CN112750161B - 用于移动机器人的地图更新方法 - Google Patents
用于移动机器人的地图更新方法 Download PDFInfo
- Publication number
- CN112750161B CN112750161B CN202011530278.1A CN202011530278A CN112750161B CN 112750161 B CN112750161 B CN 112750161B CN 202011530278 A CN202011530278 A CN 202011530278A CN 112750161 B CN112750161 B CN 112750161B
- Authority
- CN
- China
- Prior art keywords
- grid
- mobile robot
- value
- map
- global
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000002245 particle Substances 0.000 claims description 35
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开提供了一种用于移动机器人的地图更新方法,其包括:获取全局栅格地图;通过移动机器人的传感器获取移动机器人周围环境信息的当前图像帧,结合移动机器人的内部里程计所提供的位姿信息,利用全局栅格地图获得移动机器人的最佳位姿估计;当移动机器人的最佳位姿估计的定位得分大于等于预设阈值,根据移动机器人的当前图像帧获得待更新栅格值的栅格;当待更新栅格值的栅格的帧更新间隔大于预设帧数时,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新,得到更新后的全局栅格地图。
Description
技术领域
本公开涉及一种用于移动机器人的地图更新方法,属于移动机器人智能控制领域。
背景技术
移动机器人已经服务于当今社会发展的各行各业,如工厂、医院、家庭、酒店、展览馆、餐厅等,主要执行物流、搬运、配送和导引等作业任务。移动机器人在这些场景中自主导航,其动态复杂环境的适应性和安全性是其智能化的重要表现,而且准确的全局定位是其自主导航最基本的要求,只有准确的全局定位,才能进行安全的路径规划,才能实现准确的多点往复运动。
而目前针对移动机器人在工作场景中作业,由于移动机器人的位姿不能直接感知,大多数移动机器人并不拥有测量位姿的无噪声传感器,因此位姿必须从数据推断,根据所依赖的传感器数据以及实现原理,提出了许多基于场景地图的全局定位算法,获得全局最优位姿估计,例如蒙特卡罗全局定位等。
考虑到工作场景的动态性和复杂性,经常会在移动机器人的传感器视野范围内出现临时性的障碍物,甚至工作场景发生局部变化且与已经构建的全局地图不相符,所以要求全局定位算法要准确可靠,就必须有较强的环境适应性和鲁棒性。
发明内容
为了解决上述技术问题中的至少一个,本公开提供了一种用于移动机器人的地图更新方法。
根据本公开的一个方面,提供了一种用于移动机器人的地图更新方法,其包括:
获取全局栅格地图,其中,所述全局栅格地图包括多个栅格;
通过移动机器人的传感器获取移动机器人周围环境信息的当前图像帧,结合移动机器人的内部里程计所提供的位姿信息,利用全局栅格地图获得移动机器人的最佳位姿估计;
判断移动机器人的最佳位姿估计的定位得分是否大于等于预设阈值,当移动机器人的最佳位姿估计的定位得分大于等于预设阈值,根据移动机器人的当前图像帧获得待更新栅格值的栅格;
判断待更新栅格值的栅格的帧更新间隔是否大于预设帧数,当待更新栅格值的栅格的帧更新间隔大于预设帧数时,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新,得到更新后的全局栅格地图。
根据本公开的至少一个实施方式的用于移动机器人的地图更新方法,当移动机器人初次使用时,根据移动机器人的工作环境,构建环境地图,对所述环境地图进行栅格化处理,得到全局栅格地图;当移动机器人非初次使用时,以移动机器人内部存储的更新后的全局栅格地图作为获取的全局栅格地图。
根据本公开的至少一个实施方式的用于移动机器人的地图更新方法,所述获得移动机器人的最佳位姿估计包括:
根据移动机器人前一时刻的位姿以及内部里程计当前时刻和前一时刻的差值获得移动机器人的当前位姿的参考值;
根据移动机器人的当前位姿的参考值,确定蒙特卡罗全局定位算法所使用的粒子集;
应用自适应蒙特卡罗全局定位算法将当前图像帧与全局栅格地图进行变权重粒子集特征匹配,获得粒子集中粒子的权值;
从粒子集中选择平均权值最大的一簇粒子,将该一簇粒子的位姿加权平均作为移动机器人的最佳位姿估计,并将该最佳位姿估计作为移动机器人的当前位姿。
根据本公开的至少一个实施方式的用于移动机器人的地图更新方法,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新包括:提高与当前图像帧所对应匹配的全局栅格地图中的栅格的栅格值。
根据本公开的至少一个实施方式的用于移动机器人的地图更新方法,所述全局栅格地图的每个栅格值选自第一特征值、第二特征值和第三特征值中的一个,其中,所述第一特征值为从预设范围内选择的值,所述第二特征值和第三特征值为定值。
