CN113176783A - 基于地图匹配的定位控制方法、芯片及机器人 - Google Patents
基于地图匹配的定位控制方法、芯片及机器人 Download PDFInfo
- Publication number
- CN113176783A CN113176783A CN202110575423.6A CN202110575423A CN113176783A CN 113176783 A CN113176783 A CN 113176783A CN 202110575423 A CN202110575423 A CN 202110575423A CN 113176783 A CN113176783 A CN 113176783A
- Authority
- CN
- China
- Prior art keywords
- map
- local
- global
- rotation angle
- discrete
- 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 72
- 230000000875 corresponding effect Effects 0.000 claims description 214
- 238000013507 mapping Methods 0.000 claims description 108
- 239000011159 matrix material Substances 0.000 claims description 90
- 238000005457 optimization Methods 0.000 claims description 63
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 56
- 230000009466 transformation Effects 0.000 claims description 36
- 238000013519 translation Methods 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000035508 accumulation Effects 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 15
- 230000001276 controlling effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开基于地图匹配的定位控制方法、芯片及机器人,该定位控制方法包括:先基于局部地图和全局地图的相关性获取多个最佳旋转角度作为候选旋转角度,再利用候选旋转角度对同一局部地图旋转处理获得多个旋转后的局部地图;针对每一个旋转后的局部地图,都将其与一个全局地图求取互相关系数以结合候选旋转角度求取对应的最佳匹配结果;然后针对每一个最佳匹配结果在对应的全局地图下求取地图相关系数以归一化到同一尺度下进行比对,再从多个全局地图内选择相关性最强的最佳匹配结果对应的定位信息作为机器人定位的目标位置。
Description
技术领域
本发明涉及机器人定位的技术领域,具体涉及基于地图匹配的定位控制方法、芯片及机器人。
背景技术
SLAM允许移动机器人构建地图并使用即时构建的局部地图进行实时定位,但是由于栅格地图特征较少,移动机器人依赖于从栅格地图中提取特征进行定位时很容易丢失相关的特征信息,若机器人重启或突然重启或被强制移动到其他位置后,机器人即使执行定位操作也无法快速准确地定位其位姿、无法快速准确地将即时构建的局部地图转换回预先构建的全局地图内以实现定位回被强制移动前的初始位置,是目前亟需解决的问题。
发明内容
为解决上述问题,本发明公开基于地图匹配的定位控制方法、芯片及机器人,通过评估计算多个全局地图与一个局部地图的匹配结果,快速准确地将即时构建的局部地图转换到对应的全局地图内以实现准确定位。具体技术方案如下:
基于地图匹配的定位控制方法,所述定位控制方法包括:步骤A、根据一个局部地图的直线与一个全局地图的直线在霍夫空间内的互相关性,计算出第二预设数量的最佳旋转角度;其中,机器人预先存储有第一预设数量的全局地图;步骤B、调用各个最佳旋转角度分别对一个局部地图进行旋转,获得第二预设数量的第一局部优化地图;步骤C、控制第二预设数量的第一局部优化地图分别与第一预设数量的全局地图进行两两加速卷积,获得每个第一局部优化地图与对应的每个全局地图的互相关参数矩阵;步骤D、从同一个互相关参数矩阵内获取数值最大的一个元素,再将当前获取的数值最大的元素相对应的横轴坐标及其纵轴坐标与第一局部优化地图相对应的一个最佳旋转角度组成相对应的全局地图与所述局部地图之间的最佳转换矩阵,然后利用最佳转换矩阵将所述局部地图转换到相对应的全局地图内,并确定转换为第二局部优化地图;步骤E、控制第二局部优化地图与相对应的全局地图进行协方差运算,获得对应的地图相关系数;然后选择出数值最大的地图相关系数对应的全局地图,再按照数值最大的地图相关系数对应的最佳转换矩阵,在当前选择的全局地图内选择相匹配的坐标位置作为机器人的定位位置。
该技术方案先基于局部地图和全局地图的互相关性获取多个最佳旋转角度作为候选旋转角度,再利用候选旋转角度对同一局部地图旋转处理获得多个旋转后的局部地图;针对每一个旋转后的局部地图,都将其与一个全局地图求取互相关系数以结合候选旋转角度求取对应的最佳匹配结果;然后针对每一个最佳匹配结果在对应的全局地图下求取地图相关系数以归一化到同一尺度下进行比对,再从多个全局地图内选择相关性最强的最佳匹配结果对应的定位信息作为机器人定位的目标位置。从而:结合多张全局地图以及多个候选旋转角度的相关性的两两匹配操作,先基于一个局部地图和一个全局地图,利用互相关系数矩阵筛选出每一个候选旋转角度对应的一个最佳转换矩阵,再将一个局部地图通过对应的最佳转换矩阵转换到各个全局地图内,最后将不同地图归一化到同一尺度下进行相关性系数的大小对比以获得定位结果,克服机器人在定位过程中容易丢失相关的特征信息而导致不准确的问题,提高机器人利用局部地图的有限信息进行定位的准确性和效率,增强地图定位算法的鲁棒性,减少地图坐标系转换误差的干扰。
