CN112781591A - 机器人定位方法、装置、计算机可读存储介质及机器人 - Google Patents

机器人定位方法、装置、计算机可读存储介质及机器人 Download PDF

Info

Publication number
CN112781591A
CN112781591A CN201911075523.1A CN201911075523A CN112781591A CN 112781591 A CN112781591 A CN 112781591A CN 201911075523 A CN201911075523 A CN 201911075523A CN 112781591 A CN112781591 A CN 112781591A
Authority
CN
China
Prior art keywords
particle
probability
robot
measurement data
positioning
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.)
Pending
Application number
CN201911075523.1A
Other languages
English (en)
Inventor
刘洪剑
刘志超
张健
张思民
毕占甲
熊友军
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.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN201911075523.1A priority Critical patent/CN112781591A/zh
Priority to US16/727,948 priority patent/US11267130B2/en
Publication of CN112781591A publication Critical patent/CN112781591A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Optics & Photonics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请属于机器人技术领域，尤其涉及一种机器人定位方法、装置、计算机可读存储介质及机器人。所述方法获取对机器人进行定位的粒子集合；根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；获取激光测量数据和UWB测量数据；根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；根据各个粒子的匹配概率对所述机器人进行定位。通过本发明实施例，在传统的基于激光测量数据的粒子滤波定位算法的基础上，融入了UWB测量数据，UWB在室内空旷场景中具有较高的定位精度，保证机器人不管是在大型室内场景的边缘还是中间空旷处，都可以进行可靠的定位。

Description

机器人定位方法、装置、计算机可读存储介质及机器人
技术领域
本申请属于机器人技术领域，尤其涉及一种机器人定位方法、装置、计算机可读存储介质及机器人。
背景技术
现有技术中，大部分室内移动机器人都以激光雷达作为主要感知传感器，通过激光雷达感知周围障碍物的特征点，与已建立的地图进行匹配并确定自己在地图上的位置，然后在地图上进行自主导航。定位准确可靠是导航的安全保证，只有定位是正确的，机器人才能按照预定轨迹，准确导航到目标点，从而实现各种服务功能。考虑到成本要求，目前室内机器人使用的激光雷达测量距离一般都在20m以内，且以单线激光雷达为主。在一些大型室内场景，比如机场，体育馆、政府办事大厅等，一般中间空旷处距离都超过了20m。如果使用同样的激光雷达，则机器人只能在靠近边缘的地方进行导航，依靠边缘处的固定特征进行定位，而无法在空旷处进行定位。
发明内容
有鉴于此，本申请实施例提供了一种机器人定位方法、装置、计算机可读存储介质及机器人，以解决现有技术由于激光雷达的性能限制，无法在空旷处进行定位的问题。
本申请实施例的第一方面提供了一种机器人定位方法，可以包括：
获取对机器人进行定位的粒子集合；
根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；
获取激光测量数据和UWB测量数据；
根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；
根据各个粒子的匹配概率对所述机器人进行定位。
进一步地，所述根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率包括：
根据各个粒子的更新位置和所述激光测量数据分别计算各个粒子的第一概率；
根据各个粒子的更新位置和所述UWB测量数据计算各个粒子的第二概率；
根据各个粒子的第一概率与各个粒子的第二概率分别计算各个粒子的匹配概率。
进一步地，所述根据各个粒子的更新位置和所述激光测量数据分别计算各个粒子的第一概率包括：
根据所述激光测量数据确定各个第一特征点的位置，所述第一特征点为测量得到的特征点；
根据第i个粒子的更新位置确定各个第二特征点的位置，所述第二特征点为在地图中预先标注的特征点，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
分别计算各个第一特征点的匹配距离，其中，第j个第一特征点的匹配距离为第j个第一特征点与各个第二特征点之间的最短距离，其中，1≤j≤J，J为所述第一特征点的数目；
计算第一距离，所述第一距离为各个第一特征点的匹配距离之和；
根据所述第一距离计算第i个粒子的第一概率，且所述第一概率与所述第一距离负相关。
进一步地，所述根据各个粒子的更新位置和所述UWB测量数据计算各个粒子的第二概率包括：
根据所述UWB测量数据确定UWB定位位置；
计算第二距离，所述第二距离为第i个粒子的更新位置与所述UWB定位位置之间的距离，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
根据所述第二距离计算第i个粒子的第二概率，且所述第二概率与所述第二距离负相关。
进一步地，所述根据各个粒子的第一概率与各个粒子的第二概率分别计算各个粒子的匹配概率包括：
将第i个粒子的第一概率与第i个粒子的第二概率之和确定为第i个粒子的匹配概率，其中，1≤i≤N，N为所述粒子集合中的粒子数目。
进一步地，在根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率之后，还包括：
根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合。
进一步地，在根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合之后，还包括：
以预设的比例在UWB定位位置处生成新的粒子，并将生成的新的粒子添加入所述更新后的粒子集合中。
本申请实施例的第二方面提供了一种机器人定位装置，可以包括：
粒子集合获取模块，用于获取对机器人进行定位的粒子集合；
位置更新模块，用于根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；
数据获取模块，用于获取激光测量数据和UWB测量数据；
匹配概率计算模块，用于根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；
定位模块，用于根据各个粒子的匹配概率对所述机器人进行定位。
进一步地，所述匹配概率计算模块可以包括：
第一概率计算子模块，用于根据各个粒子的更新位置和所述激光测量数据分别计算各个粒子的第一概率；
第二概率计算子模块，用于根据各个粒子的更新位置和所述UWB测量数据计算各个粒子的第二概率；
匹配概率计算子模块，用于根据各个粒子的第一概率与各个粒子的第二概率分别计算各个粒子的匹配概率。
进一步地，所述第一概率计算子模块可以包括：
第一特征点位置确定单元，用于根据所述激光测量数据确定各个第一特征点的位置，所述第一特征点为测量得到的特征点；
第二特征点位置确定单元，用于根据第i个粒子的更新位置确定各个第二特征点的位置，所述第二特征点为在地图中预先标注的特征点，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
匹配距离计算单元，用于分别计算各个第一特征点的匹配距离，其中，第j个第一特征点的匹配距离为第j个第一特征点与各个第二特征点之间的最短距离，其中，1≤j≤J，J为所述第一特征点的数目；
第一距离计算单元，用于计算第一距离，所述第一距离为各个第一特征点的匹配距离之和；
第一概率计算单元，用于根据所述第一距离计算第i个粒子的第一概率，且所述第一概率与所述第一距离负相关。
进一步地，所述第二概率计算子模块可以包括：
UWB定位位置确定单元，用于根据所述UWB测量数据确定UWB定位位置；
第二距离计算单元，用于计算第二距离，所述第二距离为第i个粒子的更新位置与所述UWB定位位置之间的距离，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
第二概率计算单元，用于根据所述第二距离计算第i个粒子的第二概率，且所述第二概率与所述第二距离负相关。
进一步地，所述匹配概率计算子模块具体用于将第i个粒子的第一概率与第i个粒子的第二概率之和确定为第i个粒子的匹配概率，其中，1≤i≤N，N为所述粒子集合中的粒子数目。
进一步地，所述机器人定位装置还可以包括：
重采样模块，用于根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合。
进一步地，所述机器人定位装置还可以包括：
变异模块，用于以预设的比例在UWB定位位置处生成新的粒子，并将生成的新的粒子添加入所述更新后的粒子集合中。
本申请实施例的第三方面提供了一种计算机可读存储介质，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时实现上述任一种机器人定位方法的步骤。
本申请实施例的第四方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种机器人定位方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述任一种机器人定位方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取对机器人进行定位的粒子集合；根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；获取激光测量数据和UWB测量数据；根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；根据各个粒子的匹配概率对所述机器人进行定位。通过本发明实施例，在传统的基于激光测量数据的粒子滤波定位算法的基础上，融入了UWB测量数据，UWB在室内空旷场景中具有较高的定位精度，保证机器人不管是在大型室内场景的边缘还是中间空旷处，都可以进行可靠的定位。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其它的附图。
图1为机器人通过激光雷达扫描到的障碍点和地图上的特征点进行匹配的示意图；
图2为机器人处于大型室内场景的空旷处的示意图；
图3为机器人处于大型室内场景的边缘处的示意图；
图4为定位危险区域的示意图；
图5为本申请实施例中一种机器人定位方法的一个实施例流程图；
图6为根据激光测量数据、UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率的示意流程图；
图7为根据各个粒子的更新位置和UWB测量数据计算各个粒子的第二概率的示意流程图；
图8为粒子的概率分布示意图；
图9为本申请实施例中一种机器人定位装置的一个实施例结构图；
图10为本申请实施例中一种机器人的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在小场景室内环境下，机器人通过激光雷达扫描到的障碍点和地图上的特征点进行匹配，即可确定自己在地图上的位姿，如图1所示。但是由于激光雷达测距范围的限制，机器人只能扫描到离自己比较近的障碍物。如果机器人所处的位置比较空旷，那么扫描到的特征点将很少，甚至没有。如图2所示，机器人处于一个大商场的中庭中间处时，扫描的特征点很少，只有稀疏的几个散点，此时定位很容易失败。但是当在图3所示的位置时，由于靠近边缘，又可以扫描到一定数量的特征点，此时定位鲁棒性又有所提升。如图4所示，此处可以把中间空旷区域定义为“定位危险区域”，表示在此区域机器人位置极容易丢失。根据以上分析，机器人只能在图4中的定位危险区域之外进行导航。这样限定机器人行走区域，虽然能提高导航的安全性，但是会让导航体验和导航功能大打折扣。
如果为了覆盖此危险区域，而换用大量程、远距离的激光雷达的话，又不是一种经济实用的方案。因为很多场景，其实空旷区域不是太多，经常是某一两个地方比较空旷，其它大部分区域都是走廊等狭窄场景。所以远距离量程使用率并不高。有鉴于此，本申请实施例中提出了一种融合激光雷达定位和UWB(Ultra Wideband)定位的粒子滤波方法来进行机器人定位，既经济实用，成本低，又可以提高定位鲁棒性，保证导航安全性。
请参阅图5，本申请实施例中一种机器人定位方法的一个实施例可以包括：
步骤S501、获取对机器人进行定位的粒子集合。
本申请实施例是基于对于传统的粒子滤波方法的改进，所谓粒子滤波就是指：通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。
原始粒子滤波感知模型的核心思想是基于测距仪(比如激光雷达)，通过每个粒子的实际位姿，将测距仪感知到的障碍点映射到地图上，与地图上的障碍点进行比较。距离越近，表示此粒子的位姿正确的概率越大。因为理想情况下，假设某个粒子的位姿是机器人正确的物理位姿，那么在此位置，测距仪在每个方向上扫描到的障碍点都将与地图上的障碍点重合或者很接近，就像图1右所示的激光点一样。粒子滤波器通过扫描点与地图上障碍点的距离值来计算某个粒子的概率大小。然后通过重采样过程，将概率大的留下，概率小的淘汰，类似于遗传机制，适者生存。
所述粒子集合是由预设数目的粒子组成的，在初始状态下，所述粒子集合中的各个粒子的位置可以在地图中随机选取，在后续过程中，任意时刻获取的粒子集合均为对其上一时刻的粒子集合进行重采样后得到的更新后的粒子集合。
步骤S502、根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置。
即根据预设的运动模型对各个粒子在上一时刻的位置进行计算，预估出各个粒子在当前时刻的位置。具体的更新过程与现有的粒子滤波算法相同，此处不再赘述。
步骤S503、获取激光测量数据和UWB测量数据。
在空旷区域，激光扫描到的障碍点很少，如果仅仅通过稀疏的几个扫描点来计算粒子概率大小，就很容易因为测量误差或地图变化，导致计算出来的概率分布与实际情况不符，甚至相差很大。从而使正确位置的粒子数减少甚至消失，错误位置的粒子数慢慢增多，最后定位失效。
UWB在室内空旷场景的定位精度可以达到0.5-1米左右，这个精度在空旷区域还是具有很高的参考价值的。虽然在精度上达不到激光测距仪的精度，但是可以保证全区域定位数据可靠，定位偏差最大不会超过1米。如果在计算粒子的概率时将UWB数据考虑进来，将大部分粒子约束在UWB定位位置附近，保证正确位置附近的粒子永不消失。当特征变得丰富时，又可以通过激光数据，精确计算每个粒子的概率，得到高精度位姿。
步骤S504、根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率。
如图6所示，步骤S504具体可以包括如下过程：
步骤S5041、根据各个粒子的更新位置和所述激光测量数据分别计算各个粒子的第一概率。
以其中的第i个粒子(1≤i≤N，N为所述粒子集合中的粒子数目)为例对第一概率的计算过程进行说明：
首先，根据所述激光测量数据确定各个第一特征点的位置，所述第一特征点为测量得到的特征点；并根据第i个粒子的更新位置确定各个第二特征点的位置，所述第二特征点为在地图中预先标注的特征点。
然后，分别计算各个第一特征点的匹配距离。
以其中的第j个第一特征点(1≤j≤J，J为所述第一特征点的数目)为例，分别计算第j个第一特征点与各个第二特征点之间的距离，从这些距离中选取出一个最短距离，这一最短距离即为第j个第一特征点的匹配距离。对各个第一特征点均进行以上计算，即可得到各个第一特征点的匹配距离。
在得到各个第一特征点的匹配距离之后，可以据此来计算第一距离，所述第一距离为各个第一特征点的匹配距离之和。
最后根据所述第一距离计算第i个粒子的第一概率，所述第一概率与所述第一距离负相关，即对于第i个粒子而言，若其第一距离越大，说明激光测量得到的特征点与地图中的特征点越不匹配，则其第一概率越小，反之，若其第一距离越小，说明激光测量得到的特征点与地图中的特征点越匹配，则其第一概率越大。对所述粒子集合中的各个粒子均进行以上计算，即可得到各个粒子的第一概率。
步骤S5042、根据各个粒子的更新位置和所述UWB测量数据计算各个粒子的第二概率。
如图7所示，以其中的第i个粒子为例对第二概率的计算过程进行说明：
步骤S50421、根据所述UWB测量数据确定UWB定位位置。
在本实施例中，可以使用预设的定位算法对所述UWB测量数据进行计算，从而得到所述UWB定位位置。所述定位算法包括但不限于基于到达角度(Angle of Arriva，AOA)的定位算法、基于到达时间(Time of Arriva，TOA)的定位算法、基于到达时间差(TimeDifference of Arriva，TDOA)的定位算法、基于接收信号强度(Received SignalStrength，RSS)的定位算法以及这些定位算法的各种组合。
步骤S50422、计算第二距离。
所述第二距离为第i个粒子的更新位置与所述UWB定位位置之间的距离。
在本实施例中，可以第i个粒子的更新位置记为：Posi＝(xi，yi)，将所述UWB定位位置记为：Posu＝(xu，yu)，将所述第二距离记为：di，则可以根据下式计算所述第二距离：
Figure BDA0002262313170000111
步骤S50423、根据所述第二距离计算第i个粒子的第二概率。
所述第二概率与所述第二距离负相关，即对于第i个粒子而言，若其第二距离越大，则其第二概率越小，反之，若其第二距离越小，则其第二概率越大。
在本实施例的一种具体实现中，可以根据下式计算第i个粒子的第二概率：
Figure BDA0002262313170000112
其中，pu为第i个粒子的第二概率，σ为正态分布的标准差，根据正态分布的“3σ”原则，由于UWB定位精度误差小于1m，所以可以设置σ＝0.3333，从而将粒子约束在UWB定位位置附近1米的范围内，其概率分布如图8所示。
对所述粒子集合中的各个粒子均进行以上计算，即可得到各个粒子的第二概率。
步骤S5043、根据各个粒子的第一概率与各个粒子的第二概率分别计算各个粒子的匹配概率。
以其中的第i个粒子为例，将第i个粒子的第一概率与第i个粒子的第二概率之和确定为第i个粒子的匹配概率。即在计算粒子的概率时，在原来通过激光数据计算出的概率pi的基础上，再加上一个UWB定位位置约束的概率pu。这样，当没有激光数据时，粒子将以图8所示的概率分布在UWB定位位置周围，当激光数据丰富时，又可以用激光数据对UWB约束后的粒子位置进行精确调整。即空旷区域以UWB为主，激光为辅，非空旷区域以激光为主，UWB为辅，两者优势互补。
步骤S505、根据各个粒子的匹配概率对所述机器人进行定位。
具体的定位过程与现有的通过粒子滤波算法进行定位的过程类似，此处不再赘述。
以上过程只是完成了一次定位跟踪的过程，为了便于进行下一次的定位跟踪，在分别计算各个粒子的匹配概率之后，还可以根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合，以供下一次的定位跟踪过程使用。
重采样是粒子集中更新的阶段，在重采样阶段，将以所述匹配概率(pi+pu)进行粒子的复制，匹配概率大的粒子被复制的概率也大，甚至可以被多次复制，匹配概率小的粒子被复制的概率小，甚至不被复制而慢慢消失。这就类似于遗传机制，优胜劣汰，适者生存。
除了上述遗传机制，在本实施例的一种具体实现中，还可以引入变异机制，粒子滤波里面的变异机制主要用于解决定位失效之后的恢复。在某些情况下，正确位置附近的粒子可能会完全消失。遗传机制只能在已有的粒子里面筛选概率最大的，如果概率最大的粒子其位置仍然是错误的，不管如何筛选都无法得到正确位置处的粒子。此时就要通过变异机制来解决，即在地图上产生若干随机粒子，如果某个粒子恰巧落在机器人正确位置附近，那么该粒子在重采样时就会被大概率复制，并逐渐繁衍壮大，使机器人定位恢复到正确位置处。如果没有UWB定位位置，只能通过上述随机变异机制来尝试恢复，这种没有目的的随机变异机制会让定位恢复变得不可控制，定位恢复时间有可能会很长。但是有UWB定位位置后，就可以让变异机制更具目的性，让定位恢复变得更快更准。因此，在根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合之后，本申请实施例还可以以预设的比例在UWB定位位置处生成新的粒子，粒子的方向由UWB历史定位信息给出，并将生成的新的粒子添加入所述更新后的粒子集合中。通过在UWB定位位置处产生“随机”粒子，使定位恢复变得完全可控，而且可以大大加快定位恢复的速度。
综上所述，本申请实施例获取对机器人进行定位的粒子集合；根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；获取激光测量数据和UWB测量数据；根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；根据各个粒子的匹配概率对所述机器人进行定位。通过本发明实施例，在传统的基于激光测量数据的粒子滤波定位算法的基础上，融入了UWB测量数据，UWB在室内空旷场景中具有较高的定位精度，保证机器人不管是在大型室内场景的边缘还是中间空旷处，都可以进行可靠的定位。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种机器人定位方法，图9示出了本申请实施例提供的一种机器人定位装置的一个实施例结构图。
本实施例中，一种机器人定位装置可以包括：
粒子集合获取模块901，用于获取对机器人进行定位的粒子集合；
位置更新模块902，用于根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；
数据获取模块903，用于获取激光测量数据和UWB测量数据；
匹配概率计算模块904，用于根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；
定位模块905，用于根据各个粒子的匹配概率对所述机器人进行定位。
进一步地，所述匹配概率计算模块可以包括：
第一概率计算子模块，用于根据各个粒子的更新位置和所述激光测量数据分别计算各个粒子的第一概率；
第二概率计算子模块，用于根据各个粒子的更新位置和所述UWB测量数据计算各个粒子的第二概率；
匹配概率计算子模块，用于根据各个粒子的第一概率与各个粒子的第二概率分别计算各个粒子的匹配概率。
进一步地，所述第一概率计算子模块可以包括：
第一特征点位置确定单元，用于根据所述激光测量数据确定各个第一特征点的位置，所述第一特征点为测量得到的特征点；
第二特征点位置确定单元，用于根据第i个粒子的更新位置确定各个第二特征点的位置，所述第二特征点为在地图中预先标注的特征点，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
匹配距离计算单元，用于分别计算各个第一特征点的匹配距离，其中，第j个第一特征点的匹配距离为第j个第一特征点与各个第二特征点之间的最短距离，其中，1≤j≤J，J为所述第一特征点的数目；
第一距离计算单元，用于计算第一距离，所述第一距离为各个第一特征点的匹配距离之和；
第一概率计算单元，用于根据所述第一距离计算第i个粒子的第一概率，且所述第一概率与所述第一距离负相关。
进一步地，所述第二概率计算子模块可以包括：
UWB定位位置确定单元，用于根据所述UWB测量数据确定UWB定位位置；
第二距离计算单元，用于计算第二距离，所述第二距离为第i个粒子的更新位置与所述UWB定位位置之间的距离，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
第二概率计算单元，用于根据所述第二距离计算第i个粒子的第二概率，且所述第二概率与所述第二距离负相关。
进一步地，所述匹配概率计算子模块具体用于将第i个粒子的第一概率与第i个粒子的第二概率之和确定为第i个粒子的匹配概率，其中，1≤i≤N，N为所述粒子集合中的粒子数目。
进一步地，所述机器人定位装置还可以包括：
重采样模块，用于根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合。
进一步地，所述机器人定位装置还可以包括：
变异模块，用于以预设的比例在UWB定位位置处生成新的粒子，并将生成的新的粒子添加入所述更新后的粒子集合中。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图10示出了本申请实施例提供的一种机器人的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图10所示，该实施例的机器人10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102。所述处理器100执行所述计算机程序102时实现上述各个机器人定位方法实施例中的步骤，例如图5所示的步骤S501至步骤S505。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能，例如图9所示模块901至模块905的功能。
示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在所述机器人10中的执行过程。
本领域技术人员可以理解，图10仅仅是机器人10的示例，并不构成对机器人10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人10还可以包括输入输出设备、网络接入设备、总线等。
所述处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器101可以是所述机器人10的内部存储单元，例如机器人10的硬盘或内存。所述存储器101也可以是所述机器人10的外部存储设备，例如所述机器人10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括所述机器人10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述机器人10所需的其它程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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例方案的目的。
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。
所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种机器人定位方法，其特征在于，包括：
获取对机器人进行定位的粒子集合；
根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；
获取激光测量数据和UWB测量数据；
根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；
根据各个粒子的匹配概率对所述机器人进行定位。
2.根据权利要求1所述的机器人定位方法，其特征在于，所述根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率包括：
根据各个粒子的更新位置和所述激光测量数据分别计算各个粒子的第一概率；
根据各个粒子的更新位置和所述UWB测量数据计算各个粒子的第二概率；
根据各个粒子的第一概率与各个粒子的第二概率分别计算各个粒子的匹配概率。
3.根据权利要求2所述的机器人定位方法，其特征在于，所述根据各个粒子的更新位置和所述激光测量数据分别计算各个粒子的第一概率包括：
根据所述激光测量数据确定各个第一特征点的位置，所述第一特征点为测量得到的特征点；
根据第i个粒子的更新位置确定各个第二特征点的位置，所述第二特征点为在地图中预先标注的特征点，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
分别计算各个第一特征点的匹配距离，其中，第j个第一特征点的匹配距离为第j个第一特征点与各个第二特征点之间的最短距离，其中，1≤j≤J，J为所述第一特征点的数目；
计算第一距离，所述第一距离为各个第一特征点的匹配距离之和；
根据所述第一距离计算第i个粒子的第一概率，且所述第一概率与所述第一距离负相关。
4.根据权利要求2所述的机器人定位方法，其特征在于，所述根据各个粒子的更新位置和所述UWB测量数据计算各个粒子的第二概率包括：
根据所述UWB测量数据确定UWB定位位置；
计算第二距离，所述第二距离为第i个粒子的更新位置与所述UWB定位位置之间的距离，其中，1≤i≤N，N为所述粒子集合中的粒子数目；
根据所述第二距离计算第i个粒子的第二概率，且所述第二概率与所述第二距离负相关。
5.根据权利要求2所述的机器人定位方法，其特征在于，所述根据各个粒子的第一概率与各个粒子的第二概率分别计算各个粒子的匹配概率包括：
将第i个粒子的第一概率与第i个粒子的第二概率之和确定为第i个粒子的匹配概率，其中，1≤i≤N，N为所述粒子集合中的粒子数目。
6.根据权利要求1至5中任一项所述的机器人定位方法，其特征在于，在根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率之后，还包括：
根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合。
7.根据权利要求6所述的机器人定位方法，其特征在于，在根据各个粒子的匹配概率进行重采样，得到更新后的粒子集合之后，还包括：
以预设的比例在UWB定位位置处生成新的粒子，并将生成的新的粒子添加入所述更新后的粒子集合中。
8.一种机器人定位装置，其特征在于，包括：
粒子集合获取模块，用于获取对机器人进行定位的粒子集合；
位置更新模块，用于根据预设的运动模型对所述粒子集合中的各个粒子的位置分别进行更新，得到各个粒子的更新位置；
数据获取模块，用于获取激光测量数据和UWB测量数据；
匹配概率计算模块，用于根据所述激光测量数据、所述UWB测量数据和各个粒子的更新位置分别计算各个粒子的匹配概率；
定位模块，用于根据各个粒子的匹配概率对所述机器人进行定位。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的机器人定位方法的步骤。
10.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的机器人定位方法的步骤。
CN201911075523.1A 2019-11-06 2019-11-06 机器人定位方法、装置、计算机可读存储介质及机器人 Pending CN112781591A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911075523.1A CN112781591A (zh) 2019-11-06 2019-11-06 机器人定位方法、装置、计算机可读存储介质及机器人
US16/727,948 US11267130B2 (en) 2019-11-06 2019-12-27 Robot localization method and apparatus and robot using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075523.1A CN112781591A (zh) 2019-11-06 2019-11-06 机器人定位方法、装置、计算机可读存储介质及机器人

Publications (1)

Publication Number Publication Date
CN112781591A true CN112781591A (zh) 2021-05-11

Family

ID=75686856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075523.1A Pending CN112781591A (zh) 2019-11-06 2019-11-06 机器人定位方法、装置、计算机可读存储介质及机器人

Country Status (2)

Country Link
US (1) US11267130B2 (zh)
CN (1) CN112781591A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238186B (zh) * 2021-05-08 2024-06-14 珠海一微半导体股份有限公司 移动机器人重定位方法、系统和芯片

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865449A (zh) * 2016-04-01 2016-08-17 深圳杉川科技有限公司 基于激光和视觉的移动机器人的混合定位方法
CN105928505A (zh) * 2016-04-19 2016-09-07 深圳市神州云海智能科技有限公司 移动机器人的位姿确定方法和设备
CN107339989A (zh) * 2017-06-23 2017-11-10 江苏信息职业技术学院 一种基于粒子滤波的行人室内定位方法
CN107655403A (zh) * 2016-07-24 2018-02-02 程媛 一种高速激光光斑检测系统
CN108510797A (zh) * 2018-04-04 2018-09-07 南京微达电子科技有限公司 基于雷达侦测的高速公路预警系统及方法
CN108549376A (zh) * 2018-04-16 2018-09-18 爱啃萝卜机器人技术（深圳）有限责任公司 一种基于信标的导航定位方法及系统
CN108614980A (zh) * 2018-04-16 2018-10-02 西南科技大学 一种融合rfid和激光信息的动态目标定位系统及方法
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
US20190202067A1 (en) * 2017-12-28 2019-07-04 Ubtech Robotics Corp Method and device for localizing robot and robot
CN111089596A (zh) * 2018-10-23 2020-05-01 北京星网宇达科技股份有限公司 一种基于激光视觉信号与惯性导航融合的自主定位系统及其方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10365363B2 (en) * 2015-05-08 2019-07-30 Humatics Corporation Mobile localization using sparse time-of-flight ranges and dead reckoning
US11493930B2 (en) * 2018-09-28 2022-11-08 Intrinsic Innovation Llc Determining changes in marker setups for robot localization
US10826786B2 (en) * 2018-04-11 2020-11-03 Nvidia Corporation Fast multi-scale point cloud registration with a hierarchical gaussian mixture
US11361500B2 (en) * 2018-12-21 2022-06-14 The Regents Of The University Of Michigan Reconstructing 3D video using particle filtering to aggregate crowd responses

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865449A (zh) * 2016-04-01 2016-08-17 深圳杉川科技有限公司 基于激光和视觉的移动机器人的混合定位方法
CN105928505A (zh) * 2016-04-19 2016-09-07 深圳市神州云海智能科技有限公司 移动机器人的位姿确定方法和设备
CN107655403A (zh) * 2016-07-24 2018-02-02 程媛 一种高速激光光斑检测系统
CN107339989A (zh) * 2017-06-23 2017-11-10 江苏信息职业技术学院 一种基于粒子滤波的行人室内定位方法
US20190202067A1 (en) * 2017-12-28 2019-07-04 Ubtech Robotics Corp Method and device for localizing robot and robot
CN108510797A (zh) * 2018-04-04 2018-09-07 南京微达电子科技有限公司 基于雷达侦测的高速公路预警系统及方法
CN108549376A (zh) * 2018-04-16 2018-09-18 爱啃萝卜机器人技术（深圳）有限责任公司 一种基于信标的导航定位方法及系统
CN108614980A (zh) * 2018-04-16 2018-10-02 西南科技大学 一种融合rfid和激光信息的动态目标定位系统及方法
CN111089596A (zh) * 2018-10-23 2020-05-01 北京星网宇达科技股份有限公司 一种基于激光视觉信号与惯性导航融合的自主定位系统及其方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FRANCISCO J PEREZ-GRAU，等: "Multi-sensor three-dimensional Monte Carlo localization for long-term aerial robot navigation", 《RESEARCH ARTICLE》, 27 September 2017 (2017-09-27), pages 1 - 15 *
熊春红;李晓龙;韩静茹;: "基于粒子滤波算法信息融合的磁悬浮列车定位研究", 华东交通大学学报, no. 03, 15 June 2015 (2015-06-15) *

Also Published As

Publication number Publication date
US11267130B2 (en) 2022-03-08
US20210129341A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
Zhang et al. Extending reliability of mmwave radar tracking and detection via fusion with camera
Adams et al. SLAM gets a PHD: New concepts in map estimation
JP5950122B2 (ja) キャリブレーション装置、キャリブレーション方法およびキャリブレーションプログラム
CN105760811B (zh) 全局地图闭环匹配方法及装置
CN111121754A (zh) 移动机器人定位导航方法、装置、移动机器人及存储介质
CN108759835B (zh) 一种定位方法、装置、可读存储介质及移动终端
JP2017166966A (ja) 周辺環境推定装置及び周辺環境推定方法
US20200233061A1 (en) Method and system for creating an inverse sensor model and method for detecting obstacles
CN110998352B (zh) 用于确定静止物体的位置的方法和装置
KR102075844B1 (ko) 다종 센서 기반의 위치인식 결과들을 혼합한 위치 측위 시스템 및 방법
CN114111774B (zh) 车辆的定位方法、系统、设备及计算机可读存储介质
CN111536990A (zh) 在传感器之间的在线外参误标定检测
Konrad et al. Localization in digital maps for road course estimation using grid maps
Konecny et al. Novel Point‐to‐Point Scan Matching Algorithm Based on Cross‐Correlation
CN111177295A (zh) 建图重影消除方法、装置、计算机可读存储介质及机器人
CN114266871B (zh) 机器人、地图质量评估方法和存储介质
CN112673277A (zh) 用于雷达应用的运动辅助泄漏去除
CN112686951A (zh) 用于确定机器人位置的方法、装置、终端及存储介质
JP2018072316A (ja) ジオアーク（ｇｅｏａｒｃ）を使用したビークルの二次元位置の特定
CN112781591A (zh) 机器人定位方法、装置、计算机可读存储介质及机器人
CN111157012B (zh) 一种机器人导航方法、装置、可读存储介质及机器人
EP3792651B1 (en) Path estimating device and portable information terminal
CN115127538A (zh) 地图更新方法、计算机设备及存储装置
CN113203424B (zh) 多传感器的数据融合方法、装置及相关设备
CN108955564B (zh) 激光数据重采样方法及系统

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