CN112254741B - 里程传感器的异常检测方法、自移动机器人及存储介质 - Google Patents

里程传感器的异常检测方法、自移动机器人及存储介质 Download PDF

Info

Publication number
CN112254741B
CN112254741B CN202010942717.3A CN202010942717A CN112254741B CN 112254741 B CN112254741 B CN 112254741B CN 202010942717 A CN202010942717 A CN 202010942717A CN 112254741 B CN112254741 B CN 112254741B
Authority
CN
China
Prior art keywords
mileage
sensor
self
moving robot
state data
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
Application number
CN202010942717.3A
Other languages
English (en)
Other versions
CN112254741A (zh
Inventor
姚秀勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anker Innovations Co Ltd
Original Assignee
Anker Innovations Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anker Innovations Co Ltd filed Critical Anker Innovations Co Ltd
Priority to CN202010942717.3A priority Critical patent/CN112254741B/zh
Publication of CN112254741A publication Critical patent/CN112254741A/zh
Application granted granted Critical
Publication of CN112254741B publication Critical patent/CN112254741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本申请公开了一种里程传感器的异常检测方法、自移动机器人及存储介质，该方法包括：获取自移动机器人至少两种里程传感器当前时刻的传感器数据，其中，至少两种里程传感器中包括轮式里程传感器；将至少两种传感器数据进行融合计算，得到自移动机器人当前时刻的状态数据；其中，状态数据中包括检测系数，检测系数定义为轮式里程传感器所检测轮子的转动角度变化的调整量；将检测系数与基准阈值进行比较，以判断至少两种里程传感器是否出现异常。通过上述方式，本申请能够及时检测出异常的里程传感器，避免因异常引起的估计的自移动机器人的位姿不准确，以减小自移动机器人定位发生的偏差。