进一步地,在所述步骤C中,用离散傅里叶变换来将每个第一局部优化地图与对应参与卷积的一个全局地图由时域空间转换到频域空间上,然后将第一局部优化地图在频域空间位置上的变换值与对应参与卷积的全局地图在对应频域空间位置上的变换值相乘,再经过离散傅里叶变换反变换来获取一个互相关参数矩阵,完成加速卷积,以实现用两个列元素的卷积替代一个第一局部优化地图和一个全局地图之间的卷积并获得相同的运算结果;其中,在第二预设数量的第一局部优化地图中,每个第一局部优化地图都被设置为与任一个全局地图进行所述加速卷积,获取数目为第一预设数量和第二预设数量的乘积的互相关参数矩阵,以实现所述两两加速卷积;其中,互相关参数矩阵的列数与对应的第一局部优化地图的横轴方向的栅格数目相等,互相关参数矩阵的行数与对应的第一局部优化地图的纵轴方向的栅格数目相等。
该技术方案在全局地图和第一局部优化地图的地图尺寸大小都比较大时,为了降低传统的卷积运算所带来的庞大的计算成本,利用离散傅里叶变换来加速前述两种地图的卷积计算,将卷积计算的逐项小窗的乘法计算转换为两个列卷积,从而减少了计算次数和内存的占用量,特别是被变换的地图离散数据越多,本技术方案的计算量的节省程度就越显著。
进一步地,在所述步骤E中,所述控制第二局部优化地图与相对应的全局地图进行协方差运算,获得对应的地图相关系数的方法包括:在参与协方差运算的全局地图内,分割出由与所述第二局部优化地图相匹配位置组成且与所述第二局部优化地图等同大小的全局分块地图,则确定将所述第二局部优化地图的矩阵元素与所述全局分块地图同行同列的矩阵元素的乘积的期望设置为第一期望;将所述第二局部优化地图的矩阵元素的期望与所述全局分块地图的矩阵元素的期望的乘积设置为相关期望乘积;将所述第二局部优化地图的矩阵元素的标准差与所述全局分块地图的矩阵元素的标准差的乘积设置为归一化乘积参数,用于将所述第二局部优化地图与相对应的全局地图归一化到同一尺度下;最后将所述第一期望减去所述相关期望乘积而获得的差值除以所述归一化乘积参数,相除得到的结果为所述地图相关系数;其中,每一个地图相关系数与对应的一个全局地图相匹配,且与对应的一个最佳旋转角度相匹配,以使得所述地图相关系数排列组成一个矩阵。
本技术方案等效于将皮尔逊相关系数设置为每一个第二局部优化地图与相对应的每一个全局地图之间的相关性的匹配结果的置信度,实现将不同地图归一化到同一尺度下进行对比,有利于筛选出机器人在全局地图内的定位结果。当相匹配的两个地图对应的各个矩阵元素距离其平均值差别大小越小,相匹配的两个地图的相关性越强,使得对应的转换向量信息内在当前选择的全局地图内对应指示的位置信息作为最佳的定位结果,受各种误差因素的影响最低。
进一步地,在所述第一预设数量的全局地图中,每一个全局地图都存在所述第二预设数量的彼此不同的最佳旋转角度,进而每一个全局地图都存在所述第二预设数量的彼此不同的最佳转换矩阵,其中,每个第一局部优化地图相对于局部地图都存在相对应的一个最佳旋转角度。在该技术方案中,每一个最佳旋转角度针对一个全局地图匹配一个最佳转换矩阵,进而在相应的全局地图的相应方向姿态上确定一个位置信息,从而为机器人的定位提供充足的预存地图信息和实时定位的地图信息,通过设定多个候选定位对象及其映射转换关系来提高定位算法的稳健性,克服机器人容易丢失相关的地图特征信息的问题。
进一步地,所述最佳转换矩阵用于表示所述相对应的全局地图的坐标系的原点与所述局部地图的机器人坐标系的原点之间的坐标偏移量与旋转角度,基于所述最佳转换矩阵确定所述相对应的全局地图的坐标系与所述局部地图的机器人坐标系之间的旋转和平移关系;其中,将所述机器人坐标系原点设定为机器人上表面的中心或机器人的当前位置。该技术方案基于所述最佳转换矩阵确定转换矩阵,简化局部地图转换到全局地图的坐标系中的转换公式,便于坐标系之间的转换计算,加快机器人在自身位姿失效或重启等异常情况的重新定位,也使得机器人能够在建图定位与导航过程中得到完整的自身的坐标与位姿,导航精度更高。
进一步地,所述根据一个局部地图的直线与一个全局地图的直线在霍夫空间内的互相关性,计算出第二预设数量的最佳旋转角度的具体方法包括以下步骤:步骤1、通过霍夫变换从全局地图中获取一个参考坐标映射空间内的第一频数统计信息,同时通过霍夫变换从局部地图中获取一个参考坐标映射空间内的第二频数统计信息,并设置适用于所有参考坐标映射空间的参考旋转角度;其中,参考坐标映射空间是属于所述霍夫空间内;步骤2、利用所述参考旋转角度的三角函数周期性对第二频数统计信息和第一频数统计信息进行卷积,获得局部地图的直线与全局地图相对应的直线的互相关信号序列;步骤3、从互相关信号序列内计算获取第二预设数量的局部极大值,再将当前获取的第二预设数量的局部极大值对应的旋转角度设置为局部地图相对于全局地图的第二预设数量的最佳旋转角度;其中,全局地图对应的一个参考坐标映射空间和局部地图对应的一个参考坐标映射空间都用于表示相同的环境区域,局部地图是机器人在当前运动区域内实时构建的,全局地图是机器人预先在同一运动区域内构建的。
该技术方案通过霍夫变换分别从全局地图和局部地图中映射出一个大小和相对分布区域相同的参考坐标映射空间以及时保存直线特征信息,既可以加快直线检测又避免地图信息的丢失,再从各自的参考坐标映射空间提取直线相关联的统计信息进行以旋转角度为周期延拓的卷积运算,以获得反映局部地图的直线的旋转角度与全局地图相对应的直线的旋转角度的互相关性的强弱,执行局部地图的直线与全局地图的直线的匹配操作;在此基础上才通过筛选局部最大值的卷积值对应的旋转角度作为局部地图与全局地图之间的最佳旋转角度,使得候选对象更加准确,且只是针对参考坐标映射空间内对应的直线在具体方位的分布频率特征进行互相关性的评估,加快旋转角度的处理速度,进而加速后续局部地图转换到全局地图的速度。
进一步地,在所述步骤1中,具体包括:Sl1、在全局地图内提取直线,再将直线霍夫变换到对应的参考坐标映射空间内,然后利用同一参考旋转角度上的不同参考点线距的直线各自被提取的次数求取平方和,作为所述第一频数统计信息;然后进入步骤S12;S12、按照步骤S11依次计算出每一个参考旋转角度上的所述第一频数统计信息,组成全局地图直线分布平方和的离散序列;S13、在局部地图内提取直线,再将直线霍夫变换到对应的参考坐标映射空间内,然后利用同一参考旋转角度上的不同参考点线距的直线各自被提取的次数求取平方和,作为所述第二频数统计信息;然后进入步骤S14;S14、按照步骤S13依次计算出每一个参考旋转角度上的所述第二频数统计信息,组成局部地图直线分布平方和的离散序列。
该技术方案等效于获取同一地图内的各个平行直线的被检测提取的频数,并获取同一地图内不同角度方位上的交叉的各个直线的被检测提取的频数,累加形成直线在对应的参考坐标映射空间内的量化信息,再每一种位置处的频数的平方和信息描述各个方向的直线在栅格地图中出现的频率情况,用于机器人对具备线性特征的墙壁、家具等区域进行识别和定位评估。
