CN112288863A - 一种机器人同步定位与构图导航中的地图构建方法 - Google Patents

一种机器人同步定位与构图导航中的地图构建方法 Download PDF

Info

Publication number
CN112288863A
CN112288863A CN202011547972.4A CN202011547972A CN112288863A CN 112288863 A CN112288863 A CN 112288863A CN 202011547972 A CN202011547972 A CN 202011547972A CN 112288863 A CN112288863 A CN 112288863A
Authority
CN
China
Prior art keywords
particle
grid
map
tree
generation
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
Application number
CN202011547972.4A
Other languages
English (en)
Other versions
CN112288863B (zh
Inventor
范彦福
郭军军
顾建军
朱世强
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202011547972.4A priority Critical patent/CN112288863B/zh
Publication of CN112288863A publication Critical patent/CN112288863A/zh
Application granted granted Critical
Publication of CN112288863B publication Critical patent/CN112288863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种机器人同步定位与构图导航中的地图构建方法，该方法在基于粒子滤波SLAM的地图构建和重采样过程中，针对大量地图数据流动和占用内存问题，采用分布式粒子映射方法，将宗代树和分布式栅格地图这两种数据结构紧密联系；基于宗代树构建粒子代际间演进关系，为不同时刻粒子代际间地图资源继承关系的创建提供数据结构支撑；数据结构分布式栅格地图通过宗代树利用粒子间的关系，用一个栅格地图将所有粒子联系起来；通过高效的地图管理方式，把粒子与栅格地图的映射关系从一对一变为多对一，既维护了多地图假设，又充分利用了内存资源，减少地图维护对内存的需求，提高计算资源的使用效率和地图维护的效率。