Description

里程传感器的异常检测方法、自移动机器人及存储介质
技术领域
本申请涉及机器人技术领域，特别是涉及一种自移动机器人里程传感器的异常检测方法、自移动机器人及计算机可读存储介质。
背景技术
随着经济和科技的发展，自移动机器人能够在多种复杂环境下工作，具有自行组织、自主运行、自主规划的能力，自移动机器人性能不断地完善，使得自移动机器人广泛应用于各行业，给人们的生活带来了许多的便利。
随着人们生活水平的提高，自移动机器人越来越多的出现在人们的日常生活中，例如扫地机器人，扫地机器人是一种能够自行进行清洁的机器人，可以代替人对底面进行清扫，减少人们的家庭负担。若扫地机器人进行里程计算的传感器出现异常，则会导致对机器人估计的位姿出现偏差，影响扫地机器人的正常运行。
发明内容
本申请提供一种里程传感器的异常检测方法、自移动机器人及存储介质，能够及时检测出异常的里程传感器，避免因异常引起的估计的自移动机器人的位姿不准确，以减小自移动机器人定位发生的偏差。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种自移动机器人里程传感器的异常检测方法。所述自移动机器人至少包括两种里程传感器，该方法包括：获取自移动机器人至少两种里程传感器当前时刻的传感器数据，得到至少两种不同类型的里程传感器的传感器数据，其中，至少两种里程传感器中包括轮式里程传感器；将至少两种传感器数据进行融合计算，得到自移动机器人当前时刻的状态数据；其中，状态数据中包括检测系数，检测系数定义所述轮式里程传感器所检测轮子的转动角度变化的调整量；将检测系数与基准阈值进行比较，以判断至少两种里程传感器是否出现异常。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种自移动机器人。该自移动机器人包括：处理器和存储器，存储器和处理器连接，存储器用于存储计算机程序，计算机程序被处理器执行以实现上述里程传感器的异常检测方法。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质。该计算机可读存储介质存储有计算机程序，计算机程序被处理器执行以实现上述里程传感器的异常检测方法。
本申请的有益效果是：区别于现有技术的情况，本申请在对自移动机器人进里程估计或规划时，对获取的至少两种里程传感器当前时刻的传感器数据进行融合计算，因在状态数据中加入了检测系数，检测系数定义为轮式里程传感器所检测轮子的转动角度变化的调整量，使得在融合计算出自移动机器人的当前时刻的状态数据时，通过状态数据中包含的检测系数，以得到检测系数的变化情况，通过融合计算得到的检测系数与基准阈值进行比较，以判断至少两种里程传感器是否出现异常。可以及时的检测出打滑，以及检测出异常的传感器，减小异常检测滞后的问题，同时，也可避免因传感器异常引起的获取的自移动机器人的位姿不准确，减小机器人移动轨迹以及定位发生的偏差，在快速检测里程传感器异常的情况下，也不影响自移动机器人的定位的精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的里程传感器的异常检测方法的第一实施例的流程示意图；
图2是本申请提供的自移动机器人第一实施例的截面示意图；
图3是本申请提供的位置分量X进行融合计算的融合示意图；
图4是本申请提供的图1中步骤S130第一实施例的流程示意图；
图5是本申请提供的图1中步骤S130第二实施例的流程示意图；
图6是本申请提供的图1中步骤S130第三实施例的流程示意图；
图7是本申请提供的里程传感器的异常检测方法的第二实施例的流程示意图；
图8是本申请提供的自移动机器人第二实施例的结构示意图；
图9是本申请提供的计算机可读存储介质的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
经过本申请的发明人长期研究发现，现有技术中，自移动机器人多采用多种传感器检测的传感器数据融合进行位姿估计，以及通过传感器检测的传感器数据进行异常检测，具体为：在一段时间内，将多种传感器检测的传感器数据进行比对，若多种传感器中有传感器检测的传感器数据与其他传感器的传感器数据不一致，则认为不一致的传感器出现异常。此方案需要通过一段时间的检测才能判断出异常的传感器，使得自移动机器人的异常检测存在滞后性，在检测异常的这一段时间内，已经使用了异常的传感器的数据进行位姿估计，导致自移动机器人定位精度不准确，机器人移动轨迹以及定位发生偏差。
因在检测异常的这一段时间内已经使用了异常的传感器的数据进行位姿估计，得到的自移动机器人的位姿已经是不准确的了，即使发现传感器异常后，不再使用异常传感器检测的传感器数据进行位姿估计，也会使得后续估计的位姿出现滞后问题，获取的自移动机器人位置出现偏差。
另外，目前自移动机器人多采用两轮差分的驱动方式，通过检测轮子的转速可以计算得出机器人的前进速度和转向速度，然后可以通过对高频率采样数据积分出机器人行进的轨迹。如果轮子和地面之间存在滑动，则计算出来的距离必然与实际距离出现偏差，导致对机器人移动轨迹以及定位发生偏差。
为了解决上述问题，本申请提供以下实施例，下面对本申请各实施例进行说明。
请参阅图1，图1是本申请提供的里程传感器的异常检测方法第一实施例的流程示意图，该方法可应用于自移动机器人，该方法包括以下步骤：
S110：获取自移动机器人至少两种里程传感器当前时刻的传感器数据。
自移动机器人采用多种传感器检测的传感器数据进行位姿估计，在本实施例中，自移动机器人至少包括两种里程传感器，使得自移动机器人可获取自移动机器人至少两种里程传感器当前时刻的传感器数据，得到至少两种不同类型的里程传感器的传感器数据，其中，至少两种里程传感器中包括轮式里程传感器（Odometry，简称ODO）。另外，里程传感器还可以包括惯性里程传感器（Inertial Measurement Unit，简称IMU）和/或视觉里程传感器（Visual Odometry，简称VO）等，可以根据自移动机器人的具体情况进行设置，本申请对此不做限制。
例如轮式里程传感器的传感器数据可以是通过电机的编码器记录一定时间内轮子的转过的弧度数，惯性里程传感器包括加速度计和角速度计，可由三个轴的加速度传感器以及三个轴的陀螺仪组成，惯性里程传感器的传感器数据可以是利用加速度传感器和陀螺仪检测得到的加速度和角速度，视觉里程传感器可以为相机等，视觉里程传感器的传感器数据可以是在不同时刻获取自移动机器人的环境的图像。
S120：将至少两种传感器数据进行融合计算，得到自移动机器人当前时刻的状态数据。
获取自移动机器人中轮式里程传感器当前时刻的传感器数据后，可计算轮式里程传感器当前时刻的状态数据，其状态数据是基于预先建立的轮式里程传感器的运动里程计模型得到，轮式里程传感器的里程运动模型中包含检测系数。具体的，轮式里程传感器是通过电机的编码器记录一定时间内轮子的转过的弧度数据，也即是传感器数据，根据转过的弧度数算出每个轮子的前进速度，根据左右轮的在给定时间内的弧度差计算得到转向速度，而位姿可通过上述前进速度和转向速度计算出。
