CN112857379A - 一种基于改进的Gmapping-SLAM地图更新方法及系统 - Google Patents
一种基于改进的Gmapping-SLAM地图更新方法及系统 Download PDFInfo
- Publication number
- CN112857379A CN112857379A CN202110086610.8A CN202110086610A CN112857379A CN 112857379 A CN112857379 A CN 112857379A CN 202110086610 A CN202110086610 A CN 202110086610A CN 112857379 A CN112857379 A CN 112857379A
- Authority
- CN
- China
- Prior art keywords
- particles
- map
- robot
- improved
- particle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 125
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012952 Resampling Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010348 incorporation Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01C21/26—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
- G01C21/32—Structuring or formatting of map data
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
本发明公开了定位与地图构建技术领域的一种基于改进的Gmapping‑SLAM地图更新方法及系统，可以根据环境特点自适应调整粒子数目，在复杂环境中增加粒子数，从而保证构建地图的精准度；而在简单环境下减少粒子数，以此保证运行速度，优化资源利用率。包括：采集机器人周边的环境信息，对机器人及其周边的物体进行定位；以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
Description
技术领域
本发明属于定位与地图构建技术领域，具体涉及一种基于改进的Gmapping-SLAM地图更新方法及系统。
背景技术
随着科技的发展以及人工智能技术的应用，大家对于自主移动机器人的性能也出现了更高的期待，并且逐渐向多元化自主化发展。自主移动机器人是指在陌生的环境中具备自主定位与导航的智能化产品。
SLAM即同步定位与地图生成，就是把机器人放在一个陌生场景，它能在运动中通过传感器不断的采集周围环境信息定位自身位置，再根据定位构建环境地图。基于激光传感器SLAM算法在建立地图时，一般采用占据栅格地图，每个栅格单元都有一个被障碍占据的概率，这种地图节约存储空间，有利于机器人导航。
ROS系统提供了几种常用的平面激光SLAM算法，主要有HectorSLAM，Gmapping，KartoSLAM，CoreSLAM和LagoSLAM。其中Gmapping算法将里程计信息和激光雷达数据进行融合，定位的精准度很高，解决了RBPF-SLAM算法中粒子退化的问题。但是Gmapping需要大量的粒子才能获得较好的效果，增加了计算复杂度。
发明内容
为解决现有技术中的不足，本发明提供一种基于改进的Gmapping-SLAM地图更新方法及系统，可以根据环境特点自适应调整粒子数目，在复杂环境中增加粒子数，从而保证构建地图的精准度；而在简单环境下减少粒子数，以此保证运行速度，优化资源利用率。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种基于改进的Gmapping-SLAM地图更新方法，包括：采集机器人周边的环境信息，对机器人及其周边的物体进行定位；以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
进一步地，所述改进的Gmapping算法，具体包括：根据时间t-1处的粒子姿态和里程计数据，预测时间t处的粒子姿态，并且基于初始值添加高斯采样的噪声点；对每一个粒子进行扫描匹配，寻求每一个粒子在t时刻的最佳位置坐标；如果扫描匹配失败，则只根据运动模型采样粒子，使用传感器观测模型计算采样粒子权重；基于改进的提议分布，采集下一代粒子时把最近一次的观测数据zt结合到提议分布中；使用RGB-D深度相机对地图中路口、转弯处和障碍物附近进行特征点的提取，从而和激光雷达采集的机器人周边的环境信息数据匹配，对应环境中的同一特征点；更新所有采样的粒子的权重，并进行归一化运算；自适应重采样，当有效粒子数Neff低于预设的阈值Nth，Nth＝N/2，N表示粒子数，即Neff＜Nth时，执行重采样，反之，不执行；基于粒子的运动轨迹，更新粒子的地图信息；根据粒子的权重判断最优粒子，获取其运动轨迹，从而更新地图信息。
进一步地，所述有效粒子数Neff为：
其中，
表示t时刻第i个粒子权重值。
进一步地，RGB-D相机和激光雷达联合观测得到的数据集成到提议分布中，所述改进的提议分布为：
其中，X表示机器人的位姿，Z表示传感器的观测数据，L表示雷达观测数据，V表示视觉观测数据，U表示运动数据，M表示粒子的数量。
进一步地，所述粒子的权重，如下：
其中，
表示t时刻第i个粒子归一化权重。
进一步地，所述确定点云波动量与粒子数的线性关系，包括：当二维线性点云波动量超过6时，修改粒子数为6n，n为点云波动量，否则修改为5n。
第二方面，提供一种基于改进的Gmapping-SLAM地图更新系统，采用第一方面所述的基于改进的Gmapping-SLAM地图更新方法，包括：第一模块，用于采集机器人周边的环境信息，对机器人及其周边的物体进行定位；第二模块，用于以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
与现有技术相比，本发明所达到的有益效果：
(1)本发明通过将粒子数与场景的复杂程度做一个线性拟合，使粒子数以线性的方式随着场景的变化而动态调整，即在复杂的环境中，增加所需的粒子数从而保证定位建图的准确性；当环境变得简单时，能够自适应地减少粒子数，以此保证运行速度，优化资源利用率；
(2)本发明通过计算当前有效粒子数目来决定是否进行重采样，避免过度重采样造成粒子数量枯竭的现象；
(3)本发明通过视觉和激光雷达融合后的观测模型数据和运动模型数据两者相结合来优化Gmapping算法中的提议分布，可以显著减少粒子的数目，有效的降低了计算量以及内存的消耗。
附图说明
图1是本发明实施例提供的一种基于改进的Gmapping-SLAM地图更新方法的主要流程示意图；
图2是本发明实施例中改进的Gmapping算法的工作流程示意图；
图3是激光雷达点云波动扫描的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
一种基于改进的Gmapping-SLAM地图更新方法，包括：采集机器人周边的环境信息，对机器人及其周边的物体进行定位；以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
如图1所示，本实施例所述基于改进的Gmapping-SLAM地图更新方法，主要包括以下步骤：
步骤S1，启动ROS系统(机器人操作系统)，为机器人的SLAM(即时定位与地图构建)提供开发平台；
步骤S2，启动激光雷达，采集机器人周边的环境信息，对机器人及其周边的物体进行定位；
步骤S3，以采集到的环境信息为输入，运行改进的Gmapping算法，该算法具体流程如图2所示。
(1)输入数据：将激光雷达和里程计的数据输入到openslam Gmapping功能包中，为下一步建图做好准备。
(2)运动模型：根据时间t-1处的粒子姿态和里程计数据，预测时间t处的粒子姿态，并且基于初始值添加高斯采样的噪声点。
(3)扫描匹配：对每一个粒子进行扫描匹配，主要作用是寻求每一个粒子在t时刻的最佳位置坐标，为后面进行权重的更新做出相应的准备；如果扫描匹配失败，只根据运动模型采样粒子，使用传感器观测模型计算采样粒子权重。
(4)改进提议分布：传统方法计算提议分布时只考虑运动模型数据，造成提议分布与目标分布差距较大，需要更多的粒子进行拟合。改进后采集下一代粒子时把最近一次的观测数据zt结合到提议分布中，使之更接近目标位姿的后验概率分布，从而减少采样粒子的数目。机器人运行过程中，将最近一次的RGB-D相机(本实施例中采用kinect2深度相机对地图中路口、转弯处和障碍物附近进行特征点的提取，从而和激光雷达的数据匹配，对应环境中的同一特征点)和激光雷达联合观测得到的数据集成到提议分布中，以此提高该分布集中在可能性最高区域的概率。改进的提议分布如下：
其中，X表示机器人的位姿，Z表示传感器的观测数据，L表示雷达观测数据，V表示视觉观测数据，U表示运动数据，M表示粒子的数量。
但在实际计算过程中是在提议分布的峰值附近选取K个样本点来模拟一个高斯函数作为提议分布的近似分布。高斯函数
中的参数：
其中，
和
表示t时刻第i个粒子近似分布中的均值和方差，
表示t时刻第i个粒子归一化权重。
(5)权重计算：更新所有采样的权重，并进行归一化运算，系统在重采样前后均会进行权重计算。计算公式如下：
其中，
表示t时刻第i个粒子归一化权重。
(6)自适应重采样：在重采样之前对系统当前的有效粒子数进行判断，以此决定是否需要执行重采样，当有效粒子数Neff低于预设的阈值Nth，Nth＝N/2，N表示粒子数，即Neff＜Nth时，执行重采样，反之，不执行。
有效粒子数Neff表示粒子集的退化程度，Neff值越小退化越严重，需要进行重采样；Neff的值越大表示粒子集的多样性越好，则不需要进行重采样。Neff的定义：
其中，
表示t时刻第i个粒子权重值。
(7)粒子地图维护：所有粒子都需要存储自己的地图信息，就是粒子的运动轨迹，然后更新粒子的地图信息。