根据本公开的至少一个实施方式的用于移动机器人的地图更新方法,当全局栅格地图被更新后,以更新后的全局栅格地图作为移动机器人定位的全局栅格地图输入,实现移动机器人定位,并且以更新后的全局栅格地图为基础进行再次更新。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分。
图1是根据本公开的一个实施方式的用于移动机器人的地图更新方法的流程框图。
图2是根据本公开的一个实施方式的用于移动机器人的地图更新方法的流程示意图。
图3是根据本公开的一个实施方式的移动机器人定位方法的流程示意图。
图4是根据本公开的一个实施方式的移动机器人定位装置的结构示意图。
具体实施方式
下面结合附图和实施方式对本公开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方式仅用于解释相关内容,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明,否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此,除非另有说明,否则在不脱离本公开的技术构思的情况下,各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此,除非说明,否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外,在附图中,为了清楚和/或描述性的目的,可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时,可以以不同于所描述的顺序来执行具体的工艺顺序。例如,可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外,同样的附图标记表示同样的部件。
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时,该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件,或者可以存在中间部件。然而,当部件被称作“直接在”另一部件“上“、“直接连接到”或“直接结合到”另一部件时,不存在中间部件。为此,术语“连接”可以指物理连接、电气连接等,并且具有或不具有中间部件。
本文使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
图1是根据本公开的一个实施方式的用于移动机器人的地图更新方法100的流程示意图。
如图1所示的用于移动机器人的地图更新方法,其包括:
102、获取全局栅格地图,其中,所述全局栅格地图包括多个栅格;
104、通过移动机器人的传感器获取移动机器人周围环境信息的当前图像帧,结合移动机器人的内部里程计所提供的位姿信息,利用全局栅格地图获得移动机器人的最佳位姿估计;
106、判断移动机器人的最佳位姿估计的定位得分是否大于等于预设阈值,当移动机器人的最佳位姿估计的定位得分大于等于预设阈值,根据移动机器人的当前图像帧获得待更新栅格值的栅格;以及
108、判断待更新栅格值的栅格的帧更新间隔是否大于预设帧数,当待更新栅格值的栅格的帧更新间隔大于预设帧数时,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新,得到更新后的全局栅格地图。
本公开中,当移动机器人初次使用时,根据移动机器人的工作环境,构建环境地图,对所述环境地图进行栅格化处理,得到全局栅格地图;该全局栅格地图为与工作环境对应的二维全局栅格地图,以使得移动机器人能够在动态复杂场景中的自主导航。
当移动机器人再次使用时,以移动机器人内部存储的更新后的全局栅格地图作为获取的全局栅格地图,并利用该更新后的全局栅格地图来对移动机器人进行导航。
本公开中,所述移动机器人中,通过移动机器人的驱动轮编码器实时计算内部里程计的位姿信息;优选地,所述移动机器人的传感器为激光传感器,所述激光传感器实时感知周围环境,获得当前图像帧,该当前图像帧包括2D激光点数据,并根据该2D激光点数据,获得障碍物相对于移动机器人的距离和角度信息。
所述内部里程计所提供的位姿信息由于通过驱动轮的编码器脉冲改变量来得到,其精度较高,但是随着时间的推移,会产生累计误差。
本公开中,当移动机器人上电时,会将该上电时刻的位姿作为原点坐标,在时间间隔(k-1,k],移动机器人从位姿pk-1前进到位姿pk。内部里程计反馈了从到/>的相对运动。这里的“-”表示是嵌在移动机器人内部坐标的,其与全局坐标系的关系是不确定的。
本公开中,考虑到内部里程计在时间间隔(k-1,k]时刻内,和/>的第一相对差是精确的;因此,可以将/>和/>的第一相对差来作为真实位姿pk-1和pk之间的第二相对差,并且所述内部里程计所提供的信息包括移动机器人的X方向和Y方向的位置信息,以及移动机器人的角度信息,由此通过内部里程计所提供的信息结合移动机器人的当前位姿(X方向和Y方向的位置,以及移动机器人的角度),获得移动机器人的当前位姿的参考值。
本公开中,所述全局栅格地图的每个栅格值选自第一特征值、第二特征值和第三特征值中的一个,其中,所述第一特征值为从预设范围内选择的值,所述第二特征值和第三特征值为定值。
优选地,所述第一特征值为1-127之间的值,即所述预设范围为[1,127],当然,所述预设范围也可以为其它范围,在此不对该预设范围进行限定。
当所述全局栅格地图的某一栅格的栅格值为1-127中的某一值时,即为第一特征值时,表示该栅格对应有障碍物,而且随着该栅格值的增大,表示该栅格所对应的障碍物为固定不动障碍物的概率越大,由此,通过该更新后的全局栅格地图能够有效区分某一栅格所对应的障碍物是临时性障碍物,例如行人等;还是绝对不动的障碍物(路标),例如墙壁等。
优选地,所述第二特征值为0,当所述全局栅格地图的某一栅格的栅格值为第二特征值时,表示该栅格未对应有障碍物。
所述第三特征值为-1,当所述全局栅格地图的某一栅格的栅格值为第三特征值时,表示未知该栅格是否对应有障碍物。
由此,每个栅格的栅格值的表征如下:
ci,j表示全局栅格地图中的栅格[i j]的栅格值,M为全局栅格地图的栅格集。
本公开中,准确的全局定位是移动机器人实现路径规划等自主导航的基础和前提条件,对于自主导航的准确性和安全性至关重要,由此所述获得移动机器人的最佳位姿估计包括:
根据移动机器人的当前位姿的参考值,确定蒙特卡罗全局定位算法所使用的粒子集;
应用自适应蒙特卡罗全局定位算法将当前图像帧与全局栅格地图进行变权重粒子集特征匹配,获得粒子集中粒子的权值;
从粒子集中选择平均权值最大的一簇粒子,将该一簇粒子的位姿加权平均作为移动机器人的最佳位姿估计,并将该最佳位姿估计作为移动机器人的当前位姿。
作为一种实现形式,所述自适应蒙特卡罗全局定位算法包括:
本公开中,从粒子集中选择平均权值最大的一簇粒子,将该一簇粒子的位姿加权平均作为移动机器人的最佳位姿估计包括:
构造k-d树,按照移动机器人位姿变化最大的维度作为k-d树划分子空间的标准,把所有粒子压入k-d树;其中,所述k-d树为分割k维数据空间的数据结构。
对每个粒子在k-d树进行指定值的最近邻搜索,把搜索到的所有粒子以相同的标签进行标记,由此将粒子划分为不同的簇。
从不同簇的粒子中选择平均权值最大的一簇粒子,将该一簇粒子的位姿加权平均作为移动机器人的最佳位姿估计。
本公开中,所述判断移动机器人的最佳位姿估计的定位得分包括:
依据移动机器人当前图像帧的最佳位姿估计,计算当前图像帧中每个离散的激光点在全局栅格地图中对应的栅格坐标:
其中,[xk,b yk,b θk,b]T为k帧的最佳位姿估计,分别为移动机器人的X方向坐标,Y方向坐标以及移动机器人的角度;{λk,n,n=1...N}为k帧的激光点数据;N为激光点的个数;κ为激光点分辨率;λk,n为对应的极坐标距离;I为2*1向量;γ为每个栅格的实际物理尺寸,单位为mm;
统计对应栅格点值,计算定位得分:
该定位得分作为移动机器人的当前图像帧全局位姿估计准确性和可信度的评判标准,相对于传统的蒙特卡罗定位算法所得到的实际定位得分值,定位得分Vk往往比较大,尤其是移动机器人周围有临时性动态障碍物的遮挡以及周围场景的局部改变时。
本公开中,当获得定位得分Vk后,需要判断移动机器人的最佳位姿估计的定位得分是否大于等于预设阈值;当当前图像帧的定位得分大于等于预设阈值时,表示移动机器人当前图像帧的全局位姿估计是准确可信的,则可以以当前图像帧全局位姿估计对全局栅格地图进行局部更新,根据移动机器人的当前图像帧获得待更新栅格值的栅格。
另一方面,当当前图像帧的定位得分小于预设阈值时,表示移动机器人当前图像帧的全局位姿估计是不准确的,则不以该当前图像帧全局位姿估计对全局栅格地图进行局部更新。
而且,为了避免在短时间相邻时刻内连续进行更新,预先设置一预设帧数,并判断待更新栅格值的栅格的帧更新间隔是否大于预设帧数,当待更新栅格值的栅格的帧更新间隔大于预设帧数时,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新,得到更新后的全局栅格地图。
具体地,当更新全局栅格地图时,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新包括:提高与当前图像帧所对应匹配的全局栅格地图中的栅格的栅格值。
本公开中,所述提高与当前图像帧所对应匹配的全局栅格地图中的栅格的栅格值基于当前图像帧的激光数据来进行;当对应栅格值大于一定的阈值时,可近似看作是场景中固定不动的路标,如墙壁、柱子等。
作为一种实现形式,当定位得分Vk大于等于预设阈值Vpre时,对栅格坐标的值进行更新:
其中,n=1...N;为当前k帧的激光点n所匹配的栅格[ik,n jk,n]的值;为当前k-1帧的激光点n所匹配的栅格点[ik,n jk,n]的值;/>为栅格点[ik,njk,n]对应的帧更新间隔;fpre为帧更新间隔的预设帧数。
而且,当全局栅格地图被更新后,以更新后的全局栅格地图作为下一帧,即k+1帧全局定位算法的全局栅格地图输入,实现移动机器人定位,并且以更新后的全局栅格地图为基础进行再次更新。
根据本公开的另一方面,提供一种移动机器人定位方法,其利用上述的用于移动机器人的地图更新方法生成的全局栅格地图进行定位,所述移动机器人定位方法包括:
通过移动机器人的传感器获取移动机器人周围环境信息的当前图像帧,结合移动机器人的内部里程计所提供的位姿信息,利用所述全局栅格地图获得移动机器人的最佳位姿估计;
根据该移动机器人的最佳位姿估计获得相对于给定周围环境的移动机器人的当前时刻全局定位信息。
优选地,所述获得移动机器人的最佳位姿估计包括:
应用自适应蒙特卡罗全局定位算法将当前图像帧与全局栅格地图进行变权重粒子集特征匹配;
从粒子集中选择平均权值最大的一簇粒子,将该一簇粒子的位姿加权平均作为移动机器人的最佳位姿估计。
本公开中,当获得最佳位姿估计后,以该最佳位姿估计作为相对于给定周围环境的移动机器人的当前时刻全局定位信息。
图4是根据本公开的一个实施方式的移动机器人定位装置的结构示意图。
该装置可以包括执行上述流程图中各个或几个步骤的相应模块。因此,可以由相应模块执行上述流程图中的每个步骤或几个步骤,并且该装置可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
该硬件结构可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线1100将包括一个或多个处理器1200、存储器1300和/或硬件模块的各种电路连接到一起。总线1100还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路1400连接。
总线1100可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,该图中仅用一条连接线表示,但并不表示仅有一根总线或一种类型的总线。
根据图4所示的用于移动机器人的地图更新装置1000,包括:
1002、地图获取模块,所述地图获取模块用于获取全局栅格地图,其中,所述全局栅格地图包括多个栅格;
1004、最佳位姿估计获取模块,所述最佳位姿估计获取模块用于通过移动机器人的传感器获取移动机器人周围环境信息的当前图像帧,结合移动机器人的内部里程计所提供的位姿信息,利用全局栅格地图获得移动机器人的最佳位姿估计;
1006、栅格位置获取模块,所述栅格位置获取模块用于判断移动机器人的最佳位姿估计的定位得分是否大于等于预设阈值,当移动机器人的最佳位姿估计的定位得分大于等于预设阈值,根据移动机器人的当前图像帧获得待更新栅格值的栅格;以及
1008、栅格值更新模块,所述栅格值更新模块用于判断待更新栅格值的栅格的帧更新间隔是否大于预设帧数,当待更新栅格值的栅格的帧更新间隔大于预设帧数时,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新,得到更新后的全局栅格地图。
本公开还提供了一种电子设备,包括:存储器,存储器存储执行指令;以及处理器或其他硬件模块,处理器或其他硬件模块执行存储器存储的执行指令,使得处理器或其他硬件模块执行上述的方法。
本公开还提供了一种可读存储介质,可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现上述的方法。
在本说明书的描述中,参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式/方式或示例中。在本说明书中,对上述术语的示意性表述不必须的是相同的实施方式/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”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”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“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。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (5)
1.一种用于移动机器人的地图更新方法,其特征在于,包括:
获取全局栅格地图,其中,所述全局栅格地图包括多个栅格;
通过移动机器人的传感器获取移动机器人周围环境信息的当前图像帧,结合移动机器人的内部里程计所提供的位姿信息,利用全局栅格地图获得移动机器人的最佳位姿估计;
判断移动机器人的最佳位姿估计的定位得分是否大于等于预设阈值,当移动机器人的最佳位姿估计的定位得分大于等于预设阈值,根据移动机器人的当前图像帧获得待更新栅格值的栅格;以及
判断待更新栅格值的栅格的帧更新间隔是否大于预设帧数,当待更新栅格值的栅格的帧更新间隔大于预设帧数时,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新,得到更新后的全局栅格地图;
其中,所述全局栅格地图的每个栅格值选自第一特征值、第二特征值和第三特征值中的一个,其中,所述第一特征值为从预设范围内选择的值,所述第二特征值和第三特征值为定值;当所述全局栅格地图的某一栅格的栅格值为第一特征值时,该第一特征值选自1-127中的任一整数值,随着该栅格值的增大,表示该栅格所对应的障碍物为固定不动障碍物的概率越大;所述第二特征值为0,当所述全局栅格地图的某一栅格的栅格值为第二特征值时,表示该栅格未对应有障碍物;所述第三特征值为-1,当所述全局栅格地图的某一栅格的栅格值为第三特征值时,表示未知该栅格是否对应有障碍物;
所述移动机器人的最佳位姿估计的定位得分包括:依据移动机器人当前图像帧的最佳位姿估计,计算当前图像帧中每个离散的激光点在全局栅格地图中对应的栅格坐标:
其中,[xk,b yk,b θk,b]T为k帧的最佳位姿估计,分别为移动机器人的X方向坐标,Y方向坐标以及移动机器人的角度;{λk,n,n=1...N}为k帧的激光点数据;N为激光点的个数;κ为激光点分辨率;λk,n为对应的极坐标距离;I为2*1向量;γ为每个栅格的实际物理尺寸,单位为mm;统计对应栅格点值,计算定位得分:
2.如权利要求1所述的用于移动机器人的地图更新方法,其特征在于,当移动机器人初次使用时,根据移动机器人的工作环境,构建环境地图,对所述环境地图进行栅格化处理,得到全局栅格地图;当移动机器人非初次使用时,以移动机器人内部存储的更新后的全局栅格地图作为获取的全局栅格地图。
3.如权利要求1所述的用于移动机器人的地图更新方法,其特征在于,所述获得移动机器人的最佳位姿估计包括:
根据移动机器人前一时刻的位姿以及内部里程计当前时刻和前一时刻的差值获得移动机器人的当前位姿的参考值;
根据移动机器人的当前位姿的参考值,确定蒙特卡罗全局定位算法所使用的粒子集;
应用自适应蒙特卡罗全局定位算法将当前图像帧与全局栅格地图进行变权重粒子集特征匹配,获得粒子集中粒子的权值;
从粒子集中选择平均权值最大的一簇粒子,将该一簇粒子的位姿加权平均作为移动机器人的最佳位姿估计,并将该最佳位姿估计作为移动机器人的当前位姿。
4.如权利要求3所述的用于移动机器人的地图更新方法,其特征在于,对全局栅格地图中的待更新栅格值的栅格的栅格值进行更新包括:提高与当前图像帧所对应匹配的全局栅格地图中的栅格的栅格值。
5.如权利要求1所述的用于移动机器人的地图更新方法,其特征在于,当全局栅格地图被更新后,以更新后的全局栅格地图作为移动机器人定位的全局栅格地图输入,实现移动机器人定位,并且以更新后的全局栅格地图为基础进行再次更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011530278.1A CN112750161B (zh) | 2020-12-22 | 2020-12-22 | 用于移动机器人的地图更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011530278.1A CN112750161B (zh) | 2020-12-22 | 2020-12-22 | 用于移动机器人的地图更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750161A CN112750161A (zh) | 2021-05-04 |
CN112750161B true CN112750161B (zh) | 2023-11-03 |
Family
ID=75645777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011530278.1A Active CN112750161B (zh) | 2020-12-22 | 2020-12-22 | 用于移动机器人的地图更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750161B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391318B (zh) * | 2021-06-10 | 2022-05-17 | 上海大学 | 一种移动机器人定位方法及系统 |
CN115509216A (zh) * | 2021-06-21 | 2022-12-23 | 广州视源电子科技股份有限公司 | 路径规划方法、装置、计算机设备和存储介质 |
CN114216451B (zh) * | 2021-12-02 | 2024-03-26 | 北京云迹科技股份有限公司 | 一种机器人地图的更新方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000507A (zh) * | 2006-09-29 | 2007-07-18 | 浙江大学 | 移动机器人在未知环境中同时定位与地图构建的方法 |
CN107992040A (zh) * | 2017-12-04 | 2018-05-04 | 重庆邮电大学 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
CN109459039A (zh) * | 2019-01-08 | 2019-03-12 | 湖南大学 | 一种医药搬运机器人的激光定位导航系统及其方法 |
CN109682382A (zh) * | 2019-02-28 | 2019-04-26 | 电子科技大学 | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 |
CN111708047A (zh) * | 2020-06-16 | 2020-09-25 | 浙江大华技术股份有限公司 | 机器人定位评估方法、机器人及计算机存储介质 |
CN111812613A (zh) * | 2020-08-06 | 2020-10-23 | 常州市贝叶斯智能科技有限公司 | 一种移动机器人定位监测方法、装置、设备和介质 |
-
2020
- 2020-12-22 CN CN202011530278.1A patent/CN112750161B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000507A (zh) * | 2006-09-29 | 2007-07-18 | 浙江大学 | 移动机器人在未知环境中同时定位与地图构建的方法 |
CN107992040A (zh) * | 2017-12-04 | 2018-05-04 | 重庆邮电大学 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
CN109459039A (zh) * | 2019-01-08 | 2019-03-12 | 湖南大学 | 一种医药搬运机器人的激光定位导航系统及其方法 |
CN109682382A (zh) * | 2019-02-28 | 2019-04-26 | 电子科技大学 | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 |