其中，轮式里程传感器的里程运动模型为：
Figure SMS_1
（1）
请参阅图2，图2是本申请提供的自移动机器人第一实施例的截面示意图，结合图2对上述模型进行说明，自移动机器人10向当前的前进方向13移动，r表示自移动机器人10的轮子的半径R，d表示自移动机器人10的轮子的轴间距D，
Figure SMS_3
表示在
Figure SMS_5
时间内自移动机器人10的右轮12的转动角速度变化量，
Figure SMS_7
表示
Figure SMS_8
时间内自移动机器人10的左轮11的转动角速度变化量；检测系数包括右轮检测系数和左轮检测系数，
Figure SMS_9
表示右轮12的检测系数，
Figure SMS_10
表示左轮11的检测系数，
Figure SMS_11
，
Figure SMS_2
，
Figure SMS_4
表示在
Figure SMS_6
时间内自移动机器人10的轮式里程传感器的状态数据的变化量。
在上述轮式里程传感器的里程运动模型中，
Figure SMS_12
、
Figure SMS_13
为可以检测自移动机器人的轮子是否出现打滑的系数，检测系数定义为轮式里程传感器所检测轮子的转动角度变化的调整量，在一些实施例中，转动角度变化调整量包括转动角度变化的权重系数。
轮式里程传感器的状态数据可以包括：检测系数、位姿数据等。轮式里程传感器当前时刻k的传感器数据可用矩阵
Figure SMS_14
表示，其中，p包括自移动机器人在X轴和Y轴坐标系的位置，
Figure SMS_15
表示自移动机器人的航向角，
Figure SMS_16
表示右轮的检测系数，
Figure SMS_17
表示左轮的检测系数。
利用上述里程运动模型的公式（1）计算得到从k-1至k时间内自移动机器人的传感器数据的变化量，其变化量可用矩阵
Figure SMS_18
表示，其中，
Figure SMS_19
包括
Figure SMS_20
和
Figure SMS_21
，分别为自移动机器人在
Figure SMS_22
时间内在X轴和Y轴坐标系的位置变化量，
Figure SMS_23
表示自移动机器人的航向角的变化量。
因轮式里程传感器检测时会存在噪声，噪声会影响检测的传感器数据，可输入或加入噪声项，噪声项可用矩阵
Figure SMS_24
表示，其中，
Figure SMS_25
、
Figure SMS_26
、
Figure SMS_27
、
Figure SMS_28
分别表示自移动机器人轮式里程计传感的位置变化量、航向角变化量、左轮及右轮的噪声项。其噪声项可为高斯噪声，服从均值为零的高斯分布。
基于上述的变化量
Figure SMS_29
，噪声项
Figure SMS_30
，轮式里程传感器当前时刻的状态数据
Figure SMS_31
，可由以下公式计算得到：
Figure SMS_32
（2）
其中，pk表示轮式里程传感器检测得到自移动机器人在k时刻的位置，包括X轴坐标和Y轴坐标的位置数据，pk-1表示轮式里程传感器检测得到自移动机器人在k-1时刻的位置，
Figure SMS_33
表示从轮式里程传感器的传感器坐标系转换为世界坐标系的变换矩阵。
惯性里程传感器包括加速度计和角速度计，可由三个轴的加速度传感器以及三个轴的陀螺仪组成，利用加速度传感器和陀螺仪可检测的传感器数据可以得到自移动机器人的状态数据。
获取自移动机器人中惯性里程传感器当前时刻的传感器数据，以得到惯性里程传感器的状态数据，其状态数据可包括：位姿数据、速度、角速度偏差、加速度偏差等。惯性里程传感器的状态数据可用矩阵
Figure SMS_34
表示，惯性里程传感器输入或检测的传感器数据用矩阵
Figure SMS_35
表示，因惯性里程传感器检测时会存在噪声，噪声会影响检测的传感器数据，可输入或加入噪声项，噪声项可用矩阵
Figure SMS_36
表示，其中，其噪声项可为高斯噪声，服从均值为零的高斯分布。基于上述矩阵
Figure SMS_37
，噪声项矩阵
Figure SMS_38
，由以下公式计算得到惯性里程传感器当前时刻的状态数据：
Figure SMS_39
（3）
其中，pk表示惯性里程传感器检测得到自移动机器人在k时刻的位置，包括X轴坐标和Y轴坐标的位置数据，pk-1表示惯性里程传感器检测得到自移动机器人在k-1时刻的位置，qk、qk-1分别表示惯性里程传感器检测得到自移动机器人在k时刻和k-1时刻的姿态角，其姿态角与上述描述的航向角为同一描述量，
Figure SMS_41
表示从惯性里程传感器的传感器坐标系转换为世界坐标系的变换矩阵，vk、vk-1分别表示惯性里程传感器检测得到自移动机器人在k时刻和k-1时刻的速度，
Figure SMS_43
、
Figure SMS_44
分别表示惯性里程传感器输入或检测的角速度和角速度，
Figure SMS_45
、
Figure SMS_46
分别表示角速度偏差和角速度偏差，g为陀螺仪检测的加速度，具有正负方向性，若为正方向，则上述公式为加上g，若为负方向，上述公式为减去g。
Figure SMS_47
、
Figure SMS_48
、
Figure SMS_40
及
Figure SMS_42
分别表示自移动机器人惯性里程传感器的速度、姿态角、加速度及角速度的噪声项。
视觉传感器是通过在不同时刻获取自移动机器人的环境的图像，根据相邻前后两帧图像具有的重叠区域，相对旋转和平移运动可被估算出来，将每两个相邻时刻之间的运动串联起来，可以得到累计的视觉传感器相对于参考坐标系的旋转和平移，以检测得到自移动机器人的状态数据。
与上述轮式里程传感器的计算过程类似，视觉传感器检测的状态数据可包括自移动机器人的位置和姿态角，状态数据可用
Figure SMS_49
表示，视觉传感器检测输入或检测的传感器数据在
Figure SMS_50
时间的变化量可用矩阵
Figure SMS_51
表示，输入或加入噪声项可用矩阵
Figure SMS_52
表示，其中，其噪声项可为高斯噪声，服从均值为零的高斯分布。可基于上述矩阵
Figure SMS_53
，噪声项矩阵
Figure SMS_54
，视觉传感器当前时刻的状态数据可由以下公式计算得到：
Figure SMS_55
（4）
其中，pk、pk-1分别表示视觉传感器检测得到自移动机器人在k时刻、k-1时刻的位置，包括X轴坐标和Y轴坐标的位置数据，q表示视觉传感器检测的姿态角，qk、qk-1分别表示自移动机器人在k时刻和k-1时刻的姿态角，
Figure SMS_56
表示从视觉传感器的传感器坐标系转换为世界坐标系的变换矩阵，
Figure SMS_57
、
Figure SMS_58