Description

一种机器人同步定位与构图导航中的地图构建方法
技术领域
本发明属于机器人自主导航领域，尤其涉及一种机器人同步定位与构图导航中的地图构建方法。
背景技术
在基于粒子滤波的同步定位与地图构建（Simultaneous Localization AndMapping，SLAM）算法框架中，每个粒子维护一个位姿序列和该位姿序列所对应的环境模型。由于栅格地图可以省去特征提取和数据关联等耗时易出错的SLAM过程，而且在基于粒子滤波的SLAM算法中，维护多地图假设至关重要，所以每个粒子携带一个独立完整的栅格地图对环境进行建模。为克服粒子退化现象，基于粒子滤波的SLAM过程必须进行重采样；但在重采样过程中，存在对权值较高的当代粒子进行多次复制的现象。复制产生的子代粒子间仅在地图更新时会产生彼此不一样的地图更新区域；其中地图更新范围为机器人所搭载感知传感器的观测范围，仅占每个粒子维护独立栅格地图中很小的一部分。重采样产生的来自同一个被采样粒子的子代粒子间的地图有很大一部分是相同的，对相同地图区域进行多次复制是对计算和内存资源的极大浪费，尤其是在大规模场景中这种浪费是不允许存在的。
发明内容
本发明的目的在于针对现有技术的不足，提供一种机器人同步定位与构图导航中的地图构建方法。本发明通过包含两种数据结构宗代树和分布式栅格地图的分布式粒子映射方法，对数据结构宗代树进行剪枝和融合操作，使宗代树尺寸维护在一定的范围之内，通过高效的地图管理方式，用一个栅格地图将所有粒子联系起来，将粒子与栅格地图的映射关系从一对一变为多对一，减少了地图维护对内存的需求，提高了地图维护效率。
本发明的目的是通过以下技术方案来实现的：一种机器人同步定位与构图导航中的地图构建方法，具体为：
在基于粒子滤波SLAM地图构建过程中，采用分布式粒子映射方法进行地图维护；利用数据结构分布式栅格地图进行地图构建；
在基于粒子滤波SLAM重采样中，利用数据结构宗代树进行粒子间宗代关系的维护；对宗代树进行剪枝和融合操作进行宗代树的维护；根据剪枝、融合后粒子宗代关系变化对分布式栅格地图进行维护。
进一步地，在基于粒子滤波SLAM中，当每个粒子进行地图更新时，只需要维护自己与被采样粒子不同的地图更新区域列表，通过所有粒子维护一个分布式栅格地图，降低算法对内存的需求；采样产生粒子只记录地图更新部分，并通过数据结构宗代树来记录粒子间的宗代关系；对宗代树进行剪枝和融合操作，使宗代树的尺寸维护在一定范围内；当对宗代树进行剪枝和融合操作时，在分布式栅格地图中相应的栅格应进行动态调整；对宗代树剪枝操作时，在分布式栅格地图删除被剪枝粒子节点所涉及的地图更新，对宗代树融合操作时，在分布式栅格地图对涉及地图区域进行地图更新修改。
进一步地，分布式栅格地图每一个栅格存储的是一个完整的列表，列表里是所有对该栅格观测值进行更新的粒子ID及该粒子对该栅格的观测值；列表刚开始被初始化为一颗空树，每个节点的数据为对该栅格观测值进行更新过粒子的ID及该粒子对该栅格的观测值；当某一粒子对某一特定栅格进行观测，应将该粒子的ID及对该栅格进行更新的观测值插入到该栅格维护的列表中；当对宗代树剪枝操作时，在分布式栅格地图对应的被剪枝粒子节点地图更新区域删除被剪枝粒子的ID和观测值；当对宗代树融合操作时，在分布式栅格地图对应的被融合粒子节点的地图更新区域进行地图更新修改。
进一步地，在重采样过程中，来自于同一个被采样粒子的子代粒子只记录与被采样粒子的地图不同部分，即当前观测信息对地图更新区域的列表；利用数据结构宗代树维护所有粒子宗代关系，包括被采样粒子和采样产生粒子。
进一步地，对没有产生子代粒子的当代粒子节点从宗代树上移除进行剪枝操作；当移除当代粒子节点使当代粒子节点的父代粒子节点也没有子代粒子节点，剪枝操作可递归进行；对只有一个子代粒子节点的当代粒子节点在宗代树上进行融合操作；当融合操作使当代粒子节点成为父代粒子节点的唯一子代时，可递归进行融合操作。