进一步地,步骤S11和步骤S13的提取方法都是将相应地图中的所有直线霍夫变换为霍夫空间内的极坐标点,用于表示全局地图或局部地图的直线的集合;其中,不同的极坐标点代表不同的直线,同一个极坐标点上代表至少一条直线;其中,极坐标点包括旋转角度和点线距,旋转角度是极坐标点所代表的直线的法线与所属地图的坐标系的横轴正方向所成的夹角,点线距是极坐标点所属地图的坐标系的原点到极坐标点所代表的直线的几何垂直距离。本技术方案基于霍夫变换将一个地图空间中具有相同形状直线映射到另一个坐标空间内的点上投票统计,形成峰值以完成直线信息的保存,从而把检测环境直线特征的问题转化为统计峰值问题。通过引入了概率峰值统计,使得机器人建图定位算法对于噪声或者不完整形状具有较好的鲁棒性,减少机器人导航过程中丢失地图直线特征的影响。
进一步地,所述参考旋转角度是所述参考坐标映射空间的极坐标点的所述旋转角度,所述参考点线距是所述参考坐标映射空间的极坐标点的所述点线距,其中,所述参考旋转角度和所述参考点线距都是大于0;其中,所述参考坐标映射空间内排列的元素的行数是参考旋转角度相同但参考点线距不同的极坐标点的数目;所述参考坐标映射空间内排列的元素的列数是参考点线距相同但参考旋转角度不同的极坐标点的数目;所述参考坐标映射空间的极坐标点都是离散;或者,所述参考坐标映射空间的列数是参考旋转角度相同但参考点线距不同的极坐标点的数目;所述参考坐标映射空间的行数是参考点线距相同但参考旋转角度不同的极坐标点的数目;所述参考坐标映射空间的极坐标点都是离散分布的;其中,所述参考坐标映射空间内的每一行每一列的元素是所述霍夫空间的相应位置处的极坐标点所代表的直线的数目。
该技术方案分别从全局地图和局部地图中映射出一个大小和相对分布区域相同的参考坐标映射空间,都作为待检测参数空间,其中,参考旋转角度相同但参考点线距不同的极坐标点的数目表示对应地图内平行的直线的数目,参考点线距相同但参考旋转角度不同的极坐标点的数目表示对应地图内共点的直线的数目,使得参考坐标映射空间描述的直线参数更加全面,在对应的地图区域内覆盖更多的更全面的直线段。
进一步地,在所述步骤2中,所述利用所述参考旋转角度的三角函数周期性对第二频数统计信息和第一频数统计信息进行卷积,获得局部地图的直线与全局地图相对应的直线的互相关信号序列的方法具体包括:设置所述参考坐标映射空间中的极坐标点对应存在的不同的参考点线距的数目为累加次数,同时设置所述参考坐标映射空间中的所述参考点线距相同但所述参考旋转角度不同的极坐标点的数目为参考偏移次数,对所述全局地图直线分布平方和的离散序列与所述局部地图直线分布平方和的离散序列进行离散卷积,获得局部地图的直线与全局地图的相应直线在不同参考旋转角度的周期延拓作用下的互相关信号序列,实现利用所述参考旋转角度的周期性对第二频数统计信息和第一频数统计信息进行周期延拓并累加,完成第一频数统计信息和第二频数统计信息的卷积;其中,所述参考旋转角度的三角函数周期性是:基于霍夫变换中的三角函数关系式,对于全局地图或局部地图内的同一条直线,同一所述参考点线距存在至少一个所述参考旋转角度;累加次数大于0。该技术方案通过卷积运算的方式,在所述参考旋转角度限定的多个离散的角度范围内评估局部地图内的直线与全局地图内的直线的角度方位的相似程度,以便于提供适于地图匹配的候选直线对应的旋转角度。
进一步地,所述对所述全局地图直线分布平方和的离散序列与所述局部地图直线分布平方和的离散序列进行离散卷积具体是:所述局部地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作后,与所述全局地图直线分布平方和的离散序列的对应元素相乘再相加,得到当前一次平移操作下的卷积值,作为所述互相关信号序列内的一个离散卷积值;如此重复,直至沿着同一方向平移完数目为所述参考偏移次数的所述参考旋转角度,得到互相关信号序列内的所有的离散卷积值;或者,所述全局地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作后,与所述局部地图直线分布平方和的离散序列的对应元素相乘再相加,得到当前一次平移操作下的卷积值,作为所述互相关信号序列内的一个离散卷积值;如此重复,直至沿着同一方向平移完数目为所述参考偏移次数的所述参考旋转角度,得到互相关信号序列内的所有的离散卷积值。
该技术方案利用所述参考坐标映射空间内的参考旋转角度相对于参考点线距的周期性,设定发生平移的地图的映射离散序列与同一待匹配地图对应的映射离散序列与中的每一个值两两相乘之后再相加,完成对霍夫空间进行周期延拓,获取到各个参考旋转角度在需匹配的全局地图和局部地图的互相关性,减小用于匹配的两种地图内相对应的直线的角度偏移误差的影响。
进一步地,所述从互相关信号序列内计算获取第二预设数量的局部极大值的方法具体包括:在所述参考坐标映射空间内,控制互相关信号序列沿着所述参考旋转角度所在变量轴的方向执行偏导运算,当互相关信号序列的一阶差分是0,且互相关信号序列的二阶差分小于0时,从互相关信号序列内获得至少一个局部最大的离散卷积值并都确定为局部极大值,其中,累计获得的局部极大值的数目为第二预设数量;同时将所有局部极大值对应的旋转角度分别设置为局部地图相对于全局地图的最佳旋转角度,用于将机器人在局部地图中实时计算得到的坐标转换到所述第一优化局部地图中。以防算法检测出多条极其邻近的“假”直线产生误判;进而如果互相关信号序列内存在的局部极大值足够高,则只需要一小部分时间去寻找就够,从而实质性地减少计算时间,执行效率很高。
一种芯片,该芯片用于存储程序,该程序是所述定位控制方法,用于运算并获取局部地图的直线与全局地图相对应的直线的互相关信号序列,再从互相关信号序列内计算获取局部极大值,并将这个局部极大值对应的旋转角度作为候选旋转角度并用来旋转局部地图,再针对每一个旋转后的局部地图,都将其与一个全局地图求取互相关系数以结合候选旋转角度求取对应的最佳匹配结果;然后在每一个最佳匹配结果在对应的全局地图下求取地图相关系数,再从多个全局地图内选择相关性最大的匹配结果对应的定位信息作为机器人定位的目标位置。
一种机器人,该机器人装配所述的芯片,用于根据即时构建的局部地图与相对应的全局地图的互相关性,来获取局部地图与全局地图之间的最佳旋转角度和最佳平移向量,组成最佳转换矩阵,再将一个局部地图通过对应的最佳转换矩阵转换到各个全局地图内,最后将不同地图归一化到同一尺度下进行相关性系数的大小对比以获得定位结果,克服机器人在定位过程中容易丢失相关的特征信息而导致不准确的问题,提高机器人利用局部地图的有限信息进行定位的准确性和效率。
附图说明
图1为本发明一种实施例公开基于霍夫变换的旋转角度的获取方法的流程图。
图2为本发明另一种实施例公开基于地图匹配的定位控制方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了快速准确地计算出机器人即时构建的局部地图相对于预先设置的全局地图的偏移量和旋转角度(统称为局部地图的姿态变换),进而控制机器人在自身位姿因特征信息丢失而失效、重启或人为搬动等异常情况下能够快速准确地进行重新定位,图2公开基于地图匹配的定位控制方法,具体包括:
步骤S201、根据一个局部地图的直线与一个全局地图的直线在霍夫空间内的互相关性,计算出第二预设数量的最佳旋转角度,即计算出数目为第二预设数量的最佳旋转角度;其中,机器人预先存储有第一预设数量的全局地图;然后进入步骤S202。如图1所示,步骤S201具体包括:步骤S101、通过霍夫变换从全局地图中获取一个参考坐标映射空间内的第一频数统计信息,同时通过霍夫变换从局部地图中获取一个参考坐标映射空间内的第二频数统计信息,并设置适用于所有参考坐标映射空间的参考旋转角度;其中,参考坐标映射空间是属于所述霍夫空间内;然后进入步骤S102。步骤S102、利用所述参考旋转角度的三角函数周期性对第二频数统计信息和第一频数统计信息进行卷积,获得局部地图的直线与全局地图相对应的直线的互相关信号序列,表现为一个局部地图的直线与一个全局地图的直线在旋转角度的相关性;然后进入步骤S103。步骤S103、从互相关信号序列内计算获取第二预设数量的局部极大值,再将当前获取的第二预设数量的局部极大值对应的旋转角度设置为局部地图相对于全局地图的第二预设数量的最佳旋转角度,即同一局部地图相对于对应的全局地图的第二预设数量的最佳旋转角度。本实施例可以通过对互相关信号序列偏导运算获得与第二预设数量的局部极大值一一对应的最佳旋转角度,每一个最佳旋转角度可以作为同一个局部地图的机器人坐标系的X轴相对于对应的一个全局地图的全局坐标系的X’轴的旋转角度。需要补充的是,在实时构建的局部地图内,这些最佳旋转角度可能是相适应的方向上提取出的直线相对于一个基准导航方向发生的旋转角度,同时,这些相适应的方向上提取的直线相对于同一全局地图的相对应直线的相似程度都是最大。其中,全局地图对应的一个参考坐标映射空间和局部地图对应的一个参考坐标映射空间都用于表示相同的环境区域,局部地图是机器人在当前运动区域内实时构建的,全局地图是机器人预先在同一运动区域内构建的。通过执行步骤S101至步骤S103,利用霍夫变换分别从全局地图和局部地图中映射出一个大小和相对分布区域相同的参考坐标映射空间以及时保存直线特征信息,既可以加快直线检测又避免地图信息的丢失,再从各自的参考坐标映射空间提取直线相关联的统计信息进行以旋转角度为周期延拓的卷积运算,以获得反映局部地图的直线的旋转角度与全局地图相对应的直线的旋转角度的互相关性的强弱,执行局部地图的直线与全局地图的直线的匹配操作;在此基础上才通过筛选局部最大值的卷积值对应的旋转角度作为局部地图与全局地图之间的最佳旋转角度,使得作为候选对象的最佳旋转角度更加准确,且只是针对参考坐标映射空间内对应的直线在具体方位的分布频率特征进行互相关性的评估,加快旋转角度的处理速度,进而加速后续局部地图转换到全局地图的速度。
步骤S202、调用步骤S101计算出的各个最佳旋转角度分别对一个局部地图进行旋转,获得第二预设数量的第一局部优化地图,即获得数目为第二预设数量的第一局部优化地图;然后进入步骤S203。每个第一局部优化地图都存在相对应的一个最佳旋转角度,优选地,可以是按照时间先后顺序将同一个局部地图旋转对应的一个最佳旋转角度得到第一局部优化地图,从而依次调用第二预设数量的最佳旋转角度旋转获得第二预设数量的第一局部优化地图;也可以是将同一个局部地图同时旋转对应的一个最佳旋转角度得到不同旋转操作后的第一局部优化地图,从而同步调用第二预设数量的最佳旋转角度旋转以同时获得第二预设数量的第一局部优化地图。
步骤S101中第一局部优化地图内的直线的姿态是局部地图内相应的直线按照所述最佳旋转角度朝着特定方向旋转得到的,使得相应直线或相应的线性特征旋转后得到的局部姿态与全局地图内对应的直线的全局姿态在方向姿态这一维度上是相同,第一局部优化地图内的直线的方向姿态是等同于全局地图内对应的直线的方向姿态,可视为将局部地图中的直线与全局地图中的直线进行方向匹配;为了执行局部地图的机器人坐标系和全局地图的全局坐标系之间的转换并完成机器人在地图中的精准定位(克服传感器安装误差带来的机器人坐标系定位误差),本实施例还需要一个平移向量和一个由最佳旋转角度的三角函数值构成的旋转矩阵,才能完成局部地图的机器人坐标系和全局地图的全局坐标系之间的转换(转换到同一地图平面上)。因此需要计算位移姿态,本实施例针对局部地图和全局地图进行互相关计算,求取的相关性最高的位置坐标作为在相应的角度下最可能匹配的坐标偏移量,包括机器人坐标系的原点相对于全局地图的全局坐标系的原点的偏移量。其中,全局地图的全局坐标系在机器人建图导航过程中可以是基准的导航坐标系,用于定位和测距。
需要说明的是,由最佳旋转角度的三角函数值构成一个旋转矩阵是采用常规的技术手段实现的,由本领域技术人员可知,一个旋转矩阵与局部地图内的坐标相乘再与一个平移向量相加,获得局部地图内的坐标转换到全局地图内的坐标,其中,通过引入齐次坐标形式,并基于平面直角坐标系之间的转换关系,将一个旋转矩阵和一个平移向量可组合为一个转换矩阵,便于坐标系之间的转换计算。
步骤S203、控制第二预设数量的第一局部优化地图(数目为第二预设数量的第一局部优化地图)分别与第一预设数量的全局地图(数目为第一预设数量的全局地图)进行两两加速卷积,获得每个第一局部优化地图与对应的每个全局地图的互相关参数矩阵;然后进入步骤S204。具体地,在全局地图和第一局部优化地图的地图尺寸大小都比较大时,为了降低传统的卷积运算所带来的庞大的计算成本,本实施例用离散傅里叶变换来将每个第一局部优化地图与对应参与卷积的一个全局地图由时域空间转换到频域空间上,然后将第一局部优化地图在频域空间位置上的变换值与对应参与卷积的全局地图在对应频域空间位置上的变换值相乘,再经过离散傅里叶变换反变换来获取一个互相关参数矩阵,完成加速卷积,以实现用两个列元素的卷积替代一个第一局部优化地图和一个全局地图之间的卷积并获得相同的运算结果;其中,在第二预设数量的第一局部优化地图中,每个第一局部优化地图都被设置为与任一个全局地图进行所述加速卷积,获取数目为第一预设数量和第二预设数量的乘积的互相关参数矩阵,以实现所述两两加速卷积;其中,互相关参数矩阵的列数与对应的第一局部优化地图的横轴方向的栅格数目相等,互相关参数矩阵的行数与对应的第一局部优化地图的纵轴方向的栅格数目相等。因此,本实施例利用离散傅里叶变换来加速前述两种地图的卷积计算,将卷积计算的逐项小窗的乘法计算转换为两个列卷积,从而减少了计算次数和内存的占用量,特别是被变换的地图离散数据越多,本实施例的计算量的节省程度就越显著,尤其是计算量的数量级降低更明显。
需要补充的是,本实施例控制第一局部优化地图(地图坐标位置处取值或地图图像在相应像素点处取值)和一个全局地图(地图坐标位置处取值或地图图像在相应像素点处取值)进行离散卷积,设置其中一个可操作的地图在横轴方向上的偏移幅度是第一局部优化地图的一行栅格的长度,设置该可操作的地图在纵轴方向上的偏移幅度是第一局部优化地图的一列栅格的长度。比如以全局地图为可平移处理的地图数据项,设置1至第一局部优化地图的整数长度所包括的整数值为横轴方向的平移参数,设置1至第一局部优化地图的整数宽度所包括的整数值为纵轴方向的平移参数。在转换到频域后是对应位置元素进行相乘时,具体参与相乘的位置是理解离散傅里叶变换的本领域技术人员所能掌握的,在此不再赘述。参与地图卷积运算的是分别是组成这两个地图的矩阵,地图的矩阵的矩阵元素是地图坐标位置处取值或地图图像在相应像素点处取值,其涉及的矩阵元素的具体取值包括但不限于直线落入相应位置处的次数、频率、地图图像的亮度值,具体的取值类型对于每个第一局部优化地图与对应的每个全局地图的互相关性的评价结果的影响可忽略不计。
在本实施例中,利用离散傅里叶变换处理每个第一局部优化地图与对应的一个全局地图的离散卷积的过程中,在频域中,每一次回溯时只计算当前前面一半的对应的栅格地图的矩阵元素序列的离散傅里叶变换的结果,即可推算出后面一半的对应的栅格地图的矩阵元素序列的离散傅里叶变换的结果,从而降低计算复杂度,使得变换前后的计算量的数量级由幂的数量级降为对数的数量级,差异明显。
步骤S204、从同一个互相关参数矩阵内获取数值最大的一个元素,再将当前获取的数值最大的元素相对应的横轴坐标及其纵轴坐标与第一局部优化地图相对应的一个最佳旋转角度组成相对应的全局地图与所述局部地图之间的最佳转换矩阵,其中,当前获取的数值最大的元素相对应的横轴坐标及其纵轴坐标是局部地图相对于全局地图最匹配的坐标偏移量,等效于局部地图的机器人坐标系的原点相对于全局地图的全局坐标系的原点的横纵轴方向的偏移量,可以组成所述平移向量,结合对应的最佳旋转角度对机器人进行精准定位。然后利用最佳转换矩阵将所述局部地图转换到相对应的全局地图内,并确定转换为第二局部优化地图,包括对所述机器人坐标系进行旋转和平移操作,转换到全局地图内以便于机器人在全局地图内定位,完成一个局部地图和对应的一个全局地图的互相关性的匹配,则第二局部优化地图作为这两个地图在对应的一个最佳旋转角度上的地图匹配结果。然后进入步骤S205。
由前述步骤可知:基于第二预设数量的局部地图和一个全局地图两两加速卷积可以处理获得基于一个全局地图的第二预设数量的最佳转换矩阵,从而换算出相对于这个全局地图的全局坐标系的原点的第二预设数量的坐标偏移量,即可在同一个全局地图内定位出第二预设数量的定位位置;在此基础上,基于第二预设数量的局部地图和第一预设数量的全局地图两两加速卷积可以处理获得基于一个全局地图的第二预设数量的最佳转换矩阵处理获得数目为第一预设数量和第二预设数量的乘积的坐标偏移量,即可在所有全局地图内累计定位出数目为第一预设数量和第二预设数量的乘积的定位位置。
步骤S205、控制第二局部优化地图与相对应的全局地图进行协方差运算,获得对应的地图相关系数,作为第二局部优化地图对应的匹配结果的置信度,用于计算两张地图的匹配结果是否符合要求,从而将不同地图归一化到同一尺度下进行对比;然后选择出数值最大的地图相关系数对应的全局地图,再在当前选择的全局地图内,按照数值最大的地图相关系数对应的最佳转换矩阵选择出相匹配的坐标位置作为机器人的定位位置,每个全局地图基于对应的数目为第二预设数量的最佳转换矩阵可以求出第二预设数量的定位结果,其中,每个最佳旋转角度对应一个定位结果,此时就需要在所有的全局地图内评估哪个定位结果是最匹配的、相关性最强的。
具体地,在本实施例中,在参与协方差运算的全局地图内,分割出由与所述第二局部优化地图相匹配位置组成且与所述第二局部优化地图等同大小的全局分块地图,即为了便于逐个矩阵元进行协方差运算而从全局地图内分割出等尺寸(等长等宽)的分块地图,则确定将所述第二局部优化地图的矩阵元素与所述全局分块地图同行同列的矩阵元素的乘积的期望设置为第一期望;将所述第二局部优化地图的矩阵元素的期望与所述全局分块地图的矩阵元素的期望的乘积设置为相关期望乘积;将所述第二局部优化地图的矩阵元素的标准差与所述全局分块地图的矩阵元素的标准差的乘积设置为归一化乘积参数,用于将所述第二局部优化地图与相对应的全局地图归一化到同一尺度下;最后将所述第一期望减去所述相关期望乘积而获得的差值除以所述归一化乘积参数,相除得到的结果为所述地图相关系数,用于描述所述第二局部优化地图与所述全局地图的相似程度;其中,每一个地图相关系数与对应的一个全局地图相匹配,且与对应的一个最佳旋转角度相匹配,以使得所述地图相关系数排列组成一个矩阵,且该矩阵的矩阵元素的数目为第一预设数量和第二预设数量的乘积,即:所述地图相关系数组成行数为第一预设数量、列数为第二预设数量的矩阵,或所述地图相关系数组成行数为第二预设数量、列数为第一预设数量的矩阵。
本实施例等效于将皮尔逊相关系数设置为每一个第二局部优化地图与相对应的每一个全局地图之间的相关性的匹配结果的置信度,实现将不同地图归一化到同一尺度下进行对比,有利于筛选出机器人在全局地图内的定位结果。当相匹配的两个地图对应的各个矩阵元素距离其平均值差别大小越小,相匹配的两个地图的相关性越强,使得对应的转换向量信息内在当前选择的全局地图内对应指示的位置信息作为最佳的定位结果,受各种误差因素的影响最低。
优选地,在所述第一预设数量的全局地图中,每一个全局地图都存在所述第二预设数量的彼此不同的最佳旋转角度,进而每一个全局地图都存在所述第二预设数量的彼此不同的最佳转换矩阵,其中,每个第一局部优化地图相对于局部地图都存在相对应的一个最佳旋转角度。在本实施例中,每一个最佳旋转角度针对一个全局地图匹配一个最佳转换矩阵,进而在相应的全局地图的相应方向姿态上确定一个位置信息,从而为机器人的定位提供充足的预存地图信息和实时定位的地图信息,通过设定多个候选定位对象(比如本实施例提及的最佳旋转角度及最佳平移向量)及其映射转换关系(最佳转换矩阵)来提高定位算法的稳健性,克服机器人容易丢失相关的地图特征信息的问题。
在前述实施例中,所述最佳转换矩阵用于表示所述相对应的全局地图的坐标系与所述局部地图的机器人坐标系之间的原点偏移量与旋转角度,基于所述最佳转换矩阵确定所述相对应的全局地图的坐标系与所述局部地图的机器人坐标系之间的旋转和平移关系;其中,将所述机器人坐标系原点设定为机器人上表面的中心或机器人的当前位置,则从数值最大的地图相关系数对应的最佳转换矩阵提取出的坐标偏移量(横纵轴坐标变化量),设置为在数值最大的地图相关系数对应的全局地图的坐标值,因为这个坐标偏移量是转换为相对于全局地图的全局坐标系的原点设置的坐标值,形成相匹配的坐标位置,并最后确定为当前选择的全局地图内的机器人的定位位置。从而便于坐标系之间的转换计算,加快机器人在自身位姿失效或重启等异常情况的重新定位,也使得机器人能够在建图定位与导航过程中得到完整的自身的坐标与位姿,导航精度更高。
综上所述,本实施例先基于局部地图和全局地图的互相关性获取多个最佳旋转角度作为候选旋转角度,再利用候选旋转角度对同一局部地图旋转处理获得多个旋转后的局部地图;针对每一个旋转后的局部地图,都将其与一个全局地图求取互相关系数以结合候选旋转角度求取对应的最佳匹配结果;然后针对每一个最佳匹配结果在对应的全局地图下求取地图相关系数以归一化到同一尺度下进行比对,再从多个全局地图内选择相关性最强的最佳匹配结果对应的定位信息作为机器人定位的目标位置。从而:结合多张全局地图以及多个候选旋转角度的相关性的两两匹配操作,先基于一个局部地图和一个全局地图,利用互相关系数矩阵筛选出每一个候选旋转角度对应的一个最佳转换矩阵,再将一个局部地图通过对应的最佳转换矩阵转换到各个全局地图内,最后将不同地图归一化到同一尺度下进行相关性系数的大小对比以获得定位结果,克服机器人在定位过程中容易丢失相关的特征信息而导致不准确的问题,提高机器人利用局部地图的有限信息进行定位的准确性和效率,增强地图定位算法的鲁棒性,减少地图坐标系转换误差的干扰。
作为一种实施例,图1 为本发明实施例提供的基于霍夫变换的旋转角度的获取方法的流程图,即图2公开的S201的具体步骤。所述根据一个局部地图的直线与一个全局地图的直线在霍夫空间内的互相关性,计算出第二预设数量的最佳旋转角度的具体方法包括以下步骤:
S101、通过霍夫变换从全局地图中获取一个参考坐标映射空间内的第一频数统计信息,同时通过霍夫变换从局部地图中获取一个参考坐标映射空间内的第二频数统计信息,并设置适用于所有参考坐标映射空间的参考旋转角度;然后进入步骤S102。第二频数统计信息和第一频数统计信息都是反映对应的霍夫空间内具体方向上的直线的出现次数。其中,全局地图对应的一个参考坐标映射空间和局部地图对应的一个参考坐标映射空间都用于表示相同的环境区域,局部地图是机器人在当前运动区域内实时构建的,全局地图是机器人预先在同一运动区域内构建的。
需要说明的是,在本实施例中,霍夫变换的核心思想是把地图中属于某种图形的点集(二维)映射到一个点(可以是高维)上,这个点记录了点集中点的数目,这个点就是即为意图搜寻的图形的参数,而该参数的范围就叫做参数空间,即所述参考坐标映射空间。霍夫变换不仅能够识别出扫描构建的地图中有无需要检测的图形,而且能够定位到该图形(包括位置、角度等)。当这个试图提取的特征位于点集内并且可以被数学描述,则可以通过霍夫变换来进行查找。
霍夫变换是一种检测二值图像中直线和多种几何图形方法,由于考虑到在建筑内部的墙壁存在许多线性特征,所以本实施例关注栅格地图中的直线的检测。
本实施例涉及到的直线提取方法都是将相应地图中的所有直线霍夫变换为霍夫空间内的极坐标点,用于表示全局地图或局部地图的直线的集合;其中,不同的极坐标点代表不同的直线,同一个极坐标点上代表至少一条直线;其中,极坐标点包括旋转角度和点线距,旋转角度是极坐标点所代表的直线的法线与所属地图的坐标系的横轴正方向所成的夹角,点线距是极坐标点所属地图的坐标系的原点到极坐标点所代表的直线的几何垂直距离。如果霍夫变换重复到同一个极坐标点上,则在累加器空间中为对应的极坐标点新投一票,即加一计数,所有点都如此进行计算,必然会出现某些点投票数是局部极大值(也就是峰值)。本实施例基于霍夫变换将一个地图空间中具有相同形状直线映射到另一个坐标空间内的点上投票统计,形成峰值以完成直线信息的转换处理,从而把检测环境直线特征的问题转化为统计峰值问题。通过引入了概率峰值统计,使得机器人建图定位算法对于噪声或者不完整形状具有较好的鲁棒性,减少机器人导航过程中丢失地图直线特征的影响。需要说明的是,在常规的霍夫变换检测直线的算法中,累加器空间中产生的峰值表示图像中存在相应的直线的有力证据。
为了加快检测速度,本实施例使用离散霍夫变换(Discretized HoughTransform, DHT),DHT从霍夫空间中分割出一个行数为预设行数、列数为预设列数的矩阵HS,定义为所述参考坐标映射空间,属于所述霍夫空间内的矩阵空间。
所述参考坐标映射空间(参数空间)不是连续,而是由逐个矩形单元格(累计单元)组成的数组空间,每一个矩形单元格都存有对应的频数统计信息(转换出现的次数累计结果)。在本实施例中,所述参考旋转角度是所述参考坐标映射空间的极坐标点的旋转角度,所述参考点线距是所述参考坐标映射空间的极坐标点的所述点线距,都是根据机器人实际遍历环境而适应性地设置出来的;当所述旋转角度设置为0时,在同一栅格地图内对应匹配的所述点线距是存在无限种情况;当所述点线距设置为0时,在同一栅格地图内对应匹配的所述旋转角度是存在无限种情况。因此,为了在霍夫空间内创建一个有效的参考坐标映射空间,所述参考旋转角度的最大值设置为,所述参考旋转角度的最小值设置为1;所述参考点线距的最大值设置为,所述参考点线距的最小值设置为1;尽可能地提取栅格地图(全局地图和局部地图)中的墙上的直线,直观的展现栅格地图上具体方向上的直线出现频率,用于结合所述参考坐标映射空间的统计信息和极坐标信息来反映直线在栅格地图内的分布位置特征。具体地,所述参考坐标映射空间内排列的元素的行数是参考旋转角度相同但参考点线距不同的极坐标点的数目,即所述预设行数,等效于从地图内提取出的平行直线的数目,在一些实施例中,优选地设置为,特别是所述参考坐标映射空间内的参考点线距组成首项为1且公差为1的等差数列。所述参考坐标映射空间内排列的元素的列数是参考点线距相同但参考旋转角度不同的极坐标点的数目,即预设列数,等效于从地图内提取出的交叉直线的数目,在一些实施例中优选地设置为,特别地,所述参考坐标映射空间内的参考旋转角度组成首项为1且公差为1的等差数列;所述参考坐标映射空间的极坐标点都是离散。
优选地,所述参考坐标映射空间的列数也可以是参考旋转角度相同但参考点线距不同的极坐标点的数目,等于所述预设行数;所述参考坐标映射空间的行数是参考点线距相同但参考旋转角度不同的极坐标点的数目,等于所述预设列数;在本实施例中,所述参考坐标映射空间内排列的极坐标点都是离散分布的。
在前述实施例中,所述参考坐标映射空间内的每一行每一列的元素是所述霍夫空间相应位置处的极坐标点所代表的直线的数目。需要说明的是,所述霍夫空间的内的极坐标点所属的坐标系不是标准的极坐标系,而是归属于笛卡尔坐标系。本实施例分别从全局地图和局部地图中映射出一个大小和相对分布区域相同的参考坐标映射空间,都作为待检测参数空间,其中,参考旋转角度相同但参考点线距不同的极坐标点的数目表示对应地图内平行的直线的数目,参考点线距相同但参考旋转角度不同的极坐标点的数目表示对应地图内共点的直线的数目,使得参考坐标映射空间描述的直线参数更加全面,在对应的地图区域内覆盖更多的更全面的直线段。
作为一种实施例,在所述步骤S101中,具体如下步骤:
Sl1、在全局地图内提取直线,再将当前提取的直线霍夫变换到对应的参考坐标映射空间内,然后利用同一参考旋转角度上的不同参考点线距的直线各自被提取的次数求取平方和,即当参考旋转角度等于某个值时,在参考点线距为1至的直线中,以相同参考点线距的直线为统计单位,逐个直线地统计各个直线被霍夫变换到参考坐标映射空间内对应位置处的次数,然后将同一参考旋转角度的同一参考点线距的直线在全局地图对应映射的霍夫空间的同一极坐标点位置处出现的次数求平方处理,最后将同一参考旋转角度的不同参考点线距的直线的出现次数的平方值累加求和,其和值作为所述第一频数统计信息,即通过霍夫变换从全局地图中获取一个参考坐标映射空间内的第一频数统计信息,其中,同一参考旋转角度上的不同参考点线距的直线等效于全局地图内的平行直线。然后进入步骤S12。
S12、按照步骤S11依次计算出每一个参考旋转角度上的所述第一频数统计信息,组成全局地图直线分布平方和的离散序列,其中,全局地图直线分布平方和的离散序列内的元素的数目是所述预设列数,对应离散的参考旋转角度为1至,属于离散的角度值,在一些实施例中可以是首项为1且公差为1的等差数列。
S13、在局部地图内提取直线,再将直线霍夫变换到对应的参考坐标映射空间内,然后利用同一参考旋转角度上的不同参考点线距的直线各自被提取的次数求取平方和,作为所述第二频数统计信息,其中,同一参考旋转角度上的不同参考点线距的直线等效于局部地图内的平行直线;然后进入步骤S14;即当参考旋转角度等于某个值时,在参考点线距为1至的直线中,以相同参考点线距的直线为统计单位,逐个直线地统计各个直线被霍夫变换到参考坐标映射空间内对应位置处的次数,然后将同一参考旋转角度的同一参考点线距的直线在局部地图对应映射的霍夫空间的同一极坐标点位置处出现的次数求平方处理,最后将同一参考旋转角度的不同参考点线距的直线的出现次数的平方值累加求和,其和值作为所述第一频数统计信息,即通过霍夫变换从局部地图中获取一个参考坐标映射空间内的第二频数统计信息。然后进入步骤S14。
S14、按照步骤S13依次计算出每一个参考旋转角度上的所述第二频数统计信息,组成局部地图直线分布平方和的离散序列。其中,局部地图直线分布平方和的离散序列内的元素的数目是所述预设列数,对应离散的参考旋转角度为1至,属于离散的角度值,在一些实施例中可以是首项为1且公差为1的等差数列。
步骤S11至步骤S14等效于获取同一地图内的各个平行直线的被检测提取的频数,但不获取同一地图内不同角度方位上的交叉的各个直线的被检测提取的频数,累加形成直线在对应的参考坐标映射空间内的以参考旋转角度为自变量的量化信息,再对获取的频数求平方和,用以信息描述各个方向的直线在栅格地图中出现的频率情况,实现机器人对具备线性特征的墙壁、家具等区域进行识别和定位评估。
S102、利用所述参考旋转角度的三角函数周期性对第二频数统计信息和第一频数统计信息进行卷积,获得局部地图的直线与全局地图相对应的直线的互相关信号序列;然后进入步骤S103。具体是,以所述参考点线距为为自变量,保持局部地图直线分布平方和的离散序列不变,利用所述参考旋转角度对全局地图直线分布平方和的离散序列进行平移再与所述局部地图直线分布平方和的离散序列分别两两相乘再相加;或者以所述参考点线距为为自变量,保持全局地图直线分布平方和的离散序列不变,利用所述参考旋转角度对局部地图直线分布平方和的离散序列进行平移再与所述全局地图直线分布平方和的离散序列分别两两相乘再相加;其中,所述局部地图直线分布平方和的离散序列和所述全局地图直线分布平方和的离散序列的互相关可以反应为各个相应的参考旋转角度的延迟的相似程度,所述局部地图直线分布平方和的离散序列视为局部地图的霍夫空间信号,所述全局地图直线分布平方和的离散序列视为全局地图的霍夫空间信号。当求取所述局部地图直线分布平方和的离散序列和所述全局地图直线分布平方和的离散序列的互相关信号时,由于参考旋转角度的三角函数是具有周期性的,所以应当对霍夫空间信号进行周期延拓。
作为一种实施例,在所述步骤S102中,所述利用所述参考旋转角度的三角函数周期性对第二频数统计信息和第一频数统计信息进行卷积,获得局部地图的直线与全局地图相对应的直线的互相关信号序列的方法具体包括:设置所述参考坐标映射空间中的极坐标点对应存在的不同的参考点线距的数目为累加次数,其中,在所述参考坐标映射空间内,累加次数是大于0,优选地设置为大于或等于1;当所述参考坐标映射空间内的参考点线距组成首项为1且公差为1的等差数列时,累加次数是,可以设为卷积过程中的自变量;同时设置所述参考坐标映射空间中的所述参考点线距相同但所述参考旋转角度不同的极坐标点的数目为参考偏移次数,用于判断是否计算完所有的序列;然后对所述全局地图直线分布平方和的离散序列与所述局部地图直线分布平方和的离散序列进行离散卷积,获得局部地图的直线与全局地图的相应直线在不同参考旋转角度的周期延拓作用下的互相关信号序列,实现利用所述参考旋转角度的周期性对第二频数统计信息和第一频数统计信息进行周期延拓并累加,完成第一频数统计信息和第二频数统计信息的卷积;其中,所述参考旋转角度的三角函数周期性是:基于霍夫变换中的三角函数关系式,对于全局地图或局部地图内的同一条直线,这是霍夫变换到所述所述参考坐标映射空间内的一条直线,同一所述参考点线距作为三角函数的结果时,反三角函数获得的角度中存在至少一个所述参考旋转角度,这些参考旋转角度的差值是360度的倍数。本实施例通过卷积运算的方式,在所述参考旋转角度限定的多个离散的角度范围内,评估局部地图内的直线与全局地图内的直线的角度方位的相似程度,以便于提供适于地图匹配对应的旋转角度。
具体地,所述对所述全局地图直线分布平方和的离散序列与所述局部地图直线分布平方和的离散序列进行离散卷积具体是:
设置所述参考坐标映射空间中的极坐标点对应存在的不同的参考点线距的数目为累加次数,累加次数是大于或等于1,且设为卷积过程中的自变量;同时设置所述参考坐标映射空间中的所述参考点线距相同但所述参考旋转角度不同的极坐标点的数目为参考偏移次数,用于判断是否计算完所有的序列,参考偏移次数可以为0。