分别表示视觉传感器检测的位置、姿态角的噪声项。
上式中，
Figure SMS_59
，其中，
Figure SMS_60
可表示相邻前后两帧图像的信息，例如对相邻前后两帧图像对特征点进行提取和匹配，根据匹配特征点构建重投影误差函数，并将其最小化计算得到相邻两帧的相对位姿。此外，也可以是假设相邻两帧图像中的匹配像素的灰度值不变，构建光度误差函数，将其最小化求解得到相邻两帧间的相对位姿。另外，还可以通过利用前后相邻两帧图像的几何属性计算前后两帧的相对位姿，本申请的视觉里程传感器可以相机等，其相机可以是单目，也可以是双目或RGBD等，当相机为双目摄像机时，重构出当前时刻摄像机视野中通过极线约束匹配到的特征点的三维坐标，与前一时刻所重构出的特征点进行匹配，剔除误匹配点，使用绝对定向算法估计出相对位姿。本申请对于视觉里程传感器计算位姿的方式在此不做限制。
获得至少两种里程传感器检测的传感器数据后，将传感器数据进行融合计算，以状态数据误差最小化的得到自移动机器人的当前时刻的状态数据，其中，状态数据中包括检测系数，检测系数定义轮式里程传感器所检测轮子的转动角度变化的调整量。
本申请的融合方式可以是滑窗形式、批量形式或滤波形式等，其滑窗形式为通过当前时刻的前n个状态数据估计当前时刻自移动机器人的状态数据，前n个可以是前10个，前20个等，本申请对此不做限制。批量形式为通过当前时刻的所有历史状态数据估计当前时刻自移动机器人的状态数据。滤波形式为通过当前时刻的上一时刻的状态数据估计当前时刻自移动机器人的状态数据，可以根据具体的需求选择不同的融合方式，本申请以滑窗形式进行说明，本申请不限于此。
在一些实施例中，基于自移动机器人的状态数据误差最小化的数据融合目标函数进行最优化计算，得到自移动机器人的当前时刻的状态数据，其中，本申请的目标自移动机器人的状态数据误差最小化的数据融合目标函数可以写为：
Figure SMS_61
（5）
其中，
Figure SMS_62
表示滑窗的边缘化的先验信息；
Figure SMS_64
表示轮式里程传感器在k时刻的状态数据的偏差，
Figure SMS_65
表示轮式里程传感器在k时刻的状态数据；
Figure SMS_66
表示自移动机器人在k时刻的状态数据；m表示除轮式里程传感器外的m种里程传感器，j表示m种里程传感器中第j种里程传感器，
Figure SMS_67
表示第j种里程传感器在k时刻的状态数据的偏差，
Figure SMS_68
表示第j种里程传感器在k时刻的状态数据。
通过上述数据融合目标函数得到最优的自移动机器人当前时刻的状态数据，状态数据包括姿态角、角速度偏差和角速度偏差、检测系数。其检测系数包括左轮检测系数和右轮检测系数。其状态数据可用
Figure SMS_69
表示，其中，p表示自移动机器人在k时刻的位置，包括X轴坐标和Y轴坐标的位置数据，q表示自移动机器人在k时刻的姿态角，
Figure SMS_70
、
Figure SMS_71
分别表示自移动机器人在k时刻的角速度偏差和角速度偏差，
Figure SMS_72
、
Figure SMS_73
分别表示自移动机器人在k时刻右轮和左轮的检测系数，在计算出第k时刻自移动机器人的状态数据时，其检测系数
Figure SMS_74
、
Figure SMS_75
也是最优的。
上式中，
Figure SMS_76
表示m种里程传感器中第j种里程传感器在k时刻的残差，该残差服从高斯分布，根据m种里程传感器在k时刻的协方差矩阵和均值，可以得到自移动机器人在k时刻的状态数据。
可以获取多种里程传感器的状态数据进行融合计算，可以获取轮式里程传感器及惯性里程传感器的状态数据进行融合，也可以获取轮式里程传感器及视觉里程传感器的状态数据进行融合，当然，里程传感器的种类及融合数量不做限制。
例如当获取轮式里程传感器、惯性里程传感器及视觉里程传感器的传感器数据进行融合时，此时自移动机器人的状态数据误差最小化的数据融合目标函数可以为：
Figure SMS_77
（6）
其中，
Figure SMS_79
表示滑窗的边缘化的先验信息；
Figure SMS_81
、
Figure SMS_83
和
Figure SMS_85
分别表示惯性里程传感器、轮式里程传感器和视觉里程传感器在k时刻的状态数据的偏差，
Figure SMS_86
、
Figure SMS_88
和
Figure SMS_89
分别表示惯性里程传感器、轮式里程传感器和视觉里程传感器在k时刻的状态数据；
Figure SMS_78
表示自移动机器人在k时刻的状态数据。上式中，
Figure SMS_80
、
Figure SMS_82
和
Figure SMS_84
可由上述公式（1）至公式（4）计算得到，可将上述公式（1）至公式（4）代入上述数据融合目标函数进行计算，以得到自移动机器人在k时刻的状态数据。其中，
Figure SMS_87
还可以表示其他的先验信息，本申请不限于滑窗形式的边缘化的先验信息。
其中，上述数据融合目标函数可以包括四个残差项，分别为滑窗的边缘化的先验信息、惯性里程传感器的残差项、IMU测量残差项、视觉重投影误差项。对于上述目标函数，
Figure SMS_90
表示在k时刻的滑窗的边缘化的先验信息，
Figure SMS_91
表示惯性里程传感器在k时刻的残差项，
Figure SMS_92
表示轮式里程传感器在k时刻的残差项，
Figure SMS_93
表示视觉里程传感器在k时刻的残差项，残差项可以服从高斯分布，在k时刻的协方差矩阵和均值，可以得到自移动机器人在k时刻的状态数据。
上式中，在k-1时刻，例如自移动机器人的滑窗中可以包括4个时刻的数据X，例如4个时刻可以是k-4至k-1时刻的数据x1、x2、x3、x4，其中每一个数据都可以包括自移动机器人的所有的状态数据，其中可以包括所有里程传感器的状态数据，也即是包括上述4个时刻中每个时刻每个状态的数据，不限于上述里程传感器和自移动机器人的状态数据。可以将数据x2、x3、x4称作为X的先验。在估计k时刻的状态数据时，自移动机器人的滑窗中可以包括4个时刻的数据x2、x3、x4、x5，新增了一个数据x5，可以将数据x2、x3、x4称作为X的估计值，在优化状态时或者是进行自移动机器人的状态数据的估计时，因x2、x3、x4表示同一时刻的状态数据，估计值与先验值不能偏离太大，如果偏差大时，会做一个惩罚，使得估计值不能偏离太大。该过程可以表示上述窗的边缘化的先验信息的一个举例，先验信息可以根据具体情况进行设置，本申请对此不做限制。
在一些实施例中，若自移动机器人出现打滑，在对传感器数据进行融合计算时，可以计算出最优的检测系数
Figure SMS_94
、
Figure SMS_95
对打滑导致的误差进行调整，使得计算出的自移动机器人的状态数据的误差小于未引入检测系数
Figure SMS_96
、
Figure SMS_97
