 | |
EP2824425B1 (en) | Moving-object position/attitude estimation apparatus and method for estimating position/attitude of moving object | |
CN112907678B (zh) | 车载相机外参姿态动态估计方法、装置、计算机设备 | |
CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
CN112085789A (zh) | 位姿估计方法、装置、设备及介质 | |
CN111915675A (zh) | 基于粒子漂移的粒子滤波点云定位方法及其装置和系统 | |
JP7173471B2 (ja) | 3次元位置推定装置及びプログラム | |
JP7047576B2 (ja) | 地図作成装置 | |
CN112750161B (zh) | 用于移动机器人的地图更新方法 | |
CN111474560B (zh) | 一种障碍物定位方法、装置及设备 | |
CN112907625A (zh) | 应用于四足仿生机器人的目标跟随方法及系统 | |
KR20090113746A (ko) | 물체의 공간적 의미정보를 이용한 로봇의 자기위치 추정 방법 | |
WO2023142353A1 (zh) | 一种位姿预测方法及装置 | |
CN116429121A (zh) | 基于多传感器的定位方法、装置、自移动设备及存储介质 | |
KR20150079098A (ko) | 강인한 시각 주행거리 측정을 위한 시공간적 3차원 벡터 필터링 기법 | |
Jiao et al. | Global self-localization of redundant robots based on visual tracking | |
JP7156844B2 (ja) | 情報処理方法、情報処理装置およびプログラム | |
CN113158816A (zh) | 面向室外场景物体的视觉里程计二次曲面路标构建方法 | |
EP3499419A1 (en) | Information processing method, information processing apparatus, and program | |
CN117537803B (zh) | 机器人巡检语义-拓扑地图构建方法、系统、设备及介质 | |
CN112720490B (zh) | 一种基于多机器人的位置融合感知方法和系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 518110 1701, building 2, Yinxing Zhijie, No. 1301-72, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Yinxing Intelligent Group Co.,Ltd. Address before: 518110 Building A1, Yinxing Hi-tech Industrial Park, Guanlan Street Sightseeing Road, Longhua District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Silver Star Intelligent Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |