CN112697153A - 自主移动设备的定位方法、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种自主移动设备的定位方法、电子设备及存储介质，该定位方法包括：将自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测，以获得状态向量的预测值，其中状态向量包括第一速度和第一角速度中的至少一者以及车轮编码器的检测误差；利用观测传感器的检测结果构建观测向量；利用观测向量对状态向量的预测值进行更新，以获得状态向量的估计值。本申请通过车轮编码器获取状态向量的预测值，并利用观测传感器构建的观测向量对预测值进行更新，即利用观测向量对预测值进行修正以获取精度更高的预测值结果，防止车轮编码器打滑导致的定位漂移，进而无法准确定位，提高定位准确性。

Description

自主移动设备的定位方法、电子设备及存储介质

技术领域

本申请涉及移动设备定位的技术领域，特别是涉及一种自主移动设备的定位方法、电子设备及存储介质。

背景技术

自主移动设备在进行导航定位时，通常在底层使用轮式编码器作为里程计，配合其他的传感器实现定位。当自主移动设备的车轮发生打滑时，轮式编码器的测量与自主移动设备实际的运行不相符，导致整个定位结果出现漂移，无法准确定位。

发明内容

本申请至少提供一种自主移动设备的定位方法、电子设备及存储介质，以解决自主移动设备车轮打滑时导致定位漂移，无法准确定位的问题。

本申请第一方面提供一种自主移动设备的定位方法，该定位方法包括：

将自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测，以获得状态向量的预测值，其中状态向量包括第一速度和第一角速度中的至少一者以及车轮编码器的检测误差；

利用观测传感器的检测结果构建观测向量；

利用观测向量对状态向量的预测值进行更新，以获得状态向量的估计值。

可选地，车轮编码器的检测结果包括左轮编码器的检测结果和右轮编码器的检测结果。

可选地，状态向量包括第一速度，车轮编码器的检测误差包括左轮编码器的检测误差和右轮编码器的检测误差；

将自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测的步骤之前，进一步包括：

调整第一速度，使第一速度等于第一差值与第二差值的平均值；

其中，第一差值为左轮编码器的检测结果和检测误差之差，第二差值为右轮编码器的检测结果和检测误差之差。

可选地，状态向量包括第一角速度，车轮编码器的检测误差包括左轮编码器的检测误差和右轮编码器的检测误差；

将自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测的步骤之前，进一步包括：

调整第一角速度，使第一角速度等于第一差值与第二差值之差与轴距的比值；

其中，第一差值为左轮编码器的检测结果和检测误差之差，第二差值为右轮编码器的检测结果和检测误差之差，轴距为自主移动设备的左轮和右轮之间的间距。

可选地，观测传感器包括光流传感器，观测向量包括由光流传感器检测的第二速度和第二角速度。

可选地，状态向量进一步包括坐标和第一角度，观测传感器进一步包括陀螺仪，观测向量包括由陀螺仪检测的第二角度。

可选地，利用观测向量对状态向量的预测值进行更新的步骤包括：

通过扩展卡尔曼滤波算法对状态向量的预测值进行更新。

可选地，定位方法进一步包括：

确认车轮编码器的检测误差是否大于预设的阈值，响应于大于预设的阈值，则产生报警信号。

本申请第二方面提供一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中自主移动设备的定位方法。

本申请第三方面提供一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中自主移动设备的定位方法。

区别于现有技术，本申请的定位方法包括：将自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测，以获得状态向量的预测值，其中状态向量包括第一速度和第一角速度中的至少一者以及车轮编码器的检测误差；利用观测传感器的检测结果构建观测向量；利用观测向量对状态向量的预测值进行更新，以获得状态向量的估计值。本申请通过车轮编码器获取状态向量的预测值，并利用观测传感器构建的观测向量对预测值进行更新，即利用观测向量对预测值进行修正以获取精度更高的预测值结果，防止车轮编码器打滑导致的定位漂移，进而无法准确定位，提高定位准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本申请提供自主移动设备的定位方法一实施例的流程示意图；

图2是图1提供的定位方法中步骤S13的具体流程示意图；

图3是图1提供的定位方法中步骤S11之前的流程示意图；

图4是本申请提供的电子设备一实施例的框架示意图；

图5是本申请提供的计算机可读存储介质一实施例的框架示意图。

具体实施方式

为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供的自主移动设备的定位方法、电子设备及存储介质做进一步详细描述。可以理解的是，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。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的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”等是用于区别不同对象，而不是用于描述特定顺序。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他步骤或单元。

请参阅图1，图1是本申请提供自主移动设备的定位方法一实施例的流程示意图。

本申请的自主移动设备的定位方法的执行主体可以是一种自主移动设备，例如，定位方法可以由终端设备或服务器或其它处理设备执行，其中，自主移动设备可以为扫地机器人、服务机器人或者导购机器人等。在一些可能的实现方式中，该定位方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

本实施例以扫地机器人作为自主移动设备为例，具体而言，本公开实施例的定位方法可以包括以下步骤：

步骤S11：将自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测，以获得状态向量的预测值。

其中，自主移动设备将第一速度和第一角速度中的至少一者以及车轮编码器的检测误差设置为状态向量，即状态向量包括第一速度和第一角速度中的至少一者以及车轮编码器的检测误差，车轮编码器的检测结果包括左轮编码器的检测结果和右轮编码器的检测结果。

具体地，状态向量可包括第一速度以及车轮编码器的检测误差；或，包括第一角速度以及车轮编码器的检测误差；或，包括第一速度、第一角速度中以及车轮编码器的检测误差。

可选地，车轮编码器包括由主动轮与从动轮构成的单轮编码器，或由左轮编码器和右轮编码器构成的双轮编码器，本实施例以双轮编码器为例，对车轮编码器的工作原理进行阐述。

当自主移动设备进行转弯操作时，自主移动设备通过车轮编码器的左轮编码器和右轮编码器可分别获取自主移动设备左车轮的移动速度和右车轮的移动速度，并结合左车轮和右车轮之间的轴距，可以推导出前向速度与转向角速度，进而推导出自主移动设备的位置信息以及转向的角度信息。具体推导过程如下：

1、自主移动设备通过车轮编码器进行检测，获取左轮编码器的检测结果和右轮编码器的检测结果，以获取自主移动设备左车轮的移动速度v_l和右车轮的移动速度v_r；

2、自主移动设备利用公式(1)计算自主移动设备的前向速度v，即自主移动设备的前向速度v等于自主移动设备左车轮的移动速度v_l和右车轮的移动速度v_r之和的一半；利用公式(2)计算自主移动设备的转向角速度ω，即自主移动设备的转向角速度ω等于自主移动设备左车轮的移动速度v_l和右车轮的移动速度v_r之差除以自主移动设备的左车轮和右车轮之间的轴距。公式(1)与公式(2)具体如下所示：

其中，本申请基于直角坐标系进行公式推导，具体地以自主移动设备机头的正前方为X正方向，以自主移动设备机头的正右方为Y正方向，以自主移动设备机头的正上方为Z正方向。

具体地，v为自主移动设备前移的前向速度，具体为以左车轮与右车轮为两端点，两端点连线的中心位置的前向速度。ω为自主移动设备的转向角速度，具体为以左车轮与右车轮为两端点，两端点连线的中心位置的转向角速度；当自主移动设备的左车轮和右车轮做同轴圆周运动时，此时左车轮的角速度等于右车轮的角速度，且等于转向角速度ω。L为自主移动设备的左车轮和右车轮之间的轴距，为自主移动设备的标定参数。

3、自主移动设备将运动轨迹按时间微分为多段直线，可计算得以左车轮与右车轮为两端点，两端点连线的中心位置的位姿变换，具体计算公式如公式(3)、公式(4)以及公式(5)所示：

x'＝x+v*cosθ*Δt (3)

y’＝y+v*sinθ*Δt (4)

θ'＝θ+ω*Δt (5)

其中，以左车轮与右车轮为两端点连线的中心位置的初始坐标为(x,y)，自主移动设备进行转弯操作后的中心位置的坐标为(x',y')，θ为自主移动设备进行转弯操作之前，左车轮与右车轮之间的连线和x轴之间的夹角，θ'为自主移动设备进行转弯操作之后，左车轮与右车轮之间的连线和x轴之间的夹角。具体地，夹角θ为第一角度，自主移动设备可通过陀螺仪检测得到。可选地，在其他实施例中，自主移动设备还可通过增量编码器、光电传感器或角度传感器等检测夹角θ。

综合上述公式，可获得自主移动设备的运动学模型，具体如公式(6)所示：

因此，自主移动设备获取前向速度v、转向角速度ω和夹角θ之后，可通过公式(3)、公式(4)以及公式(5)迭代计算后得到自主移动设备进行转弯操作之后的坐标(x',y')。

由于车轮编码器包括左轮编码器和右轮编码器，自主移动设备通过车轮编码器在获取自主移动设备左车轮的移动速度和右车轮的移动速度时，同时存在检测误差，即左轮编码器和右轮编码器均存在检测误差，导致车轮编码器计算得到的前向速度v与转向角速度ω存在测量误差。

因此，在执行步骤S11前，可实施如图3所示的步骤S16与步骤S17，图3是图1提供的定位方法中步骤S11之前的流程示意图。具体而言，包括以下步骤：

步骤S16：调整第一速度，使第一速度等于第一差值与第二差值的平均值。

其中，自主移动设备将第一速度v设置为状态向量，即状态向量包括第一速度v，具体可为上述步骤S11中的前向速度v。自主移动设备调整第一速度v，使得第一速度v满足第一修正公式，如公式(7)所示，即第一速度v等于第一差值与第二差值的平均值，具体如下所示：

其中，第一差值为左轮编码器的检测结果和检测误差之差，第二差值为右轮编码器的检测结果和检测误差之差。具体地，e_1m和e_1b为左轮编码器和右轮编码器中的一个的检测结果和检测误差，e_2m和e_2b为左轮编码器和右轮编码器中的另一的检测结果和检测误差。例如，e_1m和e_1b为左轮编码器的检测结果和检测误差，e_2m和e_2b为右轮编码器的检测结果和检测误差；或，e_2m和e_2b为左轮编码器的检测结果和检测误差，e_1m和e_1b为右轮编码器的检测结果和检测误差。

步骤S17：调整第一角速度，使第一角速度等于第一差值与第二差值之差与轴距的比值。

其中，自主移动设备将第一角速度ω设置为状态向量，即状态向量包括第一角速度ω，具体可为上述步骤S11中的转向角速度ω。自主移动设备调整第一角速度ω，使得第一角速度ω满足第二修正公式，如公式(8)所示，即第一角速度ω等于第一差值与第二差值之差与轴距的比值，具体如下所示：

其中，第一差值为左轮编码器的检测结果和检测误差之差，第二差值为右轮编码器的检测结果和检测误差之差，轴距为自主移动设备的左轮和右轮之间的间距。具体地，e_1m和e_1b为左轮编码器和右轮编码器中的一个的检测结果和检测误差，e_2m和e_2b为左轮编码器和右轮编码器中的另一的检测结果和检测误差。例如，e_1m和e_1b为左轮编码器的检测结果和检测误差，e_2m和e_2b为右轮编码器的检测结果和检测误差；或，e_2m和e_2b为左轮编码器的检测结果和检测误差，e_1m和e_1b为右轮编码器的检测结果和检测误差。L为自主移动设备的左车轮和右车轮之间的间距。

当车轮编码器出现较大测量误差时，即车轮编码器读数e_1m或e_2m比真实车轮位移要大或小，那么在运行正常的滤波器，就会对应估计得到较大的e_1b或e_2b，自主移动设备将e_1m与e_1b或e_2m与e_2b带入到由第一修正公式和第二修正公式结合所形成的修正模型中，仍然可以得到准确的第一速度v和第一角速度ω，使得自主移动设备的定位信息不会发生较大偏差。

具体地，当车轮编码器读数e_1m或e_2m比真实车轮位移大时，此时车轮编码器的检测误差e_1b或e_2b为正数，自主移动设备将车轮编码器读数e_1m或e_2m减去车轮编码器的检测误差e_1b或e_2b，进而得到接近真实车轮位移的位移值，并进一步通过第一修正公式或第二修正公式计算出较为准确的第一速度v和第一角速度ω。

当车轮编码器读数e_1m或e_2m比真实车轮位移小时，此时车轮编码器的检测误差e_1b或e_2b为负数，自主移动设备将车轮编码器读数e_1m或e_2m减去车轮编码器的检测误差e_1b或e_2b，即对车轮编码器读数e_1m或e_2m进行补偿，进而得到接近真实车轮位移的位移值，并进一步通过第一修正公式或第二修正公式计算出较为准确的第一速度v和第一角速度ω。

其中，步骤S16与步骤S17不存在先后顺序，自主移动设备可先执行步骤S16，再执行步骤S17；或，自主移动设备先执行步骤S17，再执行步骤S16；或，自主移动设备同时执行步骤S16与步骤S17。

结合步骤S11、步骤S16与步骤S17，自主移动设备可得到状态向量X＝(x,y,v,ω,θ,e_1b,e_2b)，利用自主移动设备的车轮编码器的检测结果为输入对状态向量的当前值进行状态转移预测，以获得状态向量的预测值。

其中，自主移动设备进一步获取估计协方差P与状态转移方程f，根据状态向量为X、估计协方差P和状态转移方程f对状态向量的当前值进行状态转移预测，以获得状态向量的预测值

具体地，自主移动设备令上一时刻为t-1时刻，上一时刻的状态向量为X_t-1，估计协方差为P_t-1，根据状态向量为X、估计协方差P和状态转移方程f对状态向量的当前值进行状态转移预测，以获得状态向量在当前时刻，即t时刻的预测值

和预测协方差为

其中，状态转移预测的公式如公式(9)与公式(10)所示：

其中，F_J为状态转移方程f的雅克比矩阵，Q_t-1为状态转移协方差。

具体地，状态转移方程f如公式(11)所示，状态转移方程f的雅克比矩阵F_J如公式(12)所示：

其中，e_1m和e_1b为左轮编码器和右轮编码器中的一个在Δt时间内的检测结果和检测误差，e_2m和e_2b为左轮编码器和右轮编码器中的另一个在Δt时间内的检测结果和检测误差。例如，e_1m和e_1b为左轮编码器在Δt时间内的检测结果和检测误差，e_2m和e_2b为右轮编码器在Δt时间内的检测结果和检测误差；或，e_2m和e_2b为左轮编码器在Δt时间内的检测结果和检测误差，e_1m和e_1b为右轮编码器在Δt时间内的检测结果和检测误差。L为自主移动设备的左车轮和右车轮之间的间距。

进一步地，自主移动设备结合预测协方差

以及车轮编码器的观测方程，可计算得到卡尔曼增益K_t。具体地，计算公式如公式(13)所示：

其中，R_t-1为观测协方差，

为观测方程的雅克比矩阵，即观测矩阵。具体地，观测矩阵

如公式(14)所示：

当自主移动设备进行转弯操作过程中，地面出现低矮障碍物或摩擦力不够时，导致自主移动设备的底盘卡住或车轮打滑时，车轮传感器的测量数据会出现与实际不符的偏差，按照运动学模型计算出的位置信息不准确，即坐标不准确，产生误差，随着时间变化，车轮编码器累积误差会越变越大，导致自主移动设备的定位计算与真实情况越差越远。

例如，扫地机器人在对室内地面进行清扫过程中，若待清扫的室内地面上出现小玩具，由于扫地机器人保持移动方向不变向前移动，扫地机器人在移动过程中将小玩具卡在扫地机器人的底盘上，使得扫地机器人的一侧被迫抬高离地，进而使得扫地机器人位于离地一侧的车轮出现空转的情况，此时车轮传感器测量数据要小于实际车轮的运行距离，使得车轮传感器的测量数据出现误差。

或，扫地机器人在对室内地面进行清扫过程中，若待清扫的室内地面上存在未清洁的水，由于扫地机器人保持移动方向不变向前移动，扫地机器人沿移动方向移动至具有水的地面时，扫地机器人的车轮发生打滑，导致扫地机器人的移动距离大于扫地机器人在正常地面上行驶的距离，此时车轮传感器测量数据要大于实际车轮的运行距离，使得车轮传感器的测量数据出现误差。

因此，自主移动设备需要对车轮编码器的定位计算结果进行修正，执行步骤S12以获取对状态向量的预测值

进行更新的观测向量，步骤S12具体如下所示。

步骤S12：利用观测传感器的检测结果构建观测向量。

其中，本实施例观测传感器包括光流传感器以及陀螺仪，光流传感器的检测结果包括第二速度v_ots和第二角速度ω_ots，陀螺仪的检测结果包括第二角度θ_gyro。因此，观测向量Z包括由光流传感器检测的第二速度v_ots和第二角速度ω_ots以及由陀螺仪检测的第二角度θ_gyro，即Z＝(v_ots,ω_ots,θ_gyro)。具体地，第二速度v_ots和第二角速度ω_ots分别为光流传感器读数，即光流像素值经过比例换算和坐标转换之后得到的速度与角速度。

具体地，光流传感器通过IAS以移动速率连续采集物体表面图像，再由DSP对说产生的图像数字矩阵进行分析。由于相邻的两幅图像总会存在相同的特征，通过比对这些特征点的位置变化信息，便可以判断出物体表面特征的平均运动，分析结果最终被转换为二维的坐标偏移量，并以像素数形式存储于特定的寄存器中，实现对运动物体的检测。

自主移动设备通过光流传感器获取自主移动设备移动过程中不同的检测图像，并通过检测图像中光点与暗点的移动，来判断自主移动设备的移动速度，进一步对通过光流传感器获取的速度与角速度进行积分，即可实现定位操作。

陀螺仪是一种用来传感与维持方向的装置，基于角动量守恒的理论设计出来的。陀螺仪主要是由一个位于轴心且可旋转的转子构成。陀螺仪主要运用物体高速旋转时，角动量很大，旋转轴会一直稳定指向一个方向的性质，陀螺仪一旦开始旋转，由于转子的角动量，陀螺仪有抗拒方向改变的趋向。传统的惯性陀螺仪主要是机械式的陀螺仪，对工艺结构等要求很高，结构复杂，它的精度受到了很多方面的制约。随着技术的逐渐发展，渐渐的发展出了光纤陀螺仪、激光陀螺仪等等各种较为先进的陀螺仪。

陀螺仪是加速度传感器的升级版，加速度传感器能检测和感应某一轴向的线性动作，而三轴陀螺仪可通过陀螺仪的X轴、Y轴以及Z轴围成的立体空间联合检测测量目标的动作，即陀螺仪能检测和感应3D空间的线性和动作，从而能够辨认方向、确认测量目标的姿态以及计算测量目标的角速度。

本实施例自主移动设备通过陀螺仪辨认自主移动设备的移动方向、确认自主移动设备的姿态以及计算自主移动设备的角速度。

当自主移动设备通过步骤S12获取利用观测传感器构建的观测向量Z后，自主移动设备可通过观测向量Z对由步骤S11获取的状态向量的预测值

进行更新，具体实施步骤如步骤S13所示。

步骤S13：利用观测向量对状态向量的预测值进行更新，以获得状态向量的估计值。

其中，自主移动设备能够通过观测向量Z＝(v_ots,ω_ots,θ_gyro)包含的第二速度v_ots、第二角速度ω_ots以及第二角度θ_gyro分别对状态向量X＝(x,y,v,ω,θ,e_1b,e_2b)中的第一速度v、第一角速度ω以及第一角度θ，进行更新，以获得状态向量的估计值X_t以及估计协方差P_t。

具体地，更新公式如公式(15)与公式(16)所示：

本实施例自主移动设备通过公式(15)与公式(16)获取的状态向量的估计值X_t以及估计协方差P_t，即获取t时刻自主移动设备的定位信息。

自主移动设备基于步骤S12获取的观测向量Z对由步骤S11获取的状态向量的预测值X_t进行更新，具体流程图请继续参阅图2，图2是图1提供的定位方法中步骤S13的具体流程示意图。具体而言，包括以下步骤：

步骤S14：通过扩展卡尔曼滤波算法对状态向量的预测值进行更新。

其中，自主移动设备的车轮编码器可以提供轮速的观测，自主移动设备的陀螺仪可以提供角度的观测，自主移动设备的光流传感器可以提供速度观测，本实施例自主移动设备利用车轮编码器、陀螺仪以及光流传感器的观测构成扩展卡尔曼滤波算法，以实现对状态向量