的情况下计算得到出的状态数据，即使出现自移动机器人出现打滑，也不会改变本申请上述数据融合目标函数及运动模型，使得减少现有技术中因打滑而对模型进行的调整。
例如，请参阅图3，图3是本申请提供的位置分量X进行融合计算的融合示意图，以状态变量中位姿的位置分量X为例对上述融合计算来进行说明。自移动机器人在k-1时刻的位置31开始检测，获取在k时刻轮式里程传感器检测的位置分量23、惯性里程传感器检测的位置分量21和视觉里程传感器检测的位置分量22，若自移动机器人未出现打滑，则轮式里程传感器检测的位置分量为23b。根据三种里程传感器的协方差矩阵和均值，融合计算得到自移动机器人在k时刻的位置分量32，此时计算出的检测系数接近于1。
若自移动机器人的轮子发生打滑，轮式里程传感器检测的位置分量23a会比自移动机器人会大于轮子不发生打滑时轮式里程传感器检测的位置分量23b。进行传感器数据的融合计算时，轮式里程传感器结合其他传感器融合得到自移动机器人的位置分量32，其中，相当于计算出一个最优的检测系数
Figure SMS_98
、
Figure SMS_99
对打滑的距离L进行调整，此时计算出的检测系数
Figure SMS_100
和/或
Figure SMS_101
小于1，以判断出自移动机器人发生打滑。
在一些实施例中，若计算出的检测系数
Figure SMS_102
和/或
Figure SMS_103
大于1，按理论说，此时轮式里程传感器检测的位置分量会小于自移动机器人实际的位置分量23，也即是轮式里程传感器通过电机的编码器记录的轮子的转速小于实际的转速，例如人为的推动自移动机器人移动，记录少转了一圈，导致轮式里程传感器检测的位置分量23会小于自移动机器人实际的位置分量。在自移动机器人的自主控制状态下，几乎不会存在此情况，如果计算出
Figure SMS_104
或
Figure SMS_105
的值大于1，则可以确定除轮式里程传感器之外的其他传感器中出现异常。
本申请能够对自移动机器人出现打滑进行调整，即使自移动机器人出现打滑，不需要改变上述里程计算的数学模型就可以得到相对较准确的位姿，相比现有技术中一段时间检测出打滑后再进行调整，避免因打滑引起的滞后性问题，减小因打滑引起的自移动机器人位姿估计出现的偏差，在快速检测里程传感器异常的情况下，还不影响自移动机器人定位的精度。
S130：将检测系数与基准阈值进行比较，以判断至少两种里程传感器是否出现异常。
通过上述步骤S120中获取的状态数据中的检测系数的大小可以判断里程传感器是否出现异常，具体的，基准阈值是里程传感器在正常状态下其检测系数的值，将当前时刻计算出的检测系数与基准阈值进行比较，则可以判断出至少两种里程传感器是否出现异常，可以及时的判断出异常的传感器，以对异常的状况进行处理，使得减小自移动机器人的异常检测存在的滞后性问题，避免因里程传感器异常引起的自移动机器人定位精度不准确，从而减小机器人移动轨迹以及定位发生的偏差。
请参阅图4，图4是本申请提供的图1中步骤S130第一实施例的流程示意图，上述步骤S130可以包括以下步骤：
S1311：将自移动机器人的状态数据中的检测系数与第一基准阈值进行比较，判断检测系数是否小于第一基准阈值。
当检测系数为第一基准阈值的情况下，轮式里程传感器检测的位姿与自移动机器人的实际位姿相对来说是接近的。如果自移动机器人的轮子和地面之间存在滑动出现打滑，则计算出来的位姿必然大于实际位姿，轮子的转动角速度会也会大于正常情况下的转动角速度，轮式里程传感器检测的传感器数据输入上述步骤S120中的数据融合目标函数后，基于自移动机器人的状态数据的误差最小化，此时计算出的检测系数
Figure SMS_106
或
Figure SMS_107
的值会小于第一基准阈值。若计算出的检测系数小于第一基准阈值，则可以判断自移动机器人的轮子出现打滑。
其中，第一基准阈值小于或等于1，若第一基准阈值小于1时，例如第一基准阈值可以为0.8、0.9等，本申请对此不做限制。
若步骤S1311判断为检测系数小于第一基准阈值，则执行步骤S1312。
S1312：判断为自移动机器人出现打滑。
若右轮检测系数
Figure SMS_108
小于第一基准阈值，则判断自移动机器人的右轮出现打滑。若左轮检测系数
Figure SMS_109
小于第一基准阈值，则判断自移动机器人的左轮出现打滑。若右轮检测系数
Figure SMS_110
和左轮检测系数
Figure SMS_111
都小于第一基准阈值，则判断自移动机器人的右轮和左轮都出现打滑。
请参阅图5，图5是本申请提供的图1中步骤S130第二实施例的流程示意图，上述步骤S130可以包括以下步骤：
S1321：将自移动机器人的状态数据中的检测系数与第二基准阈值进行比较，判断检测系数是否大于第二基准阈值。
其中，第一基准阈值与第二基准阈值相同，第一基准阈值也可以小于第二基准阈值。在一些实施例中，第一基准阈值小于或等于1，第二基准阈值大于或等于1。若第二基准阈值大于1，例如第二基准阈值可以为1.1、1.2等，本申请对此不做限制。
当检测系数为第二基准阈值的情况下，轮式里程传感器检测的位姿与自移动机器人的实际位姿相对来说是接近的。若轮式里程传感器检测的自移动机器人的位姿小于自移动机器人的时间位姿，轮子的转动角速度会小于正常情况下的转动角速度，此时计算出的
Figure SMS_112
或
Figure SMS_113
的值大于1。在自移动机器人的自主控制状态下，几乎不会存在此情况，如果计算出
Figure SMS_114
或
Figure SMS_115
的值大于1，则可以除轮式里程传感器之外的其他传感器出现异常。
若步骤S1321判断为检测系数大于第二基准阈值，则执行步骤S1322。
S1322：判断为至少两种里程传感器中，除轮式里程传感器之外，剩余的里程传感器出现异常。
若至少两种里程传感器包括轮式里程传感器和惯性里程传感器，则可以判断为惯性里程传感器出现异常，其异常可以是失效或出现其他问题。
若至少两种里程传感器包括轮式里程传感器和视觉里程传感器，则可以判断为视觉里程传感器出现异常。
若至少两种里程传感器包括轮式里程传感器和其他多种里程传感器，则可以判断为除轮式里程传感器之外，剩余的里程传感器中有里程传感器出现异常，还可以结合其他多种里程传感器的异常检测方法进行检测具体的异常里程传感器。
例如里程传感器包括轮式里程传感器、惯性里程传感器和视觉里程传感器时，惯性里程传感器和视觉里程传感器中有传感器出现异常。可根据视觉里程传感器获取的传感器数据得到的重投影误差大小或图像梯度变化，判断视觉里程传感器是否出现异常，若判断为视觉里程传感器未出现异常，则可判断为惯性里程传感器出现异常。例如将视觉里程传感器得到的重投影误差大小与预设阈值比较，判断重投影误差是否大于预设阈值，若大于预设阈值，则可判断为视觉里程传感器出现异常，若重投影误差不大于预设阈值，则可判断为视觉里程传感器未出现异常，判断为惯性里程传感器出现异常。在一些实施例中，可将轮式里程传感器的状态数据在一段时间内与其他里程传感器的数据进行比对，若不一致，则认为将轮式里程传感器出现异常。另外，还可以通过其他方式判断轮式里程传感器是否出现异常，本申请对此不做限制。