进一步地，重采样时，宗代树上每个粒子节点只记录与父代粒子节点不同的地图更新区域；当某粒子对该栅格进行观测值更新时，粒子需要根据数据结构宗代树查找它的宗代结构，找到对该栅格进行过观测值更新的最近一个宗代粒子，根据该粒子的观测和该粒子的最近宗代粒子对该栅格的观测值对该栅格进行更新。
进一步地，对于分布式栅格地图中，涉及宗代树被剪枝粒子节点的栅格列表，删除该被剪枝粒子节点对分布式栅格地图的更新，包括粒子ID和观测值；对于涉及宗代树被融合粒子节点的栅格列表，将列表中被融合的子代粒子ID改为其父代粒子ID，观测值不变，如果父代粒子也对该栅格进行观测，则移除列表中该父代粒子对该栅格的观测值及对应的粒子ID。
进一步地，采用随机性占据栅格地图，当获取对一个栅格s的具体观测信息z时，对该栅格的观测值进行更新，更新规则为：
S+=S-+lomeas
式中，S+=logOdd(s|z)表示更新后栅格s的观测值，S-=logOdd(s)表示更新前栅格s的观测值；Odd(s)为更新前栅格占据率，Odd(s|z)为更新后栅格占据率；lomeas表示测量值模型。
进一步地，
Figure 418347DEST_PATH_IMAGE001
式中，0表示栅格未被占据，1表示栅格被占据；p(s=1)表示栅格s被占据的概率，p(s=0)表示栅格s未被占据的概率；
Figure 240547DEST_PATH_IMAGE002
其中，p(s=0|z)表示z已知的情况下栅格s未被占据的概率，p(s=1|z)表示z已知的情况下栅格s被占据的概率；
lomeas包括观测到栅格未被占据的测量值模型loofree和观测到栅格被占据的测量值模型looccu：
Figure 551442DEST_PATH_IMAGE003
Figure 353176DEST_PATH_IMAGE004
其中，p(z=0|s=1)为已知栅格s被占据的条件下观测到未被占据的概率，p(z=0|s=0)为已知栅格s未被占据的条件下观测到未被占据的概率；p(z=1|s=1)为已知栅格s被占据的条件下观测到被占据的概率，p(z=1|s=0)为已知栅格s未被占据的条件下观测到被占据的概率。
进一步地，在没有任何观测信息的条件下，栅格s的观测值为0。
本发明的有益效果如下：
（1）在基于粒子滤波SLAM算法重采样过程中，针对大量地图数据流动和占用内存问题，提出分布式粒子映射方法。通过数据结构分布式栅格地图和利用粒子之间的关系，使每个粒子均能够对环境栅格地图实现分布式创建与更新，高效实现地图的创建与维护；
（2）基于宗代树数据结构构建粒子代际间演进关系，既揭示了机器人运动状态与环境感知状态不确定性的代际间演进过程，又在基于粒子滤波SLAM算法框架层面上，为不同时刻粒子代际间地图资源继承关系的创建提供数据结构支撑；
（3）通过对宗代树的剪枝和融合操作操作，使宗代树的尺寸维护在一定的范围内，不会随着迭代次数的增加而无限制增加；
（4）分布式栅格地图用地图将基于粒子滤波SLAM中的所有粒子联系起来，而不是靠宗代粒子将地图联系起来；既维护了多地图假设，又充分利用了内存资源，提高了计算资源的使用效率。
附图说明
图1为机器人同步定位与构图导航中的地图构建方法的总流程图；
图2为宗代树示意图；
图3为分布式栅格地图示意图；图中，1、2、3代表粒子ID，连线表示不同粒子形成粒子集，栅格中的层叠的方框表示该栅格被不同的粒子观测；
图4为基于图2宗代树的剪枝示意图；
图5为剪枝后可构成链表结构的宗代树示意图。
具体实施方式
如图1所示，本发明一种机器人同步定位与构图导航中的地图构建方法，包括以下步骤：
（1）根据先验信息初始化粒子系统；本实施例用k对步长计数，初始值为1。