的预测值进行更新。特别地，观测协方差矩阵R各维度系数，依照陀螺仪大于车轮编码器，大于光流传感器的顺序，置信度依次降低，同时协方差依次增大。

具体地，在理想的运动学模型下，即在自主移动设备的运动学模型下，自主移动设备由车轮编码器观测所得的轮速的估计值推出第一速度v与第一角速度ω，产生的误差通过车轮编码器的第一修正公式与第二修正公式，以及光流传感器的检测结果包括第二速度v_ots和第二角速度ω_ots纠正；自主移动设备由车轮编码器观测所得的轮速的估计值推出第一角度θ，产生的误差通过陀螺仪检测的第二角度θ_gyro纠正；车轮编码器陀螺仪以及光流传感器的观测可以构成经典扩展卡尔曼滤波模型(EKF，extended kalman filter)。

自主移动设备完成步骤S14之后，可获得更新后的状态向量的估计值X_t以及估计协方差P_t，即获取t时刻自主移动设备的定位信息，此时自主移动设备保持持续移动中，返回步骤S11，并以状态向量的估计值X_t以及估计协方差P_t作为前一时刻的输入，结合状态转移方程f，进而求取下一时刻的预测状态向量以及下一时刻的预测协方差，以获取下一时刻的定位信息。

步骤S15：确认车轮编码器的检测误差是否大于预设的阈值，响应于大于预设的阈值，则产生报警信号。

其中，车轮编码器的检测误差包括左轮编码器的检测误差e_1b，以及右轮编码器的检测误差e_2b。当车轮编码器的检测误差小于或等于预设阈值时，即左轮编码器的检测误差e_1b，以及右轮编码器的检测误差e_2b均小于或等于预设阈值时，证明车轮编码器正常工作。

当检测左轮编码器的检测误差e_1b和/或右轮编码器的检测误差e_2b过大时，左轮编码器的检测误差e_1b和/或右轮编码器的检测误差e_2b即大于预设的阈值时，证明车轮编码器异常工作，则自主移动设备产生报警信号，并采取对应的措施使异常工作的车轮编码器恢复正常。

具体地，可控制自主移动设备关机，并重新启动，将车轮编码器的检测数据清零，以当前位置作为初始位置，重新进行定位操作；或，控制自主移动设备停止移动，并通过信号传输器将报警信号传输至移动终端，通过人为干预调整自主移动设备的位置。

例如，当扫地机器人在对室内地面进行清扫过程中，若待清扫的室内地面上存在未清洁的水，由于扫地机器人保持移动方向不变向前移动，使得扫地机器人移动至具有水的地面时，车轮发生打滑，使得车轮传感器的测量数据出现较大的检测误差，扫地机器人自动关机，并重新启动，将车轮编码器的检测数据清零，以当前位置作为初始位置，重新开始清扫，并进行定位操作。

或，当扫地机器人移动通过台阶时，扫地机器人的一侧掉落台阶使得扫地机器人的底盘与台阶边缘卡住，无法移动，进而使得车轮空转，使得车轮传感器的测量数据出现较大的检测误差，此时通过无线通信将报警信号传输至与扫地机器人信号连接的手机上，使用者接收到报警信号移动至扫地机器人处，以手动的方式将扫地机器人移动至空旷的地面上，以使扫地机器人重新开始清扫，并进行定位操作。

区别于现有技术，本申请的定位方法包括：将自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测，以获得状态向量的预测值，其中状态向量包括第一速度和第一角速度中的至少一者以及车轮编码器的检测误差；利用观测传感器的检测结果构建观测向量；利用观测向量对状态向量的预测值进行更新，以获得状态向量的估计值。本申请通过车轮编码器获取状态向量的预测值，并利用观测传感器构建的观测向量对预测值进行更新，即利用观测向量对预测值进行修正以获取精度更高的预测值结果，防止车轮编码器打滑导致的定位漂移，进而无法准确定位，提高定位准确性。

在现有技术中，自主移动设备包括由轮式传感器与光流传感器结合使用的移动设备。具体地，当轮式传感器正常工作时，自主移动设备利用轮式传感器获取左右轮速度，并结合二轮轴距，可以推导出自主移动设备的前向速度、转向角速度，进而推导出自主移动设备的位置和角度信息，以实现自主移动设备的定位操作；而当轮式传感器异常工作时，自主移动设备利用光流传感器对速度信息进行积分累积以得到位置信息，替换轮式传感器的检测数据，进而实现自主移动设备的定位操作，并未有效地对测量误差进行建模和估计，以及有效融合光流传感器的信息。