请参阅图6，图6是本申请提供的图1中步骤S130第三实施例的流程示意图，对于上述实施例中，若第一基准阈值与第二基准阈值相同，上述步骤S130可以包括以下步骤：
S1331：将自移动机器人的状态数据中的检测系数与第三基准阈值进行比较，判断检测系数是否小于第三基准阈值。
其中，第三基准阈值可以为1，
Figure SMS_116
、
Figure SMS_117
的初始值为1，在初始为1的情况下，轮式里程传感器检测的位姿与自移动机器人的实际位姿是几乎相同的。通过将轮式里程传感器检测的传感器数据以及其他里程传感器的传感器数据输入上述步骤S120中的数据融合目标函数后，计算得到左右轮的检测系数，通过将得到的状态数据中检测系数与第三基准阈值比较，可判断里程传感器是否出现异常。
若步骤S1331判断为检测系数小于第三基准阈值，则执行步骤S1332，若检测系数不小于第三基准阈值，则执行步骤S1333。
S1332：判断为自移动机器人出现打滑。
该步骤的具体实施方式可参考上述实施例中步骤S1312的实施过程，在此不再赘述。
S1333：判断为至少两种里程传感器中，除轮式里程传感器之外，剩余的里程传感器出现异常。
该步骤的具体实施方式可参考上述实施例中步骤S1322的实施过程，在此不再赘述。
本申请通过在轮式里程传感器的里程运动模型中加入检测系数，使得可在融合计算后通过状态数据中的检测系数判断自移动机器人的轮子是否出现打滑，以及判断自移动机器人的里程传感器是否出现异常，可以及时的检查出打滑及检测出异常的传感器，避免因异常检测滞后的问题，也可避免因里程传感器异常引起的估计的自移动机器人的位姿不准确，减小自移动机器人移动轨迹以及定位发生的偏差。
请参阅图7，图7是本申请提供的里程传感器的异常检测方法第二实施例的流程示意图，该方法包括以下步骤：
S210：获取自移动机器人轮式里程传感器、惯性里程传感器和视觉里程传感器当前时刻的传感器数据。
S220：将轮式里程传感器、惯性里程传感器和视觉里程传感器当前时刻的传感器数据进行融合计算，得到自移动机器人的当前时刻的状态数据。
基于自移动机器人的状态数据误差最小化的数据融合目标函数进行最优化计算，得到自移动机器人当前时刻的状态数据，其中，状态数据中包括初始的检测系数，检测系数定义轮式里程传感器所检测轮子的转动角度变化的调整量。
S230：将检测系数与基准阈值进行比较，以判断轮式里程传感器、惯性里程传感器和视觉里程传感器是否出现异常。
该实施例中步骤S210-S230的具体实施方式可参考上述实施例中步骤S110-S130的实施过程，在此不再赘述。
若自移动机器人的里程传感器出现异常，则执行步骤S240。
S240：后续则不使用异常里程传感器的传感器数据进行融合计算，将至少两种里程传感器中剩余里程传感器的传感器数据进行融合计算，得到自移动机器人的当前时刻的状态数据。
若惯性里程传感器出现异常，后续则不使用惯性里程传感器的传感器数据，将轮式里程传感器和视觉里程传感器的传感器数据进行融合计算，以得到自移动机器人当前时刻的状态数据。若视觉里程传感器出现异常，则后续则不使用视觉里程传感器的传感器数据，将轮式里程传感器和惯性里程传感器的传感器数据进行融合计算，以得到自移动机器人当前时刻的状态数据。若轮式里程传感器出现异常，则后续则不使用轮式里程传感器的传感器数据，将视觉里程传感器和惯性里程传感器的传感器数据进行融合计算，以得到自移动机器人当前时刻的状态数据。
本申请能够及时的判断出异常的里程传感器，并且可在当前时刻的下一时刻就剔除掉异常的里程传感器，使得避免因自移动机器人的里程传感器异常检测存在滞后性，进而减小里程传感器失效恢复或重利用存在滞后性问题，从而减小自移动机器人定位出现的偏差。
该实施例的具体实施方式可参考上述实施例的实施过程，在此不再赘述。
对于上述实施例，本申请提供一种自移动机器人，请参阅图8，该自移动机器人800包括：包括处理器810和存储器820，其中，处理器810与存储器820连接，存储器820用于存储计算机程序，计算机程序被处理器810执行以实现上述里程传感器的异常检测方法。
在本实施例中，处理器810还可以称为CPU（Central Processing Unit，中央处理单元）。处理器810可能是一种集成电路芯片，具有信号的处理能力。处理器810还可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器810也可以是任何常规的处理器等。
该实施例的具体实施方式可参考上述实施例的实施过程，在此不再赘述。
在一些实施例中，该自移动机器人800还包括设有至少两种里程传感器（未示出），自移动机器人至少包括两种里程传感器，例如至少两种里程传感器包括轮式里程传感器、惯性里程传感器、视觉里程传感器，其至少两种里程传感器与处理器810和存储器820连接，存储器820可存储至少两种里程传感器的传感器数据，得到至少两种不同类型的里程传感器的传感器数据，以使得处理器810可获取至少两种里程传感器的传感器数据进行融合计算得到自移动机器人800当前时刻的状态数据，状态数据中包括检测系数，检测系数定义为轮式里程传感器所检测轮子的转动角度变化的调整量，通过将状态数据中的包括的检测系数与基准阈值进行比较，以判断出至少两种里程传感器是否出现异常。该实施例的具体实施方式可参考上述实施例的实施过程，在此不再赘述。
对于上述实施例的方法，其可以采用计算机程序实现，因而本申请提出一种计算机可读存储介质，请参阅图9，图9是本申请提供的计算机可读存储介质的结构示意图。本实施例计算机可读存储介质900中存储有计算机程序910，其可被处理器执行以实现上述实施例中的方法。
本实施例计算机可读存储介质900可以是U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等可以存储程序指令的介质，或者也可以为存储有该程序指令的服务器，该服务器可将存储的程序指令发送给其他设备运行，或者也可以自运行该存储的程序指令。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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，本申请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）或处理器（processor）执行本申请各个实施方式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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (12)