(8)地图更新：根据权重判断最优粒子，获取其运动轨迹，从而更新地图信息。
本步骤中，对于Gmapping算法优化主要基于以下两点：
(1)优化提议分布：通过把运动模型数据和观测模型数据两者相结合，使之更接近目标位姿的后验概率分布，从而减少采样粒子的数目。为了进一步提升观测数据的准确性，采用视觉和激光雷达融合的观测数据。
(2)自适应重采样：根据当前的有效粒子数来决定是否需要执行重采样，有效粒子数Neff表示粒子集的退化程度，Neff值越小退化越严重，需要进行重采样；Neff的值越大表示粒子集的多样性越好，则不需要进行重采样。
步骤S4，根据点云波动量调整采样需要的粒子数，接收雷达数据，分析雷达扫描半径中点云的波动量。确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着具体场景环境的变化而增减，从而保证最终定位建图的精准度。
点云波动量与粒子数的线性关系是：当二维线性点云波动量超过6时，修改粒子数为6n(n为点云波动量)，否则修改为5n。
如图3所示，雷达工作时会不断地识别并回传点云波动量数据，使得系统会根据实际环境不断地进行粒子数调整，然后再下一步建图。在建图结束之前整个过程会形成一个封闭地回环工作状态。
本实施例通过将粒子数与场景的复杂程度做一个线性拟合，使粒子数以线性的方式随着场景的变化而动态调整，即在复杂的环境中，增加所需的粒子数从而保证定位建图的准确性；当环境变得简单时，能够自适应地减少粒子数，以此保证运行速度，优化资源利用率；通过计算当前有效粒子数目来决定是否进行重采样，避免过度重采样造成粒子数量枯竭的现象；通过视觉和激光雷达融合后的观测模型数据和运动模型数据两者相结合来优化Gmapping算法中的提议分布，可以显著减少粒子的数目，有效的降低了计算量以及内存的消耗。
实施例二：
基于实施例一所述的基于改进的Gmapping-SLAM地图更新方法，本实施例提供一种基于改进的Gmapping-SLAM地图更新系统，包括：
第一模块，用于采集机器人周边的环境信息，对机器人及其周边的物体进行定位；
第二模块，用于以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (7)
1.一种基于改进的Gmapping-SLAM地图更新方法，其特征是，包括：
采集机器人周边的环境信息，对机器人及其周边的物体进行定位；
以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
2.根据权利要求1所述的基于改进的Gmapping-SLAM地图更新方法，其特征是，所述改进的Gmapping算法，具体包括：
根据时间t-1处的粒子姿态和里程计数据，预测时间t处的粒子姿态，并且基于初始值添加高斯采样的噪声点；
对每一个粒子进行扫描匹配，寻求每一个粒子在t时刻的最佳位置坐标；如果扫描匹配失败，则只根据运动模型采样粒子，使用传感器观测模型计算采样粒子权重；
基于改进的提议分布，采集下一代粒子时把最近一次的观测数据zt结合到提议分布中；使用RGB-D深度相机对地图中路口、转弯处和障碍物附近进行特征点的提取，从而和激光雷达采集的机器人周边的环境信息数据匹配，对应环境中的同一特征点；
更新所有采样的粒子的权重，并进行归一化运算；
自适应重采样，当有效粒子数Neff低于预设的阈值Nth，Nth＝N/2，N表示粒子数，即Neff<Nth时，执行重采样，反之，不执行；
基于粒子的运动轨迹，更新粒子的地图信息；
根据粒子的权重判断最优粒子，获取其运动轨迹，从而更新地图信息。
3.根据权利要求2所述的基于改进的Gmapping-SLAM地图更新方法，其特征是，所述有效粒子数Neff为：
其中，
表示t时刻第i个粒子权重值。
4.根据权利要求2所述的基于改进的Gmapping-SLAM地图更新方法，其特征是，RGB-D相机和激光雷达联合观测得到的数据集成到提议分布中，所述改进的提议分布为：
其中，X表示机器人的位姿，Z表示传感器的观测数据，L表示雷达观测数据，V表示视觉观测数据，U表示运动数据，M表示粒子的数量。
5.根据权利要求2所述的基于改进的Gmapping-SLAM地图更新方法，其特征是，所述粒子的权重，如下：
其中，
表示t时刻第i个粒子归一化权重。
6.根据权利要求1所述的基于改进的Gmapping-SLAM地图更新方法，其特征是，所述确定点云波动量与粒子数的线性关系，包括：当二维线性点云波动量超过6时，修改粒子数为6n，n为点云波动量，否则修改为5n。
7.一种基于改进的Gmapping-SLAM地图更新系统，其特征是，采用权利要求1～6任一项所述的基于改进的Gmapping-SLAM地图更新方法，包括：
第一模块，用于采集机器人周边的环境信息，对机器人及其周边的物体进行定位；
第二模块，用于以采集到的环境信息为输入，运行改进的Gmapping算法，包括：根据环境信息中的点云波动量调整采样所需的粒子数；确定点云波动量与粒子数的线性关系，使粒子数以线性的方式随着环境复杂程度的变化而变化，实现地图更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110086610.8A CN112857379B (zh) | 2021-01-22 | 2021-01-22 | 一种基于改进的Gmapping-SLAM地图更新方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110086610.8A CN112857379B (zh) | 2021-01-22 | 2021-01-22 | 一种基于改进的Gmapping-SLAM地图更新方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112857379A true CN112857379A (zh) | 2021-05-28 |
| CN112857379B CN112857379B (zh) | 2023-12-12 |
Family
ID=76007790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110086610.8A Active CN112857379B (zh) | 2021-01-22 | 2021-01-22 | 一种基于改进的Gmapping-SLAM地图更新方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112857379B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114415655A (zh) * | 2021-12-02 | 2022-04-29 | 盐城中科高通量计算研究院有限公司 | 一种基于改进slam的巡检机器人导航控制方法 |
| CN116309907A (zh) * | 2023-03-06 | 2023-06-23 | 中国人民解放军海军工程大学 | 一种基于改进的Gmapping算法的移动机器人建图方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104964683A (zh) * | 2015-06-04 | 2015-10-07 | 上海物景智能科技有限公司 | 一种室内环境地图创建的闭环校正方法 |
| US9170116B1 (en) * | 2014-07-11 | 2015-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method for generating accurate lane level maps |
| 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 |
| CN109059927A (zh) * | 2018-08-21 | 2018-12-21 | 南京邮电大学 | 复杂环境下多传感器的移动机器人slam建图方法和系统 |
| CN111427370A (zh) * | 2020-06-09 | 2020-07-17 | 北京建筑大学 | 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法 |
| CN111578958A (zh) * | 2020-05-19 | 2020-08-25 | 山东金惠新达智能制造科技有限公司 | 移动机器人导航实时定位方法、系统、介质及电子设备 |
-
2021
- 2021-01-22 CN CN202110086610.8A patent/CN112857379B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9170116B1 (en) * | 2014-07-11 | 2015-10-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method for generating accurate lane level maps |
| CN104964683A (zh) * | 2015-06-04 | 2015-10-07 | 上海物景智能科技有限公司 | 一种室内环境地图创建的闭环校正方法 |
| 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 |
| CN109059927A (zh) * | 2018-08-21 | 2018-12-21 | 南京邮电大学 | 复杂环境下多传感器的移动机器人slam建图方法和系统 |
| CN111578958A (zh) * | 2020-05-19 | 2020-08-25 | 山东金惠新达智能制造科技有限公司 | 移动机器人导航实时定位方法、系统、介质及电子设备 |
| CN111427370A (zh) * | 2020-06-09 | 2020-07-17 | 北京建筑大学 | 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法 |
Non-Patent Citations (3)
| Title |
|---|
| SU ZHIFENG ET AL.: "Optimization Design and Experimental Study of Gmapping Algorithm", 《IEEE》, pages 4894 - 4898 * |
| 罗元;苏琴;张毅;郑潇峰;: "基于优化RBPF的同时定位与地图构建", 华中科技大学学报(自然科学版), no. 05, pages 35 - 39 * |
| 高文研等: "两种基于激光雷达的SLAM算法最优参数分析", 《传感器与微系统》, vol. 37, no. 4, pages 28 - 33 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114415655A (zh) * | 2021-12-02 | 2022-04-29 | 盐城中科高通量计算研究院有限公司 | 一种基于改进slam的巡检机器人导航控制方法 |
| CN114415655B (zh) * | 2021-12-02 | 2024-05-07 | 盐城中科高通量计算研究院有限公司 | 一种基于改进slam的巡检机器人导航控制方法 |
| CN116309907A (zh) * | 2023-03-06 | 2023-06-23 | 中国人民解放军海军工程大学 | 一种基于改进的Gmapping算法的移动机器人建图方法 |
| CN116309907B (zh) * | 2023-03-06 | 2024-06-04 | 中国人民解放军海军工程大学 | 一种基于改进的Gmapping算法的移动机器人建图方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112857379B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109798896B (zh) | 一种室内机器人定位与建图方法及装置 | |
| CN107403426B (zh) | 一种目标物体检测方法及设备 | |
| CN109932713A (zh) | 定位方法、装置、计算机设备、可读存储介质和机器人 | |
| CN112857379B (zh) | 一种基于改进的Gmapping-SLAM地图更新方法及系统 | |
| KR20080024407A (ko) | 이동 로봇의 자세 추정 장치 및 방법 | |
| CN111521195B (zh) | 一种智能机器人 | |
| CN110082776B (zh) | 一种基于2d激光数据的机器人实时定位方法 | |
| CN112171675B (zh) | 一种移动机器人的避障方法、装置、机器人及存储介质 | |
| CA3167201A1 (en) | Reinforcement learning with adaptive return computation schemes | |
| CN114162146A (zh) | 行驶策略模型训练方法以及自动驾驶的控制方法 | |
| Quan et al. | AGV localization based on odometry and LiDAR | |
| CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
| CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
| CN113932799A (zh) | 激光地图更新方法、系统、电子设备、介质及程序产品 | |
| CN111076724B (zh) | 三维激光定位方法及系统 | |
| CN116295414A (zh) | 基于鲸鱼算法优化的AUV-UFastSLAM算法 | |
| CN117029817A (zh) | 一种二维栅格地图融合方法及系统 | |
| CN114608585A (zh) | 一种移动机器人同步定位与建图方法及装置 | |
| CN115345934A (zh) | 一种基于坡度因子的激光定位与建图方法及系统 | |
| CN115032984A (zh) | 一种面向港口物流智能机器人的半自主导航方法及系统 | |
| CN113359714B (zh) | 基于粒子滤波算法的巡检机器人动态路径规划方法及装置 | |
| CN113063412B (zh) | 一种基于可靠性分析的多机器人协同定位与建图方法 | |
| CN116138036B (zh) | 一种用于名优茶嫩芽采摘的二次定位方法 | |
| CN112308917A (zh) | 一种基于视觉的移动机器人定位方法 | |
| Lv et al. | An improved FastSLAM 2.0 algorithm based on FC&ASD-PSO |
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 |