为了解决机器人基于粒子滤波SLAM中的地图构建问题，利用分布式粒子映射方法通过数据结构分布式栅格地图和表示粒子间宗代关系的数据结构宗代树构成所述粒子系统；使每个粒子均能够对环境栅格地图实现分布式创建与更新，既维护了多地图假设，又充分利用了内存资源，提高了计算资源的使用效率。
如图2所示，所述数据结构宗代树是一种用来维护粒子间宗代关系的数据结构，它是一种随着机器人不断探索环境而动态生成的随机树；在某一次迭代过程中，当代粒子被重采样产生后继粒子，把被采样的粒子称为父代粒子，采样产生的粒子称为子代粒子，来自同一个父代粒子的子代粒子是兄弟关系。
所述分布式栅格地图的每一个栅格存储的栅格值是一个完整的列表，列表里是所有对该栅格进行更新的粒子ID及该粒子对该栅格的观测值，每个宗代树粒子在分布式栅格地图分布式维护自己的地图。为实现对某一特定栅格相关观测信息的搜寻查找，列表数据（栅格值）采用红黑树(Red Black Tree，Rbtree)、平衡二叉树(AVL)或其它相似手段进行维护。列表被初始化为一颗空树，每个节点的数据为对该栅格进行更新的粒子ID及该粒子对该栅格的观测值。
在数据结构宗代树上每个粒子节点携带对其父代粒子的地图更新区域列表，通过所有宗代树粒子共同维护一个分布式栅格地图。
在确定性栅格地图，每个栅格要么是用数值1表示被占据，要么就是用数值0表示没有被占据，占据状态未知用数值0.5表示。而本发明中所述分布式栅格地图中每个宗代树粒子对栅格的更新值，采用的是随机性占据栅格地图表示法，没有用离散的值来表示栅格值，取而代之的是用一些连续的值来表示这些栅格被占据的概率。因为这些数值代表着在给定的环境区域特定传感器对环境的感知能力，这种栅格地图表示方法对栅格的不确定性因传感器而异。随机概率的表示和相应传感器观测模型，需要针对所使用的观测设备进行调整。
在随机性占据栅格地图表示法中，每个栅格的观测值要用两个值表示，用p(s=1)表示栅格被占据的概率，p(s=0)表示栅格没有被占据的概率；每个栅格需要用两个概率值来定义状态（观测值），太过麻烦，因此引入栅格占据率这一概念来解决这个问题，栅格占据率为两者的比值：
Figure 964286DEST_PATH_IMAGE001
。
（2）所有粒子根据概率运动密度函数进行采样，更新粒子对应的位置；如此时粒子系统中只有一个父代粒子，则初始化父代粒子的位置。
（3）对步骤（2）更新的位置进行观测，更新粒子包含的观测信息，用最近观测信息确定每个粒子的权值。
（4）归一化权值信息。
（5）根据观测信息对分布式栅格地图中的栅格进行更新，如图3为分布式栅格地图示意图。
在随机性占据栅格地图中，当获取对一个栅格的具体观测信息z时，需要对该栅格的占据率进行更新，假设更新前该栅格的状态为Odd(s)，更新后为：
Figure 193273DEST_PATH_IMAGE002
其中，z~{0,1}，z在0和1中取值表示栅格是否观测为被占据；p(s=0|z)表示观测已知的情况下，该栅格没有被占据的概率，p(s=1|z)表示观测已知的情况下，该栅格被占据的概率。
由贝叶斯定理知：
Figure DEST_PATH_IMAGE005
（1）
Figure 132411DEST_PATH_IMAGE006
（2）
其中，p(z)为观测信息的概率分布，p(z|s=1)为对已知被占据栅格的观测信息的概率分布，p(z|s=0)为对已知没有被占据栅格的观测信息的概率分布。
即：
Figure DEST_PATH_IMAGE007
（3）
两边取对数：
Figure 782177DEST_PATH_IMAGE008
（4）
其中，未知量为
Figure DEST_PATH_IMAGE009
含有观测信息的项，称这个比值为观测的模型lomeas。
观测的模型lomeas只有两种：
Figure 388739DEST_PATH_IMAGE003
（5）
Figure 913262DEST_PATH_IMAGE004
（6）
其中，loofree为栅格观测到没有被占据的测量值模型，p(z=0|s=1)为已知该栅格被占据的条件下，观测到没有被占据的概率，p(z=0|s=0)为已知该栅格没有被占据的条件下，观测到没有被占据的概率；looccu为栅格观测到被占据的测量值模型，p(z=1|s=1)为已知该栅格被占据的条件下，观测到被占据的概率，p(z=1|s=0)为已知该栅格没有被占据的条件下，观测到被占据的概率；以上都为定值，只与传感器自身特性有关。
如果用logOdd(s)来表示栅格位置s 的状态S（观测值）的话，则栅格位置s的更新规则进一步简化为：
S+=S-+lomeas （7）
式中，S+表示获取观测信息之后位置s的状态logOdd(s|z) ，S-表示获取观测信息之前位置s的状态logOdd(s)。另外，在没有任何观测信息的初始条件下，一个栅格的状态初始值Sinit为：
Figure 74116DEST_PATH_IMAGE010
（8）
（6）维护宗代树，包括剪枝和融合。
随着迭代次数的增加，宗代树结构尺寸越来越大；由于没有参与复制产生子代粒子的当代粒子节点对后续SLAM迭代过程没有任何贡献，可通过剪枝和融合两个操作对宗代树进行维护，保证宗代树的尺寸维护在一定范围内；具体为：
（6.1）对没有子代粒子节点的粒子节点，从宗代树上通过剪枝操作对其进行移除，如图4所示；当移除某个粒子节点后使该粒子节点的父代粒子节点也没有子代粒子节点时，递归向上进行剪枝操作。
（6.2）对只有一个子代粒子节点的粒子节点，在宗代树上对该粒子节点和其子代粒子节点进行融合操作，即融合后的粒子节点同时包含了两个粒子节点的观测信息，两者中子代粒子节点为被融合粒子。
当融合操作使某个粒子节点成为其父代粒子节点的唯一子代时，递归向上进行融合操作；具体地，如图5所示的宗代树中，当对图中没有子代粒子的粒子节点进行剪枝移除时，会使宗代树最右边的三个粒子节点分支形成链表结构，该链表结构上的所有父代粒子节点都只有一个子代粒子节点；因此，这个链表结构上的所有粒子节点可以融合所有信息到第一个父代粒子节点上，高效地摧毁这个链表结构；这个融合后的粒子节点包含了三个粒子节点的地图更新信息，代表了它的后代粒子信息与其它粒子所携带地图及包含位姿的不同。
（7）维护分布式栅格地图。根据步骤（8）剪枝或融合后的宗代树更新分布式栅格地图，具体为：
（7.1）对于分布式栅格地图中，涉及被剪枝粒子节点的栅格列表，删除该被剪枝粒子节点对分布式栅格地图的更新，包括粒子ID和观测值。
（7.2）对于分布式栅格地图中，涉及被融合粒子节点的栅格列表，将列表中被融合粒子（子代粒子）ID改为其父代粒子ID，观测值不变，如果父代粒子也对该栅格进行观测，则移除列表中该父代粒子对该栅格的观测值及对应的粒子ID。
（8）由Neff判断是否需要重采样，Neff为预设的有效粒子数阈值，具体为：
（8.1）如当代粒子中有效粒子数小于Neff，则进行重采样；
根据粒子权值对当代粒子进行复制产生子代粒子。每一次迭代过程中，每代粒子总数相同；根据权重对当代粒子进行排序，仅对权值较大的限定粒子总数的宗代树粒子进行复制；权值较小的粒子将不参与复制过程；因此权值越大的粒子在迭代过程中被复制的次数越多。
（8.2）如当代粒子中有效粒子数大于等于Neff，不用重采样。
（9）产生新的粒子系统，更新步长k=k+1。如步骤（8）进行重采样，则新的粒子系统为复制产生的子代粒子；如步骤（8）未重采样，则原有的粒子系统作为新的粒子系统。
（10）重复执行步骤（2）~（9），直到达到预设的最大步长，即k>maxStep时结束迭代。
（11）最终构建得到地图。遍历分布式栅格地图的每个栅格，然后查询最新粒子系统中最大权值粒子ID对应的观测值，根据该粒子对所有栅格的观测值得到最终的环境地图。