1.一种自移动机器人里程传感器的异常检测方法，其特征在于，所述方法包括：
获取自移动机器人至少两种里程传感器当前时刻的传感器数据，其中，所述至少两种里程传感器包括轮式里程传感器、惯性里程传感器和视觉里程传感器；
将所述至少两种里程传感器当前时刻的传感器数据进行融合计算，得到所述自移动机器人当前时刻的状态数据；其中，所述状态数据包括检测系数，所述检测系数定义为所述轮式里程传感器所检测轮子的转动角度变化的调整量；
将所述检测系数与基准阈值进行比较，以判断所述至少两种里程传感器是否出现异常；
其中，所述将所述至少两种里程传感器当前时刻的传感器数据进行融合计算，得到所述自移动机器人当前时刻的状态数据，包括：基于所述自移动机器人的状态数据误差最小化的数据融合目标函数进行最优化计算，得到所述自移动机器人当前时刻的状态数据；所述误差最小化的数据融合目标函数用于对滑窗的边缘化的先验信息、所述轮式里程传感器的状态数据的残差项、所述惯性里程传感器的状态数据的残差项和所述视觉里程传感器的状态数据的残差项进行最小化处理；
其中，获取所述自移动机器人中所述轮式里程传感器当前时刻的传感器数据后，计算所述轮式里程传感器当前时刻的状态数据，并将所述轮式里程传感器当前时刻的状态数据代入所述误差最小化的数据融合目标函数，所述轮式里程传感器在当前时刻的状态数据是基于预先建立的所述轮式里程传感器的里程运动模型得到的，所述轮式里程传感器的里程运动模型中包含所述检测系数。
2.根据权利要求1所述的方法，其特征在于，
所述自移动机器人的状态数据误差最小化的数据融合目标函数为：
Figure QLYQS_1
其中，
Figure QLYQS_3
表示所述滑窗的边缘化的先验信息，
Figure QLYQS_9
表示所述自移动机器人在k时刻的先验值，
Figure QLYQS_10
表示所述自移动机器人在k时刻的估计值；
Figure QLYQS_11
表示所述轮式里程传感器在k时刻的状态数据的偏差，
Figure QLYQS_12
表示所述轮式里程传感器在k时刻的状态数据；
Figure QLYQS_13
表示所述自移动机器人在k时刻的状态数据；
Figure QLYQS_14
表示所述惯性里程传感器在k时刻的状态数据的偏差，
Figure QLYQS_2
表示所述视觉里程传感器在k时刻的状态数据的偏差，
Figure QLYQS_4
表示所述惯性里程传感器在k时刻的状态数据，
Figure QLYQS_5
表示所述视觉里程传感器在k时刻的状态数据；
Figure QLYQS_6
表示在k时刻所述轮式里程传感器的状态数据的残差项，
Figure QLYQS_7
表示在k时刻所述惯性里程传感器的状态数据的残差项，
Figure QLYQS_8
表示在k时刻所述视觉里程传感器的状态数据的残差项；n为正整数。
3.根据权利要求1所述的方法，其特征在于，
所述轮式里程传感器的里程运动模型为：
Figure QLYQS_15
其中，r表示所述自移动机器人的轮子的半径，d表示所述自移动机器人的轮子的轴间距，
Figure QLYQS_17
表示在
Figure QLYQS_20
时间内所述自移动机器人的右轮的转动角速度变化量，
Figure QLYQS_21
表示
Figure QLYQS_22
时间内所述自移动机器人的左轮的转动角速度变化量，所述检测系数包括右轮检测系数和左轮检测系数，
Figure QLYQS_23
表示所述右轮检测系数，
Figure QLYQS_24
表示所述左轮检测系数，
Figure QLYQS_25
，
Figure QLYQS_16
，
Figure QLYQS_18
表示在
Figure QLYQS_19
时间内所述轮式里程传感器的状态数据的变化量。
4.根据权利要求1所述的方法，其特征在于，
所述将所述检测系数与基准阈值进行比较，以判断所述至少两种里程传感器是否出现异常，还包括：
将所述自移动机器人的所述状态数据中的检测系数与第一基准阈值进行比较，判断所述检测系数是否小于所述第一基准阈值；
若小于所述第一基准阈值，则判断为所述自移动机器人出现打滑。
5.根据权利要求4所述的方法，其特征在于，
所述若小于所述第一基准阈值，则判断为所述自移动机器人出现打滑，包括：
若右轮检测系数小于所述第一基准阈值，则判断所述自移动机器人的右轮出现打滑；
若左轮检测系数小于所述第一基准阈值，则判断所述自移动机器人的左轮出现打滑；
若所述右轮检测系数和所述左轮检测系数均小于所述第一基准阈值，则判断所述自移动机器人的右轮和左轮都出现打滑。
6.根据权利要求4所述的方法，其特征在于，
所述将所述检测系数与基准阈值进行比较，以判断所述至少两种里程传感器是否出现异常，还包括：
将所述自移动机器人的所述状态数据中的检测系数与第二基准阈值进行比较，判断所述检测系数是否大于所述第二基准阈值；
若大于所述第二基准阈值，则判断为所述至少两种里程传感器中，除所述轮式里程传感器之外，剩余的所述里程传感器出现异常。
7.根据权利要求6所述的方法，其特征在于，
所述第一基准阈值与所述第二基准阈值相同；或
所述第一基准阈值小于所述第二基准阈值。
8.根据权利要求7所述的方法，其特征在于，
所述第一基准阈值小于或等于1，所述第二基准阈值大于或等于1。
9.根据权利要求1所述的方法，其特征在于，
判断所述至少两种里程传感器是否出现异常，还包括：
根据所述视觉里程传感器获取的传感器数据得到的重投影误差大小，判断所述视觉里程传感器或所述惯性里程传感器是否出现异常。
10.根据权利要求1所述的方法，其特征在于，
若所述自移动机器人的里程传感器出现异常，后续则不使用异常所述里程传感器的传感器数据进行融合计算，将所述至少两种里程传感器中剩余里程传感器的传感器数据进行融合计算，得到所述自移动机器人当前时刻的状态数据。
11.一种自移动机器人，其特征在于，所述自移动机器人包括：处理器和存储器，所述存储器和所述处理器连接，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行以实现如权利要求1至10中任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至10中任一项所述的方法。
CN202010942717.3A 2020-09-09 2020-09-09 里程传感器的异常检测方法、自移动机器人及存储介质 Active CN112254741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010942717.3A CN112254741B (zh) 2020-09-09 2020-09-09 里程传感器的异常检测方法、自移动机器人及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010942717.3A CN112254741B (zh) 2020-09-09 2020-09-09 里程传感器的异常检测方法、自移动机器人及存储介质

