CN112904369A - 机器人重定位方法、装置、机器人和计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种机器人重定位方法、装置、机器人和计算机可读存储介质，机器人重定位方法包括：获取一帧激光雷达点云；分阶段计算所有粒子在地图上的似然域，得到第一粒子群，似然域是指地图上每个点对应的障碍物的概率；根据第一粒子群和激光雷达点云创建局部地图，将局部地图与全局地图进行比较以确定最优位姿，以最优位姿作为定位结果。解决了在重采样粒子群阶段，需要机器人移动一定距离才能执行一次滤波，同时粒子需要多次迭代才能收敛，得到最优的全局位姿估计的技术问题，通过使用两种不同方法来筛选粒子群，两种方法相互补充，共同得到最优位姿，使得提高了算法的稳定性和准确率。

Description

机器人重定位方法、装置、机器人和计算机可读存储介质

技术领域

本申请涉及机器人定位技术领域，尤其涉及一种机器人重定位方法、装置、机器人和计算机可读存储介质。

背景技术

随着科技的不断进步，自动定位技术已经成为当今社会研究的热点，由于激光雷达具有高距离分辨率和角分辨率、高抗干扰能力、体积小等优点，因此，激光雷达定位技术是当下自动定位技术中的热点技术之一。

现有的粒子滤波方法只使用一张全局地图确定机器人位姿，且在重采样粒子群阶段，需要机器人移动一定距离才能执行一次滤波，机器人不运动时无法定位，同时粒子需要多次迭代才能收敛，得到最优的全局位姿估计。

发明内容

本申请实施例通过提供一种机器人重定位方法、装置、机器人和计算机可读存储介质，旨在解决在重采样粒子群阶段，需要机器人移动一定距离才能执行一次滤波，同时粒子需要多次迭代才能收敛，得到最优的全局位姿估计的问题。

为实现上述目的，本申请一方面提供一种机器人重定位方法，所述机器人重定位方法包括以下步骤：

获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

可选地，所述分阶段计算所有粒子在地图上的似然域，得到第一粒子群的步骤包括：

将所述所有粒子进行均匀划分，得到多份第一粒子，每一个线程计算一份所述第一粒子的得分情况，基于所述第一粒子的得分情况确定第一阶段的第一候选粒子；

将所述第一候选粒子进行均匀划分，得到多份第二粒子，每一个线程计算一份所述第二粒子的得分情况，基于所述第二粒子的得分情况确定第二阶段的第二候选粒子；

将所述第一候选粒子进行均匀划分，得到多份第三粒子，每一个线程计算一份所述第三粒子的得分情况，基于所述第三粒子的得分情况确定第三阶段的第三候选粒子；

对所述第二候选粒子和所述第三候选粒子进行筛选，得到所述第一粒子群。

可选地，所述将所述局部地图与全局地图进行比较以确定最优位姿的步骤包括：

将所述局部地图与所述全局地图进行比较，得到不同像素点的数量；

根据所述不同像素点的数量确定所述粒子的得分情况，并基于所述粒子的得分情况确定所述最优位姿。

可选地，所述将所述局部地图与所述全局地图进行比较，得到不同像素点的数量的步骤包括：

将所述局部地图的障碍物点与所述全局地图的障碍物点进行匹配，以及将所述局部地图的非障碍物点与所述全局地图的非障碍物点进行匹配，生成匹配结果；

基于所述匹配结果确定所述不同像素点的数量。

可选地，所述根据所述不同像素点的数量确定所述粒子的得分情况的步骤包括：

将所述第一粒子群进行均匀划分，得到多份粒子；

每一个线程根据所述不同像素点的数量计算一份粒子的得分情况。

可选地，所述分阶段计算所有粒子在地图上的似然域的步骤之前，还包括：

预先建立当前定位环境的栅格地图；

将所述激光雷达点云对应的坐标映射在所述栅格地图上，所述栅格地图为栅格概率地图。

可选地，所述获取一帧激光雷达点云的步骤之前，还包括：

以所述栅格地图的非障碍物区域生成所述粒子；其中，所述粒子是指机器人的位姿。

此外，为实现上述目的，本申请另一方面还提供一种机器人重定位装置，所述装置包括：

获取模块，用于获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

计算模块，用于分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

创建模块，用于根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

此外，为实现上述目的，本申请另一方面还提供一种机器人，所述机器人包括存储器、处理器及存储在存储器上并在处理器上运行的机器人重定位程序，所述处理器执行所述机器人重定位程序时实现如上所述机器人重定位方法的步骤。