Claims (10)

1.一种机器人同步定位与构图导航中的地图构建方法，其特征在于，具体为：
在基于粒子滤波SLAM地图构建过程中，采用分布式粒子映射方法进行地图维护；利用数据结构分布式栅格地图进行地图构建；
在基于粒子滤波SLAM重采样中，利用数据结构宗代树进行粒子间宗代关系的维护；对宗代树进行剪枝和融合操作进行宗代树的维护；根据剪枝、融合后粒子宗代关系变化对分布式栅格地图进行维护。
2.根据权利要求1所述机器人同步定位与构图导航中的地图构建方法，其特征在于，在重采样过程中，来自于同一个被采样粒子的子代粒子只记录与被采样粒子的地图不同部分，即当前观测信息对地图更新区域的列表；利用数据结构宗代树维护所有粒子宗代关系，包括被采样粒子和采样产生粒子。
3.根据权利要求2所述机器人同步定位与构图导航中的地图构建方法，其特征在于，重采样时，宗代树上每个粒子节点只记录与父代粒子节点不同的地图更新区域；当某粒子对分布式栅格地图中某栅格进行观测值更新时，粒子需要根据数据结构宗代树查找它的宗代结构，找到对该栅格进行过观测值更新的最近一个宗代粒子，根据该粒子的观测和该粒子最近宗代粒子对该栅格的观测值更新该粒子对该栅格的观测值。
4.根据权利要求3所述机器人同步定位与构图导航中的地图构建方法，其特征在于，在基于粒子滤波SLAM中，当每个粒子进行地图更新时，只需要维护自己与被采样粒子不同的地图更新区域列表，通过所有粒子维护一个分布式栅格地图，降低算法对内存的需求；采样产生粒子只记录地图更新部分，并通过数据结构宗代树来记录粒子间的宗代关系；对宗代树进行剪枝和融合操作，使宗代树的尺寸维护在一定范围内；当对宗代树进行剪枝和融合操作时，在分布式栅格地图中相应的栅格应进行动态调整；对宗代树剪枝操作时，在分布式栅格地图删除被剪枝粒子节点所涉及的地图更新，对宗代树融合操作时，在分布式栅格地图对涉及地图区域进行地图更新修改。
5.根据权利要求4所述机器人同步定位与构图导航中的地图构建方法，其特征在于，分布式栅格地图每一个栅格存储的是一个完整的列表，列表里是所有对某栅格观测值进行更新的粒子ID及该粒子对该栅格的观测值；列表刚开始被初始化为一颗空树，每个节点的数据为对该栅格观测值进行更新过粒子的ID及该粒子对该栅格的观测值；当某一粒子对某一特定栅格进行观测，应将该粒子的ID及对该栅格进行更新的观测值插入到该栅格维护的列表中；当对宗代树剪枝操作时，在分布式栅格地图对应的被剪枝粒子节点地图更新区域删除被剪枝粒子的ID和观测值；当对宗代树融合操作时，在分布式栅格地图对应的被融合粒子节点的地图更新区域进行地图更新修改。
6.根据权利要求5所述机器人同步定位与构图导航中的地图构建方法，其特征在于，对没有产生子代粒子的当代粒子节点从宗代树上移除进行剪枝操作；当移除当代粒子节点使当代粒子节点的父代粒子节点也没有子代粒子节点，剪枝操作向上递归进行；对只有一个子代粒子节点的当代粒子节点在宗代树上进行融合操作；当融合操作使当代粒子节点成为父代粒子节点的唯一子代时，向上递归进行融合操作。
7.根据权利要求6所述机器人同步定位与构图导航中的地图构建方法，其特征在于，对于分布式栅格地图中，涉及宗代树被剪枝粒子节点的栅格列表，删除该被剪枝粒子节点对分布式栅格地图的更新，包括粒子ID和观测值；对于涉及宗代树被融合粒子节点的栅格列表，将列表中被融合的子代粒子ID改为其父代粒子ID，观测值不变，如果父代粒子也对该栅格进行观测，则移除列表中该父代粒子对该栅格的观测值及对应的粒子ID。
8.根据权利要求7所述机器人同步定位与构图导航中的地图构建方法，其特征在于，采用随机性占据栅格地图，当获取对一个栅格s的具体观测信息z时，对该栅格的观测值进行更新，更新规则为：
S+=S-+lomeas
式中，S+=logOdd(s|z)表示更新后栅格s的观测值，S-=logOdd(s)表示更新前栅格s的观测值；Odd(s)为更新前栅格占据率，Odd(s|z)为更新后栅格占据率；lomeas表示测量值模型。
9.根据权利要求8所述机器人同步定位与构图导航中的地图构建方法，其特征在于：
Figure DEST_PATH_IMAGE001
式中，0表示栅格未被占据，1表示栅格被占据；p(s=1)表示栅格s被占据的概率，p(s=0)表示栅格s未被占据的概率；
Figure 951676DEST_PATH_IMAGE002
其中，p(s=0|z)表示z已知的情况下栅格s未被占据的概率，p(s=1|z)表示z已知的情况下栅格s被占据的概率；
lomeas包括观测到栅格未被占据的测量值模型loofree和观测到栅格被占据的测量值模型looccu：
Figure DEST_PATH_IMAGE003
Figure 147165DEST_PATH_IMAGE004
其中，p(z=0|s=1)为已知栅格s被占据的条件下观测到未被占据的概率，p(z=0|s=0)为已知栅格s未被占据的条件下观测到未被占据的概率；p(z=1|s=1)为已知栅格s被占据的条件下观测到被占据的概率，p(z=1|s=0)为已知栅格s未被占据的条件下观测到被占据的概率。
10.根据权利要求9所述机器人同步定位与构图导航中的地图构建方法，其特征在于，在没有任何观测信息的条件下，栅格s的观测值为0。
CN202011547972.4A 2020-12-24 2020-12-24 一种机器人同步定位与构图导航中的地图构建方法 Active CN112288863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011547972.4A CN112288863B (zh) 2020-12-24 2020-12-24 一种机器人同步定位与构图导航中的地图构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011547972.4A CN112288863B (zh) 2020-12-24 2020-12-24 一种机器人同步定位与构图导航中的地图构建方法