Publications (2)

Publication Number Publication Date
CN112254741A CN112254741A (zh) 2021-01-22
CN112254741B true CN112254741B (zh) 2023-06-23

Family

ID=74231520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010942717.3A Active CN112254741B (zh) 2020-09-09 2020-09-09 里程传感器的异常检测方法、自移动机器人及存储介质

Country Status (1)

Country Link
CN (1) CN112254741B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022193677A1 (zh) * 2021-03-15 2022-09-22 深圳市杉川机器人有限公司 自移动装置
CN113198765B (zh) * 2021-05-03 2024-06-07 深圳怪虫机器人有限公司 一种可自动返航以及续航的光伏清洁机器人
CN113427485B (zh) * 2021-06-04 2022-08-12 北京旷视科技有限公司 移动机器人的打滑监控方法、装置及移动机器人
CN113254434B (zh) 2021-06-18 2021-10-15 智己汽车科技有限公司 用于清理车辆行驶数据的方法、装置、设备及存储介质
CN113532499B (zh) * 2021-07-15 2022-08-30 中国科学院深圳先进技术研究院 无人系统的传感器安全性检测方法、设备及存储介质
CN114088085B (zh) * 2021-11-19 2023-06-23 安克创新科技股份有限公司 机器人的位置确定方法、装置、电子设备和存储介质
CN114415671B (zh) * 2021-12-28 2024-08-09 上海擎朗智能科技有限公司 检测机器人的传感器是否失效的方法及机器人
CN114935347B (zh) * 2022-07-25 2022-11-08 季华实验室 一种轮式机器人的里程计校正方法、电子设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102519481B (zh) * 2011-12-29 2013-09-04 中国科学院自动化研究所 一种双目视觉里程计实现方法
KR20140052430A (ko) * 2012-10-24 2014-05-07 현대모비스 주식회사 차량용 거리적산계의 이동 거리 측정 정확도 향상 방법 및 그 장치
US10571925B1 (en) * 2016-08-29 2020-02-25 Trifo, Inc. Autonomous platform guidance systems with auxiliary sensors and task planning
CN110366381A (zh) * 2017-03-15 2019-10-22 伊莱克斯公司 机器人清洁设备的车轮滑移判断
CN108375380A (zh) * 2018-01-18 2018-08-07 上海思岚科技有限公司 一种运动状态检测方法及设备
CN108638053B (zh) * 2018-04-03 2020-11-17 珠海市一微半导体有限公司 一种机器人打滑的检测方法及其矫正方法
CN109282832B (zh) * 2018-09-30 2020-10-02 重庆自行者科技有限公司 适用于特殊路面的惯性辅助里程计自适应标定方法及系统
CN111103877A (zh) * 2019-12-05 2020-05-05 小狗电器互联网科技（北京）股份有限公司 移动机器人打滑预警方法、存储介质以及移动机器人

Also Published As

Publication number Publication date
CN112254741A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN112254741B (zh) 里程传感器的异常检测方法、自移动机器人及存储介质
JP4170284B2 (ja) 移動物体の進行方向の推定方法およびシステム
CN109394095B (zh) 一种机器人运动地毯偏移的控制方法、芯片及清洁机器人
KR102508843B1 (ko) 서라운드 뷰 영상에서 차량의 자차 동작을 산정하는 방법 및 장치
EP2858794B2 (en) Carpet drift estimation and compensation using two sets of sensors
CN108638053A (zh) 一种机器人打滑的检测方法及其矫正方法
EP1868056B1 (en) Moving apparatus, method, and medium for compensating position of the moving apparatus
CN111024066A (zh) 一种无人机视觉-惯性融合室内定位方法
Zhang et al. Vision-aided localization for ground robots
CN107063305B (zh) 用惯导、压力传感器修正下坡悬空后轮里程计误差的方法
CN113052855B (zh) 一种基于视觉-imu-轮速计融合的语义slam方法
CN113503873B (zh) 一种多传感器融合的视觉定位方法
CN112697153B (zh) 自主移动设备的定位方法、电子设备及存储介质
CN108827287B (zh) 一种复杂环境下的鲁棒视觉slam系统
Su et al. GR-SLAM: Vision-based sensor fusion SLAM for ground robots on complex terrain
Eising et al. 2.5 D vehicle odometry estimation
CN108955720B (zh) 一种基于四轮独立驱动和转向的里程推算方法及装置
CN112945266A (zh) 激光导航机器人及其机器人的里程计校准方法
WO2022161271A1 (zh) 斜坡定位校正方法、装置、机器人及可读存储介质
CN115993132A (zh) 视觉惯性里程计初始化方法、装置及飞行汽车
Ye et al. Robust and efficient vehicles motion estimation with low-cost multi-camera and odometer-gyroscope
Kim et al. Visual inertial odometry with pentafocal geometric constraints
CN111284496B (zh) 用于自动驾驶车辆的车道追踪方法及系统
Nguyen et al. Developing moving horizon estimation based ranging measurement for supporting vision-aided inertial navigation system
CN118209101B (zh) 一种应用于动态环境的多传感器融合slam方法及系统

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
GR01 Patent grant
GR01 Patent grant