此外，为实现上述目的，本申请另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有机器人重定位程序，所述机器人重定位程序被处理器执行时实现如上所述机器人重定位方法的步骤。

本实施例通过获取一帧激光雷达点云，激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；分阶段计算所有粒子在地图上的似然域，得到第一粒子群，似然域是指地图上每个点对应的障碍物的概率；根据第一粒子群和激光雷达点云创建局部地图，将局部地图与全局地图进行比较以确定最优位姿，以最优位姿作为定位结果。解决了在重采样粒子群阶段，需要机器人移动一定距离才能执行一次滤波，同时粒子需要多次迭代才能收敛，得到最优的全局位姿估计的技术问题，通过使用两种不同方法来筛选粒子群，两种方法相互补充，共同得到最优位姿，使得提高了算法的稳定性和准确率。

附图说明

图1为本申请实施例方案涉及的硬件运行环境的机器人结构示意图；

图2为本申请机器人重定位方法第一实施例的流程示意图；

图3为本申请机器人重定位方法第二实施例的流程示意图；

图4为本申请机器人重定位方法中分阶段计算所有粒子在地图上的似然域，得到第一粒子群的流程示意图；

图5为本申请机器人重定位方法中将所述局部地图与所述全局地图进行比较，得到不同像素点的数量的流程示意图；

图6为本申请机器人重定位方法中根据所述不同像素点的数量确定所述粒子的得分情况的流程示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请实施例的主要解决方案是：获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

由于现有的粒子滤波方法只使用一张全局地图确定机器人位姿，且在重采样粒子群阶段，需要机器人移动一定距离才能执行一次滤波，机器人不运动时无法定位，同时粒子需要多次迭代才能收敛，得到最优的全局位姿估计。本申请通过获取一帧激光雷达点云，激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；分阶段计算所有粒子在地图上的似然域，得到第一粒子群，似然域是指地图上每个点对应的障碍物的概率；根据第一粒子群和激光雷达点云创建局部地图，将局部地图与全局地图进行比较以确定最优位姿，以最优位姿作为定位结果。通过使用两种不同方法来筛选粒子群，两种方法相互补充，共同得到最优位姿，使得提高了算法的稳定性和准确率。

如图1所示，图1为本申请实施例方案涉及的硬件运行环境的机器人结构示意图。

如图1所示，该机器人可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，机器人还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、遥控器、音频电路、WiFi模块、检测器等等。当然，所述机器人还可配置陀螺仪、气压计、湿度计、温度传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的机器人结构并不构成对机器人设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及机器人重定位方法程序。

在图1所示的机器人中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中机器人重定位方法程序，并执行以下操作：

获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

参考图2，图2为本申请机器人重定位方法第一实施例的流程示意图。

本申请实施例提供了机器人重定位方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

机器人重定位方法包括：

步骤S10，获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

在初始化粒子的过程中，以栅格地图的非障碍物区域生成粒子，其中，每个粒子是指机器人的位姿，也即粒子是表示机器人位置。机器人中搭载有2D激光雷达，2D激光雷达能够扫描机器人的周围环境得到环境数据，其中，2D激光雷达扫描得到环境数据中包括激光雷达点云数据，该激光雷达点云数据指的是当一束激光照射在物体表面，所返回的数据信息中包括该物体表面各个点在三维空间中的坐标信息，这些点的组合就是激光点云，所得到的数据就是点云数据。具体地，2D激光雷达扫描机器人所在环境360度范围内的环境，以得到环境数据，该环境数据包括机器人当前位置处的点云数据，以及机器人与周围环境物体的深度数据，周围环境中的物体的形状数据等；又或者是机器人通过在附近范围内移动来扫描得到周围的环境数据。当2D激光雷达扫描障碍物(如墙壁、桌子、人等等)的表面时，得到若干数据点，基于该数据点形成点云数据，其中，点云数据是三维空间中的数据点的集合。进一步从环境数据中获取一帧激光雷达点云数据，这样使得机器人不需要通过移动来达到重采样的目的，避免了机器人不运动时无法定位的情况，同时也避免了粒子需要经过多次迭代才能达到收敛。