Publications (2)

Publication Number Publication Date
CN112288863A true CN112288863A (zh) 2021-01-29
CN112288863B CN112288863B (zh) 2021-03-30

Family

ID=74426104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011547972.4A Active CN112288863B (zh) 2020-12-24 2020-12-24 一种机器人同步定位与构图导航中的地图构建方法

Country Status (1)

Country Link
CN (1) CN112288863B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049688A (zh) * 2022-08-16 2022-09-13 之江实验室 基于强化学习思想的栅格地图区域划分方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100191565A1 (en) * 2009-01-23 2010-07-29 Hudson Marine Management Services System and Method for Complying With TMSA Guidelines
CN105509755A (zh) * 2015-11-27 2016-04-20 重庆邮电大学 一种基于高斯分布的移动机器人同步定位与地图构建方法
CN110909105A (zh) * 2019-11-25 2020-03-24 上海有个机器人有限公司 机器人地图的构建方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100191565A1 (en) * 2009-01-23 2010-07-29 Hudson Marine Management Services System and Method for Complying With TMSA Guidelines
CN105509755A (zh) * 2015-11-27 2016-04-20 重庆邮电大学 一种基于高斯分布的移动机器人同步定位与地图构建方法
CN110909105A (zh) * 2019-11-25 2020-03-24 上海有个机器人有限公司 机器人地图的构建方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049688A (zh) * 2022-08-16 2022-09-13 之江实验室 基于强化学习思想的栅格地图区域划分方法及装置
CN115049688B (zh) * 2022-08-16 2022-11-18 之江实验室 基于强化学习思想的栅格地图区域划分方法及装置

Also Published As

Publication number Publication date
CN112288863B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN104239511B (zh) 一种面向MongoDB的用户空间文件系统实现方法
CN111426323B (zh) 一种巡检机器人路线规划方法及装置
CN109241355A (zh) 有向无环图的可达性查询方法、系统及可读存储介质
CN112288863B (zh) 一种机器人同步定位与构图导航中的地图构建方法
CN111854683B (zh) 用于三维空间数据高程采样的方法及装置、设备
CN112990538A (zh) 一种山地光伏电站集电线路确定方法、装置及设备
CN111711677A (zh) 智能变电站过程层交换机虚实回路可视化方法、系统及介质
CN112100450A (zh) 一种图计算数据分割方法、终端设备及存储介质
CN114357264A (zh) 基于SOMEi数据结构回退重构的动态极大团枚举方法
CN110634184B (zh) 一种海量倾斜摄影数据的加载方法
CN116860860A (zh) 一种基于变电站电气设备模型全工程数据流转方法及设备
CN116720632A (zh) 基于gis和bim的工程建设智能管理方法及系统
CN102033896B (zh) 信息处理设备以及方法
CN115935080A (zh) 面向社交网络流数据基于mpich并行计算的极大团枚举方法
WO2021232442A1 (zh) 基于动态网格哈希索引的密度聚类方法及装置
CN108319697A (zh) 一种计算大规模网络图degeneracy的方法
CN112686574B (zh) 一种识别属性设施网络关键结构的方法
CN116720302B (zh) 一种快速设计污水管线方案的实现方法
CN115412450B (zh) 一种面向溯源图的多电力终端协同行为检测方法及装置
CN116881903B (zh) 一种面向溯源图入侵检测的恶意行为子图分级提取方法及系统
CN114938333B (zh) 配电站房端侧节点接入方法、装置、芯片、设备及介质
Selje et al. Learning Global Network Topology Using Local Information for Multi-Agent Coordination
CN117453937A (zh) 一种电网图数据模型自动生成方法及装置
Fontes et al. W-EDGE: Weight updating in directed graph ensembles to improve classification
Alias The effect of diffuse and specular object towards insolation value derived from LiDAR point cloud data

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