本申请通过扩展卡尔曼滤波算法自动降低错误车轮传感器输入的权重，实现车轮传感器、陀螺仪以及光流传感器数据融合，以使多传感器融合的定位方法更可靠。同时通过实时监控车轮编码器的检测误差，实现对轮式编码器异常工作状态的准确检测，可以帮助应用层针对性采取更合理和有效的应对策略。

可选地，在其他实施例中，可使用姿态传感器(IMU，Inertial Measurement Unit)替代光流传感器，以实现对车轮传感器检测数据的校正。

请参阅图4，图4是本申请提供的电子设备一实施例的框架示意图。电子设备40包括相互耦接的存储器41和处理器42，处理器42用于执行存储器41中存储的程序指令，以实现上述任一机器人的轨迹规划方法实施例中的步骤。在一个具体的实施场景中，电子设备40可以包括但不限于：微型计算机、服务器，此外，电子设备40还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器42用于控制其自身以及存储器41以实现上述任一机器人的轨迹规划方法实施例中的步骤。处理器42还可以称为CPU(Central Processing Unit，中央处理单元)。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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也可以是任何常规的处理器等。另外，处理器42可以由集成电路芯片共同实现。

请参阅图5，图5是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质50存储有能够被处理器运行的程序指令51，程序指令51用于实现上述任一机器人的轨迹规划方法实施例中的步骤。

在一些实施例中，本实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

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。

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。

Claims (10)

1.一种自主移动设备的定位方法，其特征在于，所述定位方法包括：

将所述自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测，以获得所述状态向量的预测值，其中所述状态向量包括第一速度和第一角速度中的至少一者以及所述车轮编码器的检测误差；

利用观测传感器的检测结果构建观测向量；

利用所述观测向量对所述状态向量的预测值进行更新，以获得所述状态向量的估计值。

2.根据权利要求1所述的定位方法，其特征在于，所述车轮编码器的检测结果包括左轮编码器的检测结果和右轮编码器的检测结果。

3.根据权利要求2所述的定位方法，其特征在于，所述状态向量包括所述第一速度，所述车轮编码器的检测误差包括所述左轮编码器的检测误差和所述右轮编码器的检测误差；

所述将所述自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测的步骤之前，进一步包括：

调整所述第一速度，使所述第一速度等于第一差值与第二差值的平均值；

其中，所述第一差值为所述左轮编码器的检测结果和检测误差之差，所述第二差值为所述右轮编码器的检测结果和检测误差之差。

4.根据权利要求2所述的定位方法，其特征在于，所述状态向量包括所述第一角速度，所述车轮编码器的检测误差包括所述左轮编码器的检测误差和所述右轮编码器的检测误差；

所述将所述自主移动设备的车轮编码器的检测结果作为输入对状态向量的当前值进行状态转移预测的步骤之前，进一步包括：

调整所述第一角速度，使所述第一角速度等于第一差值与第二差值之差与轴距的比值；

其中，所述第一差值为所述左轮编码器的检测结果和检测误差之差，所述第二差值为所述右轮编码器的检测结果和检测误差之差，所述轴距为所述自主移动设备的左轮和右轮之间的间距。

5.根据权利要求1所述的定位方法，其特征在于，所述观测传感器包括光流传感器，所述观测向量包括由所述光流传感器检测的第二速度和第二角速度。

6.根据权利要求5所述的定位方法，其特征在于，所述状态向量进一步包括坐标和第一角度，所述观测传感器进一步包括陀螺仪，所述观测向量包括由所述陀螺仪检测的第二角度。

7.根据权利要求1所述的定位方法，其特征在于，所述利用所述观测向量对所述状态向量的预测值进行更新的步骤包括：

通过扩展卡尔曼滤波算法对所述状态向量的预测值进行更新。

8.根据权利要求1所述的定位方法，其特征在于，所述定位方法进一步包括：

确认所述车轮编码器的检测误差是否大于预设的阈值，响应于大于所述预设的阈值，则产生报警信号。

9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8任一项所述自主移动设备的定位方法。

10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至8任一项所述自主移动设备的定位方法。

Images