CN112762928A - 含有激光slam的odom与dm地标组合移动机器人及导航方法 - Google Patents

含有激光slam的odom与dm地标组合移动机器人及导航方法 Download PDF

Info

Publication number
CN112762928A
CN112762928A CN202011538701.2A CN202011538701A CN112762928A CN 112762928 A CN112762928 A CN 112762928A CN 202011538701 A CN202011538701 A CN 202011538701A CN 112762928 A CN112762928 A CN 112762928A
Authority
CN
China
Prior art keywords
robot
landmark
particle
pose
particles
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
CN202011538701.2A
Other languages
English (en)
Other versions
CN112762928B (zh
Inventor
魏博
杨茸
舒思豪
李艳生
张毅
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011538701.2A priority Critical patent/CN112762928B/zh
Publication of CN112762928A publication Critical patent/CN112762928A/zh
Application granted granted Critical
Publication of CN112762928B publication Critical patent/CN112762928B/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
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了含有激光SLAM的ODOM与DM地标组合移动机器人及导航方法，首先通过建立里程计运动模型预测粒子位置，并利用DM码数据信息修正其参数，再建立DM地标观测模型更新粒子重要性权重；其后在改进的粒子重采样过程中根据相机观测似然增加固定数目的随机粒子，以获得更准确的粒子分布来有效提高定位精度，同时减弱了蒙特卡洛(MCL)算法粒子退化，改进算法解决了机器人位置漂移与劫持问题；最后通过DM地标轨迹纠偏不断修正其位姿，提高机器人全局导航精度，基于组合导航机器人平台进行实验。

Description

含有激光SLAM的ODOM与DM地标组合移动机器人及导航方法
技术领域
本发明涉及机器人导航领域，具体涉及含有激光SLAM的ODOM与DM地标组合移动机器人及导航方法。
背景技术
近年来，随着智能制造和智能物流的发展，各行业对柔性化的智能搬运设备运用也越来越广泛。在智能化仓储系统中轮式移动机器人可以高效快捷的将存储的物品灵活运送至分拣处，并可以多台机器人协同调度，通过更新目标点使轮式移动机器人自主规划路线，组成较高的柔性搬运系统。但移动机器人的精度以及柔性化问题一直是工业领域普及与运用的一个难点，磁带导航与二维码导航，两种导航方式运用简单，但磁带导航精度低，二维码导航柔性低，且地标识别率易受光照等受外在条件影响，不能用于工业环境，实用性与鲁棒性较低，两者后期维护困难，而SLAM技术的导航方式，常规SLAM技术定位与导航性能依赖于传感器精度和算法的优劣，容易造成机器人位姿漂移与劫持问题。
发明内容
本发明所要解决的技术问题是的物流机器人的导航精度随位移累计下降的问题与机器人位置漂移与劫持的技术问题，目的在于提供含有激光SLAM的ODOM与DM地标组合移动机器人及导航方法，能够避免建立复杂的视觉地标库，更大程度的提高机器人的定位精度。
本发明通过下述技术方案实现：
含有激光SLAM的ODOM与DM地标组合移动机器人及导航方法，包括以下步骤：
S1：利用激光SLAM导航系统，通过控制带编码器的无刷电机使得机器人移动至初始DM 地标位置；
S2：机器人使用定位相机对初始DM地标进行采集，机器人系统对采集到的照片进行识别，得到机器人与DM地标间的距离和位姿角度偏差α，机器人系统推算出机器人在全局地图的初始位置；
S3：机器人系统给定机器人的起始点和目标点后，机器人系统根据机器人与DM坐标间的距离信息、位姿角度偏差信息α、机器人在全局地图的初始位置信息、给定机器人的起始点信息和目标点信息进行路径规划，机器人得到一个路径规划指令，解决机器人的漂移问题；
S4：机器人通过路径规划指令移动至第一个目标点的DM地标位置，机器人使用定位相机对第一个目标点的DM地标进行采集，机器人系统对采集到的照片进行识别，得到机器人与DM地标间的相对位姿值a1；
S5：机器人系统判断相对位姿值a1是否大于α，如果位姿角度偏差值小于α，进行下一步S6操作，如果位姿偏差值大于α，改进的蒙卡特定位算法模块对相关参数信息进行处理后预测得到了新的目标点β，将β输入路径规划模块中，进行路径规划和运动，得到位姿偏差α2，再带入到步骤S5中继续判断直至误差小于α；
S6：如果位姿角度偏差值小于α，移动机器人将货物投放至DM码旁边的货架后返回货物分拣台。
其中，基于SLAM的里程计(Odom)与Data Matrix(DM)地标组合导航方法；首先通过建立里程计运动模型预测粒子位置，并利用DM码数据信息修正其参数，再建立DM地标观测模型更新粒子重要性权重；其后在改进的粒子重采样过程中根据相机观测似然增加固定数目的随机粒子，以获得更准确的粒子分布来有效提高定位精度，同时减弱了蒙特卡洛(MCL)算法粒子退化，改进算法解决了机器人位置漂移与劫持问题；最后通过DM地标轨迹纠偏不断修正其位姿，提高机器人全局导航精度，基于组合导航机器人平台进行实验。
进一步，所述系统中的蒙特卡洛定位算法模块对相关参数进行预处理的过程包括：使用粒子滤波跟踪机器人在已知地图中的位姿，所述粒子滤波用粒子表示置信度Xt来模拟运动状态；根据里程计运动模型使特定数量的粒子分布在地图上，里程计误差越大粒子群越分散；根据DM地标观测模型来确定粒子重要性权重，机器人识别到DM地标后重采样粒子筛选和增加固定粒子，完成近似状态估计；机器人根据状态估计，通过路径规划调整位姿到α误差内。
进一步，所述相关参数包括：激光雷达参数、相机参数和里程计参数。
进一步，所述粒子滤波用于定位需要得到一个推测位姿xt，所述位姿xt服从P(xt|ut,xt-1) 的分布，通过里程计运动模型方法采样，所述里程计运动模型方法中的
Figure RE-GDA0003007903860000021
代表机器人内嵌的坐标。
进一步，所述移动机器人识别到DM地标后，里程计与DM地标的定位误差可以当成相互独立高斯白噪声进行处理；运用卡尔曼滤波对定位的位置信息进行融合，移动机器人所在的位置为卡尔曼滤波状态量，所述公式Xt＝Xt-1+R(ΔxtΔytΔθt)T的航迹推算模型来实现机器人状态量的预测和更新。
进一步，粒子群带入运动模型后得到粒子群下一步的位置，根据DM地标测量模型计算出预测和观测距离的几何差值，按照距离的不同给每个粒子添加权重，权重和距离关系符合高斯分布钟型曲线，为了得到粒子权重
Figure RE-GDA0003007903860000022
建立DM地标测量模型求得地标测量似然
Figure RE-GDA0003007903860000031
进一步，在重要性采样过程中会根据每一次观测信息递归产生重要性权值和样本集，但随迭代次数增加，很多粒子权值退化为0，导致粒子退化。而引入DM地标信息后，根据观测似然在相应的位置直接放置附加粒子，能有效的抑制粒子退化，提高定位精度。在重采样过程中，权重较小的粒子可能在新的粒子群中被丢弃，而重采样操作中是根据有效粒子数量来决定是否重采样。对于全部的粒子数N的归一化权重集合为
Figure RE-GDA0003007903860000032
把一定数量的附加粒子直接放置在相应的位置，则有效粒子数目Neffe可以定义为：
Figure RE-GDA0003007903860000033
其中N为粒子数目，J为增加的粒子数目，则重采样次数和阈值关系如下：
Figure RE-GDA0003007903860000034
当Neffe小于阈值或者相机识别的系统标志位FLAG为1时开始重采样，ε为常数，可根据实际情况选取。根据上述方法可以有效的避免粒子退化和得到更准确的粒子分布。
进一步，所述移动机器人内置有执行上述步骤S1-S6的执行模块。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明含有激光SLAM的ODOM与DM地标组合移动机器人及导航方法，通过识别DM码封装的位置信息，对里程计运动模型参数进行修正，并建立DM地标观测模型修改粒子权重和重采样，通过改进后蒙特卡洛定位算法完成精确的全局定位；该导航方法能够避免建立复杂的视觉地标库，更大程度的提高机器人的定位精度，解决机器人漂移与劫持等问题。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为蒙特卡洛算法流程图；
图2为DM-MCL和KLD-MCL粒子滤波的状态估计对比图；
图3为模拟仓储环境组合机器人运动路径示意图；
图4为组合导航DM-MCL算法粒子分布示意图；
图5为组合导航效果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例
如图1所示，本发明含有激光SLAM的ODOM与DM地标组合移动机器人及导航方法，包括以下步骤：
S1：利用激光SLAM导航系统，通过控制带编码器的无刷电机使得机器人移动至初始DM 地标位置；
S2：机器人使用定位相机对初始DM地标进行采集，机器人系统对采集到的照片进行识别，得到机器人与DM地标间的距离和位姿角度偏差α，机器人系统推算出机器人在全局地图的初始位置；
S3：机器人系统给定机器人的起始点和目标点后，机器人系统根据机器人与DM坐标间的距离信息、位姿角度偏差信息α、机器人在全局地图的初始位置信息、给定机器人的起始点信息和目标点信息进行路径规划，机器人得到一个路径规划指令，解决机器人的漂移问题；
S4：机器人通过路径规划指令移动至第一个目标点的DM地标位置，机器人使用定位相机对第一个目标点的DM地标进行采集，机器人系统对采集到的照片进行识别，得到机器人与 DM地标间的相对位姿值a1；
S5：机器人系统判断相对位姿值a1是否大于α，如果位姿角度偏差值小于α，进行下一步S6操作，如果位姿偏差值大于α，改进的蒙卡特定位算法模块对相关参数信息进行处理后预测得到了新的目标点β，将β输入路径规划模块中，进行路径规划和运动，得到位姿偏差α2，再带入到步骤S5中继续判断直至误差小于α；
S6：如果位姿角度偏差值小于α，移动机器人将货物投放至DM码旁边的货架后返回货物分拣台。
其中，基于SLAM技术的里程计(Odom)与Data Matrix(DM)地标组合导航方法；首先通过建立里程计运动模型预测粒子位置，并利用DM码数据信息修正其参数，再建立DM地标观测模型更新粒子重要性权重；其后在改进的粒子重采样过程中根据相机观测似然增加固定数目的随机粒子，以获得更准确的粒子分布来有效提高定位精度，同时减弱了蒙特卡洛(MCL) 算法粒子退化，改进算法解决了机器人位置漂移与劫持问题；最后通过DM地标轨迹纠偏不断修正其位姿，提高机器人全局导航精度。基于组合导航机器人平台进行实验。
在现实仓储环境中，移动机器人周围环境信息相对固定，可以利用少量DM地标等信息来优化里程计的数据。
粒子滤波用于定位需要得到一个推测位姿xt，该位姿服从P(xt|ut,xt-1)的分布，通过里程计运动模型(motion_model_odometry)方法实现采样，该方法的
Figure RE-GDA0003007903860000051
代表机器人内嵌的坐标，为了提取相对距离，可以把运动信息ut分解成三个步骤：初始旋转δr1、平移δt和第二次旋转δr2。分别计算两个旋转值和一个平移值，通过计算可得：
Figure RE-GDA0003007903860000052
Figure RE-GDA0003007903860000053
Figure RE-GDA0003007903860000054
机器人通过xt-1位置旋转角
Figure RE-GDA0003007903860000055
再经过平移距离
Figure RE-GDA0003007903860000056
最后在跟随另一个旋转角
Figure RE-GDA0003007903860000057
得到实际带误差的最终位姿xt：
Figure RE-GDA0003007903860000058
Figure RE-GDA0003007903860000059
Figure RE-GDA0003007903860000061
机器人通过xt-1位置旋转角
Figure RE-GDA0003007903860000062
再经过平移距离
Figure RE-GDA0003007903860000063
最后在跟随另一个旋转角
Figure RE-GDA0003007903860000064
得到实际带误差的最终位姿xt：
Figure RE-GDA0003007903860000065
通过输出带误差的最终位姿Xt(同上xt)与DM数据信息结合，修正其误差，则里程计航迹推算模型为：
Xt＝(xT,yT,θT)T (8)
Xt＝Xt-1+R(Δxt Δyt Δθt)T (9)
Figure RE-GDA0003007903860000066
上式中Xt和Xt-1分别对应t、t-1时刻机器人的位置坐标，R为机器人坐标系到世界坐标系的旋转矩阵，θ、α、β为旋转矩阵的旋转角，(Δxt,Δyt,Δθt)为里程计两次定位时刻数据差值。
当移动机器人识别到DM地标时，里程计与DM地标的定位误差可以当成相互独立高斯白噪声进行处理[15]。通过运用卡尔曼滤波(Kalman Filter)对定位的位置信息进行融合，移动机器人所在的位置为卡尔曼滤波状态量，通过公式(9)式的航迹推算模型来实现机器人状态量的预测和更新，DM地标提取处理后的信息为观测模型提供观测值。通过重构系统状态更新方程如下：
Figure RE-GDA0003007903860000067
Zt＝BXt+Vt (12)
Xt＝X- t+Kt(Zt-AX- t) (13)
上式中A为机器人状态转移矩阵，B为观测矩阵，Zt为DM码的定位观测值，Wt和Vt分别为系统的噪声和观测过程中的测量误差噪声。数据融合之后，X- t为状态估计量，Kt为卡尔曼滤波的增益矩阵。而Xt为里程计与DM地标融合后的位置信息。
当粒子群带入运动模型后得到粒子群下一步的位置，根据DM地标测量模型计算出预测和观测距离的几何差值，按照距离的不同给每个粒子添加权重，权重和距离关系符合高斯分布钟型曲线；为了得到粒子权重
Figure RE-GDA0003007903860000071
需要通过建立DM地标测量模型 (landmark_measurement_model)求得地标测量似然
Figure RE-GDA0003007903860000072
式(14)(15)中令地图为m， j为对应的地标，i为地标特征，r表方位φ表观测到的距离，s为编号，
Figure RE-GDA0003007903860000073
为相机观测到的特征，假设它们噪声相互独立则有：
Figure RE-GDA0003007903860000074
Figure RE-GDA0003007903860000075
当机器人运动过程中没有读取到DM地标时，则状态标志位设置为0，当读到置为1时，则为激光传感器测量似然Pg(zt|xt,m)，传感器测量概率如下：
Figure RE-GDA0003007903860000076
N为粒子总数，则每个粒子
Figure RE-GDA0003007903860000077
的权重为：
Figure RE-GDA0003007903860000078
且满足归一化条件
Figure RE-GDA0003007903860000079
在重要性采样过程中会根据每一次观测信息递归产生重要性权值和样本集，但随迭代次数增加，很多粒子权值退化为0，导致粒子退化。而引入DM地标信息后，根据观测似然在相应的位置直接放置附加粒子，能有效的抑制粒子退化，提高定位精度。在重采样过程中，权重较小的粒子可能在新的粒子群中被丢弃，而重采样操作中是根据有效粒子数量来决定是否重采样。对于全部的粒子数N的归一化权重集合为
Figure RE-GDA00030079038600000710
把一定数量的附加粒子直接放置在相应的位置，则有效粒子数目Neffe可以定义为：
Figure RE-GDA00030079038600000711
其中N为粒子数目，J为增加的粒子数目，则重采样次数和阈值关系如下：
Figure RE-GDA0003007903860000081
当Neffe小于阈值或者相机识别的系统标志位FLAG为1时开始重采样，ε为常数，可根据实际情况选取。根据上述方法可以有效的避免粒子退化和得到更准确的粒子分布。
为了提升算法定位精度，根据相机观测似然评估采样的重要性，在重采样过程中根据观测似然在相应的位置直接放置附加粒子；当未识别到DM地标，相机采样失效将由激光似然评价粒子权重。本文所提的DM-MCL算法基本步骤如下：
输入：t-1时刻带权粒子集Xt-1，控制量ut，以及传感器观测值zt。
输出：t时刻的带权粒子集Xt。
步骤1Xt-1置空值，n＝0。
步骤2从第1步到M步，从Xt-1中随机抽取一样本
Figure RE-GDA0003007903860000082
通过上述motion modelodometry
Figure RE-GDA0003007903860000083
算法得到粒子位姿
Figure RE-GDA0003007903860000084
根据DM地标的landmarkmeasurement
Figure RE-GDA0003007903860000085
算法执行重要性采样，并计算相应粒子权值，式同(17)所示。
步骤3：粒子权值归一化处理
Figure RE-GDA0003007903860000086
步骤4：将更新后的粒子集进行重采样，按照式(18)和(19)对采样粒子数进行更新。
步骤5：t时刻机器人以粒子集数学期望作为位姿状态输出为：
Figure RE-GDA0003007903860000087
步骤6：n＝n+1，返回第二步。
组合导航机器人采用中间左右两个主动轮差速驱动，在主动轮同一基准前后各有两个支撑导向的万向轮，电机采用Z5BLDXX带编码器的直流无刷电机，机器人的运动速度为V＝0.5m/s。在机器人的正中心向下装有一个WISS-AGVXXF高频相机，以每秒50次的高速采样识别DM码来获得行走过程中定位信息，在相机正上方装有一个激光雷达,用于地图构建和导航。在机器人前端装有红外线避障，防止机器人发生碰撞。
控制器采用自主开发的专用组合导航控制器STM32F407ZGT6，CPU基于Cortex-M432-bit RISC内核设计，主频168MHz。该控制器集成了电机控制与驱动、以太网NUC通信、激光雷达、红外避障、视觉传感器、WIFI通信等各种控制与通信接口，而Inter NUC的PC 机的CPU基于Intel酷睿i7 8809G，主频3.1GHz，用于Ubuntu系统和ROS通信，该系统实现了组合导航所需要的全部模块和功能。
为了更好的证明本文提出的导航方法和相关算法的定位性能，在实验室场地搭建了一个模拟物流仓储环境，在模拟场地中，分拣台旁贴有一个DM地标，在各个货架前贴有①～③号DM码模拟不同货架存放不同货物。对组合导航的机器人定位算法和导航控制精度进行验证。
为了验证组合导航的改进后蒙特卡洛定位算法(DM-MCL)的有效性，首先通过仿真实验进行研究，并以自适应性蒙特卡洛(KLD-MCL)仿真结果进行对比，使用Matlab2016a上进行计算仿真，对DM-MCL设置参数如下：c＝0.7，u＝0.1，m＝5，z＝0.01，实验所用初始粒子数为2000，增加固定粒子数500。图2为DM-MCL与KLD-MCL算法的状态估计的误差对比，在相同条件下，DM-MCL与真实状态最为接近；表1为两种算法滤波性能比较，可知DM-MCL算法有效粒子百分比较高，运行时间也相对较短，减弱了粒子退化，提升了处理能力。由此说明改进后的蒙特卡洛算法优于自适应蒙特卡洛算法。
表1两种算法滤波性能比较
Figure RE-GDA0003007903860000091
为了对机器人的DM-MCL算法进行实验验证，使用上述组合导航机器人操作系统(Robot Operating System，ROS)gmapping节点对模拟仓储环境进行地图构建。机器人通过多任务导航A→B→C→D点的路径运动进行验证，如图3中①-⑤处分别贴有DM地标。
组合导航机器人识别到DM地标后粒子的变化情况如图4(A)-(C)所示。黄色圆点表示机器人，周围的红色箭头表示粒子，箭头方向为机器人运动的方向，绿色区域代表增加的固定粒子数。通过图中不同颜色粒子对比，第一次检测到DM地标时，绿色粒子数增加并收敛，如图5(a)当离开地标后，绿色粒子消失，随着机器人运动出现位姿漂移，当再次识别到DM地标时，机器人结合控制值与观测值对机器人位姿进行修正，绿色粒子增加并收敛，如图5(b)，循环上述过程，组合导航机器人定位精度提高。
表2为两种算法定位的误差随移动节点步数变化情况，经过激光测距仪与DM地标专用相机反复测量取均值后，可以看出MCL定位算法在运动过程中的误差在8.90cm左右，而改进后的蒙特卡洛算法定位误差均值为5.73cm，对比KLD-MCL算法，DM-MC算法定位精度提高了35.6％。由此可见，DM地标的定位信息与里程计信息融合后，定位算法修正了累计误差，当机器人移动至每个DM地标处后增加了固定的粒子数，避免了因粒子丢失导致定位失真的现象，进一步证实了DM-MCL定位算法的优势。
表2两种算法定位误差对比
Figure RE-GDA0003007903860000101
组合导航的精度与可行性进行验证，通过对带有KLD-MCL定位算法的激光SLAM导航机器人与DM-MCL算法的激光SLAM组合导航机器人导航精度进行对比，在实验过程中分别记录两种导航方式轨迹的实测值，通过导航路径图分析可以看出：图5(a)所示为带有 KLD-MCL定位算法的激光SLAM导航机器人定位误差明显，达不到精确定位的要求，并且随着运动里程的累计误差增大；而(b)而组合导航机器人路径趋近于图5的目标规划路径，精度得到了明显提高。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.含有激光SLAM的ODOM与DM地标组合移动机器人的导航方法，其特征在于，包括以下步骤：
S1：利用激光SLAM导航系统，通过控制带编码器的无刷电机使得机器人移动至初始DM地标位置；
S2：机器人使用定位相机对初始DM地标进行采集，机器人系统对采集到的照片进行识别，得到机器人与DM地标间的距离和位姿角度偏差α，机器人系统推算出机器人在全局地图的初始位置；
S3：机器人系统给定机器人的起始点和目标点后，机器人系统根据机器人与DM坐标间的距离信息、位姿角度偏差信息α、机器人在全局地图的初始位置信息、给定机器人的起始点信息和目标点信息进行路径规划，机器人得到一个路径规划指令；
S4：机器人通过路径规划指令移动至第一个目标点的DM地标位置，机器人使用定位相机对第一个目标点的DM地标进行采集，机器人系统对采集到的照片进行识别，得到机器人与DM地标间的相对位姿值a1；
S5：机器人系统判断相对位姿值a1是否大于α，如果位姿角度偏差值小于α，进行下一步S6操作，如果位姿偏差值大于α，改进的蒙卡特定位算法模块对相关参数信息进行处理后预测得到了新的目标点β，将β输入路径规划模块中，进行路径规划和运动，得到位姿偏差α2，再带入到步骤S5中继续判断直至误差小于α；
S6：如果位姿角度偏差值小于α，移动机器人将货物投放至DM码旁边的货架后返回货物分拣台。
2.根据权利要求1所述的含有激光SLAM的ODOM与DM地标组合移动机器人的导航方法，其特征在于，所述系统中的蒙特卡洛定位算法模块对相关参数进行预处理的过程包括：使用粒子滤波跟踪机器人在已知地图中的位姿，所述粒子滤波用粒子表示置信度Xt来模拟运动状态；根据里程计运动模型使特定数量的粒子分布在地图上，里程计误差越大粒子群越分散；根据DM地标观测模型来确定粒子重要性权重，机器人识别到DM地标后重采样粒子筛选和增加固定粒子，完成近似状态估计；机器人根据状态估计，通过路径规划调整位姿到α误差内。
3.根据权利要求2所述的含有激光SLAM的ODOM与DM地标组合移动机器人的导航方法，其特征在于，所述相关参数包括：激光雷达参数、相机参数和里程计参数。
4.根据权利要求2所述的含有激光SLAM的ODOM与DM地标组合移动机器人的导航方法，其特征在于，所述粒子滤波用于定位需要得到一个推测位姿xt，所述位姿xt服从P(xt|ut,xt-1)的分布，通过里程计运动模型方法采样，所述里程计运动模型方法中的
Figure RE-FDA0003007903850000011
代表机器人内嵌的坐标。
5.根据权利要求2所述含有激光SLAM的ODOM与DM地标组合移动机器人的导航方法，其特征在于，所述移动机器人识别到DM地标后，里程计与DM地标的定位误差可以当成相互独立高斯白噪声进行处理；运用卡尔曼滤波对定位的位置信息进行融合，移动机器人所在的位置为卡尔曼滤波状态量，所述公式Xt＝Xt-1+R(ΔxtΔytΔθt)T的航迹推算模型来实现机器人状态量的预测和更新。
6.根据权利要求2所述含有激光SLAM的ODOM与DM地标组合移动机器人的导航方法，其特征在于，粒子群带入运动模型后得到粒子群下一步的位置，根据DM地标测量模型计算出预测和观测距离的几何差值，按照距离的不同给每个粒子添加权重，权重和距离关系符合高斯分布钟型曲线，为了得到粒子权重
Figure RE-FDA0003007903850000021
建立DM地标测量模型求得地标测量似然
Figure RE-FDA0003007903850000022
7.根据权利要求2所述含有激光SLAM的ODOM与DM地标组合移动机器人的导航方法，其特征在于，在重采样过程中，权重较小的粒子在新的粒子群中被丢弃，而重采样操作中是根据有效粒子数量来决定是否重采样；对于全部的粒子数N的归一化权重集合为
Figure RE-FDA0003007903850000023
把一定数量的附加粒子直接放置在相应的位置，则有效粒子数目Neffe可以定义为：
Figure RE-FDA0003007903850000024
其中N为粒子数目，J为增加的粒子数目，则重采样次数和阈值关系如下：
Figure RE-FDA0003007903850000025
当Neffe小于阈值或者相机识别的系统标志位FLAG为1时开始重采样，ε为常数。
8.含有激光SLAM的ODOM与DM地标组合移动机器人，其特征在于，所述移动机器人内置有执行上述步骤S1-S6的执行模块。
CN202011538701.2A 2020-12-23 2020-12-23 含有激光slam的odom与dm地标组合移动机器人及导航方法 Active CN112762928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011538701.2A CN112762928B (zh) 2020-12-23 2020-12-23 含有激光slam的odom与dm地标组合移动机器人及导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011538701.2A CN112762928B (zh) 2020-12-23 2020-12-23 含有激光slam的odom与dm地标组合移动机器人及导航方法

Publications (2)

Publication Number Publication Date
CN112762928A true CN112762928A (zh) 2021-05-07
CN112762928B CN112762928B (zh) 2022-07-15

Family

ID=75694855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011538701.2A Active CN112762928B (zh) 2020-12-23 2020-12-23 含有激光slam的odom与dm地标组合移动机器人及导航方法

Country Status (1)

Country Link
CN (1) CN112762928B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916232A (zh) * 2021-10-18 2022-01-11 济南大学 一种改进图优化的地图构建方法及系统
CN114459483A (zh) * 2021-12-30 2022-05-10 上海交通大学 基于机器人导航用地标导航地图构建与应用方法、系统
CN117570998A (zh) * 2024-01-17 2024-02-20 山东大学 基于反光柱信息的机器人定位方法及系统

Citations (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050182518A1 (en) * 2004-02-13 2005-08-18 Evolution Robotics, Inc. Robust sensor fusion for mapping and localization in a simultaneous localization and mapping (SLAM) system
WO2012051295A2 (en) * 2010-10-12 2012-04-19 Worcester Polytechnic Institute System for extracting respiratory rates from a pulse oximeter
CN102542577A (zh) * 2011-12-22 2012-07-04 电子科技大学 一种粒子状态估计方法
CN103528587A (zh) * 2013-10-15 2014-01-22 西北工业大学 自主组合导航系统
CN103791906A (zh) * 2014-02-21 2014-05-14 南京北大工道创新有限公司 一种基于室内定位装置的室内定位位置校正方法
CN103878666A (zh) * 2014-03-28 2014-06-25 中国科学院自动化研究所 一种自由曲面机器人打磨系统
CN104407615A (zh) * 2014-11-03 2015-03-11 上海电器科学研究所（集团）有限公司 一种agv机器人导引偏差校正方法
CN104463929A (zh) * 2014-12-16 2015-03-25 重庆邮电大学 基于图像边缘检测信号相关性的室内wlan信号地图绘制与映射方法
WO2015187029A1 (en) * 2014-06-03 2015-12-10 Q-Free Asa Toll object detection in a gnss system using particle filter
CN105333879A (zh) * 2015-12-14 2016-02-17 重庆邮电大学 同步定位与地图构建方法
CN106643724A (zh) * 2016-11-16 2017-05-10 浙江工业大学 基于地图信息和位置自适应修正的粒子滤波室内定位方法
CN106990777A (zh) * 2017-03-10 2017-07-28 江苏物联网研究发展中心 机器人局部路径规划方法
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法
CN108646710A (zh) * 2018-05-10 2018-10-12 中国民航大学 一种基于改进容积粒子滤波的电液联合舵机状态估计方法
CN108733039A (zh) * 2017-04-18 2018-11-02 广东工业大学 一种机器人室内导航定位的方法与装置
US20180356521A1 (en) * 2015-12-01 2018-12-13 Beamrider Ltd Odometer for a mobile apparatus, and method
CN109099915A (zh) * 2018-06-27 2018-12-28 未来机器人（深圳）有限公司 移动机器人定位方法、装置、计算机设备和存储介质
CN109445440A (zh) * 2018-12-13 2019-03-08 重庆邮电大学 基于传感器融合与改进q学习算法的动态避障方法
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
CN109506653A (zh) * 2018-11-12 2019-03-22 上海理工大学 Nlos环境下基于改进粒子滤波的室内定位行人方法
CN109579824A (zh) * 2018-10-31 2019-04-05 重庆邮电大学 一种融入二维码信息的自适应蒙特卡诺定位方法
CN110262495A (zh) * 2019-06-26 2019-09-20 山东大学 可实现移动机器人自主导航与精确定位的控制系统及方法
CN110427033A (zh) * 2019-08-12 2019-11-08 苏州寻迹智行机器人技术有限公司 一种基于二维码的激光导航agv高精度定位方法
CN110471441A (zh) * 2019-08-12 2019-11-19 南京理工大学 一种基于激光探测的四旋翼无人机避障方法
WO2020003319A1 (en) * 2018-06-28 2020-01-02 Ariel Scientific Innovations Ltd. Localization techniques
CN110888125A (zh) * 2019-12-05 2020-03-17 奥特酷智能科技(南京)有限公司 一种基于毫米波雷达的自动驾驶车辆定位方法
CN110986956A (zh) * 2019-12-23 2020-04-10 苏州寻迹智行机器人技术有限公司 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
WO2020109473A1 (en) * 2018-11-30 2020-06-04 Sandvik Mining And Construction Oy Positioning of mobile object in underground worksite
CN111486842A (zh) * 2019-01-29 2020-08-04 深圳市优必选科技有限公司 重定位方法及装置、机器人
CN111679677A (zh) * 2020-06-24 2020-09-18 浙江大华技术股份有限公司 Agv的位姿调整方法、装置、存储介质、电子装置
US20200349362A1 (en) * 2017-11-10 2020-11-05 Horiba Mira Limited Method of Computer Vision Based Localisation and Navigation and System for Performing the Same
CN111895990A (zh) * 2020-07-14 2020-11-06 武汉科技大学 一种基于多指标绑架检测及移动机器人重定位的方法
CN112083726A (zh) * 2020-09-04 2020-12-15 湖南大学 一种面向园区自动驾驶的双滤波器融合定位系统

Patent Citations (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050182518A1 (en) * 2004-02-13 2005-08-18 Evolution Robotics, Inc. Robust sensor fusion for mapping and localization in a simultaneous localization and mapping (SLAM) system
WO2012051295A2 (en) * 2010-10-12 2012-04-19 Worcester Polytechnic Institute System for extracting respiratory rates from a pulse oximeter
CN102542577A (zh) * 2011-12-22 2012-07-04 电子科技大学 一种粒子状态估计方法
CN103528587A (zh) * 2013-10-15 2014-01-22 西北工业大学 自主组合导航系统
CN103791906A (zh) * 2014-02-21 2014-05-14 南京北大工道创新有限公司 一种基于室内定位装置的室内定位位置校正方法
CN103878666A (zh) * 2014-03-28 2014-06-25 中国科学院自动化研究所 一种自由曲面机器人打磨系统
WO2015187029A1 (en) * 2014-06-03 2015-12-10 Q-Free Asa Toll object detection in a gnss system using particle filter
CN104407615A (zh) * 2014-11-03 2015-03-11 上海电器科学研究所（集团）有限公司 一种agv机器人导引偏差校正方法
CN104463929A (zh) * 2014-12-16 2015-03-25 重庆邮电大学 基于图像边缘检测信号相关性的室内wlan信号地图绘制与映射方法
US20180356521A1 (en) * 2015-12-01 2018-12-13 Beamrider Ltd Odometer for a mobile apparatus, and method
CN105333879A (zh) * 2015-12-14 2016-02-17 重庆邮电大学 同步定位与地图构建方法
CN106643724A (zh) * 2016-11-16 2017-05-10 浙江工业大学 基于地图信息和位置自适应修正的粒子滤波室内定位方法
CN106990777A (zh) * 2017-03-10 2017-07-28 江苏物联网研究发展中心 机器人局部路径规划方法
CN108733039A (zh) * 2017-04-18 2018-11-02 广东工业大学 一种机器人室内导航定位的方法与装置
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法
US20200349362A1 (en) * 2017-11-10 2020-11-05 Horiba Mira Limited Method of Computer Vision Based Localisation and Navigation and System for Performing the Same
CN108646710A (zh) * 2018-05-10 2018-10-12 中国民航大学 一种基于改进容积粒子滤波的电液联合舵机状态估计方法
CN109099915A (zh) * 2018-06-27 2018-12-28 未来机器人（深圳）有限公司 移动机器人定位方法、装置、计算机设备和存储介质
WO2020003319A1 (en) * 2018-06-28 2020-01-02 Ariel Scientific Innovations Ltd. Localization techniques
CN109579824A (zh) * 2018-10-31 2019-04-05 重庆邮电大学 一种融入二维码信息的自适应蒙特卡诺定位方法
CN109506653A (zh) * 2018-11-12 2019-03-22 上海理工大学 Nlos环境下基于改进粒子滤波的室内定位行人方法
WO2020109473A1 (en) * 2018-11-30 2020-06-04 Sandvik Mining And Construction Oy Positioning of mobile object in underground worksite
CN109445440A (zh) * 2018-12-13 2019-03-08 重庆邮电大学 基于传感器融合与改进q学习算法的动态避障方法
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
CN111486842A (zh) * 2019-01-29 2020-08-04 深圳市优必选科技有限公司 重定位方法及装置、机器人
CN110262495A (zh) * 2019-06-26 2019-09-20 山东大学 可实现移动机器人自主导航与精确定位的控制系统及方法
CN110427033A (zh) * 2019-08-12 2019-11-08 苏州寻迹智行机器人技术有限公司 一种基于二维码的激光导航agv高精度定位方法
CN110471441A (zh) * 2019-08-12 2019-11-19 南京理工大学 一种基于激光探测的四旋翼无人机避障方法
CN110888125A (zh) * 2019-12-05 2020-03-17 奥特酷智能科技(南京)有限公司 一种基于毫米波雷达的自动驾驶车辆定位方法
CN110986956A (zh) * 2019-12-23 2020-04-10 苏州寻迹智行机器人技术有限公司 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
CN111679677A (zh) * 2020-06-24 2020-09-18 浙江大华技术股份有限公司 Agv的位姿调整方法、装置、存储介质、电子装置
CN111895990A (zh) * 2020-07-14 2020-11-06 武汉科技大学 一种基于多指标绑架检测及移动机器人重定位的方法
CN112083726A (zh) * 2020-09-04 2020-12-15 湖南大学 一种面向园区自动驾驶的双滤波器融合定位系统

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
JIAWEI ZHANG等: "Camera-IMU-based underwater localization", 《PROCEEDINGS OF THE 33RD CHINESE CONTROL CONFERENCE》 *
WEI WANG等: "Online High-Precision Probabilistic Localization of Robotic Fish Using Visual and Inertial Cues", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
刘俊承等: "基于路标的机器人自定位方法", 《科学技术与工程》 *
吕海泳等: "基于视觉SLAM的无人运转车导航系统设计", 《山东工业技术》 *
张思远: "改进的分域式蒙特卡罗定位方法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
曾林全: "采用二维码地标的AGV定位和调度技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
杜小菁等: "基于组合导航技术的粒子滤波改进方法综述", 《2017第三届电气工程与工业工程国际会议论文集》 *
杨记周等: "室内移动机器人平台设计与实现", 《自动化仪表》 *
王志等: "基于视觉里程计和自然信标融合的移动机器人定位算法", 《农业工程学报》 *
胡章芳等: "融入二维码信息的自适应蒙特卡洛定位算法", 《计算机应用》 *
赖立海: "基于RGB-D相机的室内移动机器人全局自定位技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916232A (zh) * 2021-10-18 2022-01-11 济南大学 一种改进图优化的地图构建方法及系统
CN113916232B (zh) * 2021-10-18 2023-10-13 济南大学 一种改进图优化的地图构建方法及系统
CN114459483A (zh) * 2021-12-30 2022-05-10 上海交通大学 基于机器人导航用地标导航地图构建与应用方法、系统
CN114459483B (zh) * 2021-12-30 2023-11-07 上海交通大学 基于机器人导航用地标导航地图构建与应用方法、系统
CN117570998A (zh) * 2024-01-17 2024-02-20 山东大学 基于反光柱信息的机器人定位方法及系统
CN117570998B (zh) * 2024-01-17 2024-04-02 山东大学 基于反光柱信息的机器人定位方法及系统

Also Published As

Publication number Publication date
CN112762928B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN112762928B (zh) 含有激光slam的odom与dm地标组合移动机器人及导航方法
Achtelik et al. Autonomous navigation and exploration of a quadrotor helicopter in GPS-denied indoor environments
CN111693050B (zh) 基于建筑信息模型的室内中大型机器人导航方法
Murali et al. Perception-aware trajectory generation for aggressive quadrotor flight using differential flatness
Qi et al. Autonomous landing solution of low-cost quadrotor on a moving platform
CN109895100B (zh) 一种导航地图的生成方法、装置及机器人
Otsu et al. Where to look? Predictive perception with applications to planetary exploration
CN112183133A (zh) 一种基于ArUco码引导的移动机器人自主充电方法
Wu et al. Vision-based target detection and tracking system for a quadcopter
CN115388892A (zh) 一种基于改进rbpf-slam算法的多传感器融合slam方法
Peng et al. Vehicle odometry with camera-lidar-IMU information fusion and factor-graph optimization
Anousaki et al. Simultaneous localization and map building of skid-steered robots
Lekkala et al. Accurate and augmented navigation for quadcopter based on multi-sensor fusion
Vutetakis et al. An autonomous loop-closure approach for simultaneous exploration and coverage of unknown infrastructure using mavs
Abdulov et al. Visual odometry approaches to autonomous navigation for multicopter model in virtual indoor environment
CN116753945A (zh) 一种基于多传感器融合的工业巡检机器人的导航方法
Shioya et al. Minimal Autonomous Mover-MG-11 for Tsukuba Challenge–
Han et al. A novel navigation scheme in dynamic environment using layered costmap
Dang et al. Visual-inertial odometry-enhanced geometrically stable icp for mapping applications using aerial robots
Muravyev et al. Evaluation of Topological Mapping Methods in Indoor Environments
Wang et al. Agv navigation based on apriltags2 auxiliary positioning
CN112612788A (zh) 一种无导航卫星信号下的自主定位方法
Wei et al. ODOM/DM Landmark Integrated Navigation Method Based on Laser SLAM
Yang et al. AGV robot for laser-SLAM based method testing in automated container terminal
CN116954265B (zh) 局部运动轨迹的重规划方法、装置和电子设备

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