步骤S20，分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

机器人会预先建立当前定位环境的二维栅格地图，并将激光雷达点云对应的坐标映射在栅格地图上，其中，栅格地图为栅格概率地图，表示将整个环境分为若干相同大小的栅格，对于每个栅格各指出其中是否存在障碍物。由于栅格地图的每一个格子是有数值的，如从0到255，格子是白色表示地图上没有障碍物，格子是黑色表示地图上有障碍物的概率很大，所以当机器人把激光雷达点云映射到地图上时，就可以判断这个点对应的障碍物的概率大小。也即，地图上的每个点都有一个判断该点是否为障碍物的概率，该地图称为似然域。

机器人通过分三个阶段计算所有粒子在地图上的似然域，得到第一粒子群，该第一粒子群为经过三个阶段筛选后得到的粒子。进一步地，参考图4，所述分阶段计算所有粒子在地图上的似然域，得到第一粒子群的步骤包括：

步骤S21，将所述所有粒子进行均匀划分，得到多份第一粒子，每一个线程计算一份所述第一粒子的得分情况，基于所述第一粒子的得分情况确定第一阶段的第一候选粒子；

步骤S22，将所述第一候选粒子进行均匀划分，得到多份第二粒子，每一个线程计算一份所述第二粒子的得分情况，基于所述第二粒子的得分情况确定第二阶段的第二候选粒子；

步骤S23，将所述第一候选粒子进行均匀划分，得到多份第三粒子，每一个线程计算一份所述第三粒子的得分情况，基于所述第三粒子的得分情况确定第三阶段的第三候选粒子；

步骤S24，对所述第二候选粒子和所述第三候选粒子进行筛选，得到所述第一粒子群。

机器人根据初始化后的粒子，计算所有粒子在全局地图上的似然域，得到初选粒子。具体地，分阶段计算粒子在地图上的似然域的方法包括三个不同的阶段进行，三个阶段的不同点是为地图非障碍物像素点分配不同大小的概率值，目的是对不同的实际场景进行区分。第一阶段是粗匹配，使用初始化后的粒子，在地图上粗略筛选出初步的候选粒子，具体地，将初始化后的所有粒子进行均匀划分，得到多份第一粒子，每一个线程计算一份第一粒子的得分情况，基于第一粒子的得分情况确定第一阶段的第一候选粒子。第二阶段是精匹配阶段，使用第一阶段得到的候选粒子，在地图上进一步得到精确的候选粒子，具体地，将第一候选粒子进行均匀划分，得到多份第二粒子，每一个线程计算一份第二粒子的得分情况，基于第二粒子的得分情况确定第二阶段的第二候选粒子。第三阶段也是精匹配阶段，继续使用第一阶段的结果，在地图上得到精确的候选粒子，具体地，将第一候选粒子进行均匀划分，得到多份第三粒子，每一个线程计算一份第三粒子的得分情况，基于第三粒子的得分情况确定第三阶段的第三候选粒子。然后把第二、第三阶段的精匹配结果整合筛选，得到地图似然域上匹配程度最高的候选粒子。需要说明的是，第二阶段与第三阶段所采用的划分方式是相同的，但所采用的计算方式不同，因此，候选粒子的得分情况不同。

步骤S30，根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

分阶段计算粒子在地图的似然域的方法可以筛选出匹配程度最高的候选粒子，但该方法存在一个缺点，就是在处理激光传感器时，当作它们能“看穿墙”，也即实际上不能确定该点是否被障碍物阻挡。这是因为射线投射操作由近邻函数来替代，导致不能确定到一个点的路径是否被地图上的一个障碍物所拦截。例如，假设有两个粒子，激光雷达点云在两个粒子处都和地图的障碍物点高度匹配，但是其中一个粒子处点云范围内有大量的障碍物像素点，另一个粒子处点云范围内的障碍物像素点很少，则通过分阶段计算粒子在地图的似然域就很难对这两个粒子位姿进行区分。

针对分阶段计算粒子在地图的似然域方法的缺点，需要结合第二种方法进一步对粒子进行筛选，其中，第二种筛选粒子的方法是计算由激光雷达点云所创建的地图与原始全局地图像素点的不同。首先根据分阶段计算粒子在地图的似然域方法得到的候选粒子，通过激光雷达点云在不同粒子的位姿处创建一张局部地图，然后计算激光雷达点云构成的局部地图与原始全局地图不同像素点的数量，不同像素点的数量越少，说明粒子的得分越高，粒子是最优位姿的可能性就越高，进一步基于粒子的得分确定机器人的最优位姿，以该最优位姿作为定位结果。具体地，当一帧激光雷达点云映射到地图上的时，机器人以该激光雷达点云的范围创建一张局部地图，其中，局部地图里面有激光雷达点就表示这个点有障碍物；将该张局部地图与原始全局地图做比较以确定不同像素点的数量，实际上是确定障碍物点和非障碍物点的不同。若局部地图和原始全局地图的相似度较高(如相似度为95％)，也就是不同像素点的数量较少，则认为该位置得分较高，也即，该位置有可能是机器人的正确位置。

其中，原始全局地图是可以采用Slam算法构建，Slam算法是指即时定位与地图构建技术，能够通过感知自身周围环境来构建3D增量式地图，从而实现自主定位和导航。

本实施例在确定最优粒子的过程，只使用一帧激光雷达点云数据，使得不需要机器人通过移动来达到重采样的目的，避免了机器人不运动时无法定位的情况，同时也避免了粒子需要经过多次迭代才能达到收敛。其次，通过使用分阶段计算粒子在地图的似然域和计算激光雷达点云形成的局部地图与全局地图像素点的不同，这两种不同方法来筛选粒子群，两种方法相互补充，共同得到最优位姿，使得提高了算法的稳定性和准确率。

进一步地，参考图3，提出本申请机器人重定位方法第二实施例。

所述机器人重定位方法第二实施例与所述机器人重定位方法第一实施例的区别在于，所述将所述局部地图与全局地图进行比较以确定最优位姿的步骤包括：

步骤S31，将所述局部地图与所述全局地图进行比较，得到不同像素点的数量；

机器人在将局部地图与全局地图进行比较时，主要将障碍物点与非障碍物点进行匹配，从而确定不同像素点的数量。进一步地，参考图5，所述将所述局部地图与所述全局地图进行比较，得到不同像素点的数量的步骤包括：

步骤S310，将所述局部地图的障碍物点与所述全局地图的障碍物点进行匹配，以及将所述局部地图的非障碍物点与所述全局地图的非障碍物点进行匹配，生成匹配结果；

步骤S311，基于所述匹配结果确定所述不同像素点的数量。

机器人将局部地图的障碍物点与全局地图的障碍物点进行匹配，以及将所述局部地图的非障碍物点与所述全局地图的非障碍物点进行匹配，生成匹配结果；基于该匹配结果获取不匹配的点的数量，该数量即为不同像素点的数量。例如：在局部地图与全局地图中，若存在20个点不匹配，则不同像素点的数量即为20。其中，若局部地图中的第一个点为障碍物点，而全局地图中的第一个点为非障碍物点，则可以确定该位置的点不匹配，也即像素点不同。

步骤S32，根据所述不同像素点的数量确定所述粒子的得分情况，并基于所述粒子的得分情况确定所述最优位姿。

机器人在确定不同像素点的数量后，基于该数量确定粒子的得分情况，并基于粒子的得分情况确定最优位姿，粒子的得分情况是指一帧激光雷达点云中每个点对应的障碍物的概率之和，概率越大，则得分越高。其中，每一个粒子是对机器人位置的假设，粒子位置的不同，那么一帧激光雷达点云在映射到地图上的位置就不同，因此这一帧激光雷达点云加起来的概率就会不同。进一步为提高粒子得分的计算速度，可以使用多线程进行加速计算，参考图6，所述根据所述不同像素点的数量确定所述粒子的得分情况的步骤包括：

步骤S320，将所述第一粒子群进行均匀划分，得到多份粒子；

步骤S321，每一个线程根据所述不同像素点的数量计算一份粒子的得分情况。

由于机器人同时在一个线程里计算所有粒子的得分，需要耗费大量的时间，因此需要将第一粒子群进行均匀划分，得到多份粒子，每一个线程根据不同像素点的数量计算一份粒子的得分情况。

本实施例通过将局部地图与全局地图进行比较，得到不同像素点的数量，进一步根据不同像素点的数量确定粒子的得分情况，并基于粒子的得分情况得到最优位姿，同时，通过使用多线程进行加速计算，提高计算效率。

本申请还提出一种机器人重定位装置，在一实施例中，所述机器人重定位装置包括存储器、处理器及存储在存储器上并可在处理器上运行的机器人重定位程序，机器人重定位程序被处理器执行时实现以下步骤：

获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

在一实施例中，所述机器人重定位装置包括：获取模块，计算模块和比较模块；

所述获取模块，用于获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

所述计算模块，用于分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

所述比较模块，用于根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

进一步地，所述计算模块包括计算单元；

所述计算单元，用于将所述所有粒子进行均匀划分，得到多份第一粒子，每一个线程计算一份所述第一粒子的得分情况，基于所述第一粒子的得分情况确定第一阶段的第一候选粒子；

所述计算单元，还用于将所述第一候选粒子进行均匀划分，得到多份第二粒子，每一个线程计算一份所述第二粒子的得分情况，基于所述第二粒子的得分情况确定第二阶段的第二候选粒子；

所述计算单元，还用于将所述第一候选粒子进行均匀划分，得到多份第三粒子，每一个线程计算一份所述第三粒子的得分情况，基于所述第三粒子的得分情况确定第三阶段的第三候选粒子；

所述计算单元，还用于对所述第二候选粒子和所述第三候选粒子进行筛选，得到所述第一粒子群。

进一步地，所述比较模块包括比较单元和确定单元；

所述比较单元，用于将所述局部地图与所述全局地图进行比较，得到不同像素点的数量；

所述确定单元，用于根据所述不同像素点的数量确定所述粒子的得分情况，并基于所述粒子的得分情况确定所述最优位姿。

进一步地，所述比较单元包括匹配子单元和确定子单元；

所述匹配子单元，用于将所述局部地图的障碍物点与所述全局地图的障碍物点进行匹配，以及将所述局部地图的非障碍物点与所述全局地图的非障碍物点进行匹配，生成匹配结果；

所述确定子单元，用于基于所述匹配结果确定所述不同像素点的数量。

进一步地，所述确定单元包括划分子单元和计算子单元；

所述划分子单元，用于将所述第一粒子群进行均匀划分，得到多份粒子；

所述计算子单元，用于每一个线程根据所述不同像素点的数量计算一份粒子的得分情况。

进一步地，所述获取模块包括建立单元和映射单元；

所述建立单元，用于预先建立当前定位环境的栅格地图；

所述映射单元，用于将所述激光雷达点云对应的坐标映射在所述栅格地图上，所述栅格地图为栅格概率地图。

进一步地，所述计算模块还包括初始单元；

所述初始单元，用于以所述栅格地图的非障碍物区域生成所述粒子；其中，所述粒子是指机器人的位姿。

上述的机器人重定位装置各个模块功能的实现与上述方法实施例中的过程相似，在此不再一一赘述。

此外，本申请还提供一种机器人，所述机器人包括存储器、处理器及存储在存储器上并在处理器上运行的机器人重定位方法程序，所述机器人通过获取一帧激光雷达点云，激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；分阶段计算所有粒子在地图上的似然域，得到第一粒子群，似然域是指地图上每个点对应的障碍物的概率；根据第一粒子群和激光雷达点云创建局部地图，将局部地图与全局地图进行比较以确定最优位姿，以最优位姿作为定位结果。解决了在重采样粒子群阶段，需要机器人移动一定距离才能执行一次滤波，同时粒子需要多次迭代才能收敛，得到最优的全局位姿估计的技术问题，通过使用两种不同方法来筛选粒子群，两种方法相互补充，共同得到最优位姿，使得提高了算法的稳定性和准确率。

此外，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有机器人重定位方法程序，所述机器人重定位方法程序被处理器执行时实现如上所述机器人重定位方法的步骤。

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。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本申请的可选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括可选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种机器人重定位方法，其特征在于，所述方法包括：

获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

2.根据权利要求1所述的机器人重定位方法，其特征在于，所述分阶段计算所有粒子在地图上的似然域，得到第一粒子群的步骤包括：

将所述所有粒子进行均匀划分，得到多份第一粒子，每一个线程计算一份所述第一粒子的得分情况，基于所述第一粒子的得分情况确定第一阶段的第一候选粒子；

将所述第一候选粒子进行均匀划分，得到多份第二粒子，每一个线程计算一份所述第二粒子的得分情况，基于所述第二粒子的得分情况确定第二阶段的第二候选粒子；

将所述第一候选粒子进行均匀划分，得到多份第三粒子，每一个线程计算一份所述第三粒子的得分情况，基于所述第三粒子的得分情况确定第三阶段的第三候选粒子；

对所述第二候选粒子和所述第三候选粒子进行筛选，得到所述第一粒子群。

3.根据权利要求1所述的机器人重定位方法，其特征在于，所述将所述局部地图与全局地图进行比较以确定最优位姿的步骤包括：

将所述局部地图与所述全局地图进行比较，得到不同像素点的数量；

根据所述不同像素点的数量确定所述粒子的得分情况，并基于所述粒子的得分情况确定所述最优位姿。

4.根据权利要求3所述的机器人重定位方法，其特征在于，所述将所述局部地图与所述全局地图进行比较，得到不同像素点的数量的步骤包括：

将所述局部地图的障碍物点与所述全局地图的障碍物点进行匹配，以及将所述局部地图的非障碍物点与所述全局地图的非障碍物点进行匹配，生成匹配结果；

基于所述匹配结果确定所述不同像素点的数量。

5.根据权利要求3所述的机器人重定位方法，其特征在于，所述根据所述不同像素点的数量确定所述粒子的得分情况的步骤包括：

将所述第一粒子群进行均匀划分，得到多份粒子；

每一个线程根据所述不同像素点的数量计算一份粒子的得分情况。

6.根据权利要求1所述的机器人重定位方法，其特征在于，所述分阶段计算所有粒子在地图上的似然域的步骤之前，还包括：

预先建立当前定位环境的栅格地图；

将所述激光雷达点云对应的坐标映射在所述栅格地图上，所述栅格地图为栅格概率地图。

7.根据权利要求6所述的机器人重定位方法，其特征在于，所述获取一帧激光雷达点云的步骤之前，还包括：

以所述栅格地图的非障碍物区域生成所述粒子；其中，所述粒子是指机器人的位姿。

8.一种机器人重定位装置，其特征在于，所述装置包括：

获取模块，用于获取一帧激光雷达点云，所述激光雷达点云是指激光雷达获取的周围环境的障碍物所形成的点云；

计算模块，用于分阶段计算所有粒子在地图上的似然域，得到第一粒子群，所述似然域是指所述地图上每个点对应的障碍物的概率；

创建模块，用于根据所述第一粒子群和所述激光雷达点云创建局部地图，将所述局部地图与全局地图进行比较以确定最优位姿，以所述最优位姿作为定位结果。

9.一种机器人，其特征在于，所述机器人包括存储器、处理器及存储在存储器上并在所述处理器上运行的机器人重定位程序，所述处理器执行所述机器人重定位程序时实现如权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有机器人重定位程序，所述机器人重定位程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。

Images