CN111708047A (zh) * | 2020-06-16 | 2020-09-25 | 浙江大华技术股份有限公司 | 机器人定位评估方法、机器人及计算机存储介质 |
CN111812613A (zh) * | 2020-08-06 | 2020-10-23 | 常州市贝叶斯智能科技有限公司 | 一种移动机器人定位监测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112750161A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112750161B (zh) | 用于移动机器人的地图更新方法 | |
CN111429574B (zh) | 基于三维点云和视觉融合的移动机器人定位方法和系统 | |
Surmann et al. | An autonomous mobile robot with a 3D laser range finder for 3D exploration and digitalization of indoor environments | |
Baltzakis et al. | Fusion of laser and visual data for robot motion planning and collision avoidance | |
Broggi et al. | A full-3D voxel-based dynamic obstacle detection for urban scenario using stereo vision | |
CN109325979B (zh) | 基于深度学习的机器人回环检测方法 | |
US10288425B2 (en) | Generation of map data | |
Li et al. | Real-time simultaneous localization and mapping for uav: A survey | |
JP2004326264A (ja) | 障害物検出装置と同装置を用いた自律移動ロボット、障害物検出方法、及び障害物検出プログラム | |
CN112904358B (zh) | 基于几何信息的激光定位方法 | |
Blanco et al. | Consistent observation grouping for generating metric-topological maps that improves robot localization | |
CN111709988A (zh) | 一种物体的特征信息的确定方法、装置、电子设备及存储介质 | |
Kim et al. | Variants of the quantized visibility graph for efficient path planning | |
Simsarian et al. | View-invariant regions and mobile robot self-localization | |
Ranganathan et al. | Topological navigation and qualitative localization for indoor environment using multi-sensory perception | |
CN112987720A (zh) | 一种用于移动机器人的多尺度地图构建方法及构建装置 | |
CN113048978B (zh) | 移动机器人重定位方法及移动机器人 | |
Đakulović et al. | Exploration and mapping of unknown polygonal environments based on uncertain range data | |
Cupec et al. | Global localization based on 3d planar surface segments | |
Watanabe et al. | Robust localization with architectural floor plans and depth camera | |
Elizondo-Leal et al. | An exact euclidean distance transform for universal path planning | |
CN113554705A (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
CN111708046A (zh) | 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质 | |
Lim et al. | Adaptive Sliding Window for hierarchical pose-graph-based SLAM | |
Zhang et al. | An improved bicubic interpolation SLAM algorithm based on multi-sensor fusion method for rescue robot |
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 |