保持全局地图直线分布平方和的离散序列不变,直接将所述局部地图直线分布平方和的离散序列在相同的参考点线距下与所述全局地图直线分布平方和的离散序列的每一个元素两两相乘再相加,作为所述互相关信号序列内的第一个离散卷积值,视为所述局部地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作,本实施例中的平移操作是同一方向上的平移,是其中,第一次平移操作下的参考旋转角度为0。然后,所述局部地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作后,与所述全局地图直线分布平方和的离散序列的对应元素相乘再相加,得到当前一次平移操作下的卷积值,作为所述互相关信号序列内的一个离散卷积值,其中,所述局部地图直线分布平方和的离散序列按照当前参考偏移次数代表的平移次序,向左或右移动相应的一个参考旋转角度的偏移幅度,一个参考旋转角度的偏移幅度等同于自变量的一个间隔,再在相同的自变量下与所述全局地图直线分布平方和的离散序列的每一个元素两两相乘再相加,得到当前一次平移操作下的卷积值;如此重复,直至沿着同一方向平移完数目为所述参考偏移次数的所述参考旋转角度,得到互相关信号序列内的所有的离散卷积值。
作为另一种离散卷积实施方式,保持局部地图直线分布平方和的离散序列不变,直接将所述全局地图直线分布平方和的离散序列在相同的参考点线距下与所述局部地图直线分布平方和的离散序列的每一个元素两两相乘再相加,作为所述互相关信号序列内的第一个离散卷积值,视为所述全局地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作,本实施例中的平移操作是同一方向上的平移操作,其中,第一次平移操作下的参考旋转角度为0。然后,所述全局地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作后,与所述局部地图直线分布平方和的离散序列的对应元素相乘再相加,得到当前一次平移操作下的卷积值,作为所述互相关信号序列内的一个离散卷积值,其中,所述全局地图直线分布平方和的离散序列按照当前参考偏移次数代表的平移次序,向左或右移动相应的一个参考旋转角度的偏移幅度,一个参考旋转角度的偏移幅度等同于自变量的一个间隔,再在相同的自变量下与所述局部地图直线分布平方和的离散序列的每一个元素两两相乘再相加,得到当前一次平移操作下的卷积值;如此重复,直至沿着同一方向平移完数目为所述参考偏移次数的所述参考旋转角度,得到互相关信号序列内的所有的离散卷积值。
前述离散卷积的实施例利用所述参考坐标映射空间内的参考旋转角度相对于参考点线距的周期性,设定发生平移的地图的映射离散序列与同一待匹配地图对应的映射离散序列与中的每一个值两两相乘之后再相加,完成对霍夫空间进行周期延拓,获取到各个参考旋转角度在需匹配的全局地图和局部地图的互相关性,减小用于匹配的两种地图内相对应的直线的角度偏移误差的影响。
S103、从互相关信号序列内的离散卷积值中计算获取第二预设数量的局部极大值(数量为第二预设数量的局部极大值),再将当前获取的第二预设数量的局部极大值对应的旋转角度设置为局部地图与全局地图之间的最佳旋转角度,每一个局部极大值对应的旋转角度设置为一个最佳旋转角度;其中,互相关信号序列是基于所述参考旋转角度的互相关运算的结果,所以在同一个参考旋转角度下可能存在多个极大值,即存在一个或一个以上的局部极大值,作为地图旋转匹配所需的旋转角度参数的候选对象。
具体地,所述从互相关信号序列内计算获取第二预设数量的局部极大值的方法具体包括:在所述参考坐标映射空间内,控制互相关信号序列沿着所述参考旋转角度所在变量轴的方向执行偏导运算,对互相关信号序列执行偏导运算,当互相关信号序列的一阶差分是0,且互相关信号序列的二阶差分小于0时,从互相关信号序列内获得至少一个局部最大的离散卷积值并都确定为局部极大值,其中,累计获得的局部极大值的数目为第二预设数量;再将所有局部极大值都设置为局部地图的直线和全局地图的直线相似程度最大的离散卷积值,同时将所有局部极大值对应的旋转角度分别设置为局部地图相对于全局地图的最佳旋转角度,这些最佳旋转角度可用于候选的旋转角度,用于将机器人在局部地图中实时计算得到的坐标转换到所述第一优化局部地图中,需要补充的是,在实时构建的局部地图内,这些最佳旋转角度可能是相适应的方向上提取出的直线相对于一个基准导航方向发生的旋转角度,同时,这些相适应的方向上提取的直线相对于同一全局地图的直线相似(匹配)程度都是最大。
在本实施例中,求取到一阶差分为0时,在所述参考坐标映射空间内相应极坐标点处,所述互相关信号序列在该极坐标点对应的参考旋转角度所属的坐标轴(变量轴)方向上变化率(或参考旋转角度所属的坐标轴(变量轴)方向的方向导数)为0,可以取得局部极大值或局部极小值,此时继续求取二阶差分,当二阶差分(或参考旋转角度所属的坐标轴(变量轴)的二阶方向导数)小于0时,所述互相关信号序列在相应极坐标点的参考旋转角度所属的坐标轴(变量轴)方向上增长最慢,取得局部极大值,此时,所述互相关信号序列的小于0的二阶差分在所述参考坐标映射空间内对应的极坐标点不仅仅一个,极大值点不仅仅是一个,使得最终取得的局部极大值也不仅仅是一个。从而防止算法检测出多条极其邻近的“假”直线而产生误判;进而如果互相关信号序列内存在的局部极大值足够高,则只需要一小部分时间去寻找就够,从而实质性地减少计算时间,执行效率很高。
前述实施例通过霍夫变换分别从全局地图和局部地图中映射出一个大小和相对分布区域相同的参考坐标映射空间以及时保存直线特征信息,避免地图信息的丢失,再从各自的参考坐标映射空间提取直线相关联的统计信息进行以旋转角度为周期延拓的卷积运算,以获得反映局部地图的直线的旋转角度与全局地图相对应的直线的旋转角度的互相关性的强弱,执行局部地图的直线与全局地图的直线的匹配操作;在此基础上才通过筛选局部极大值的卷积值对应的旋转角度作为局部地图与全局地图之间的最佳旋转角度,且只是针对参考坐标映射空间内对应的直线在具体方位的分布频率特征进行互相关性的评估,加快旋转角度的处理速度,进而加速后续局部地图转换到全局地图的速度。
基于前述实施例,还公开一种芯片,该芯片用于存储程序,该程序是所述定位控制方法,用于运算并获取局部地图的直线与全局地图相对应的直线的互相关信号序列,再从互相关信号序列内计算获取局部极大值,并将这个局部极大值对应的旋转角度作为候选旋转角度并用来旋转局部地图,再针对每一个旋转后的局部地图,都将其与一个全局地图求取互相关系数以结合候选旋转角度求取对应的最佳匹配结果;然后在每一个最佳匹配结果在对应的全局地图下求取地图相关系数,再从多个全局地图内选择相关性最大的匹配结果对应的定位信息作为机器人定位的目标位置。
本发明还保护一种机器人,该机器人装配所述的芯片,用于根据即时构建的局部地图与相对应的全局地图的互相关性,来获取局部地图与全局地图之间的最佳旋转角度和最佳平移向量,组成最佳转换矩阵,再将一个局部地图通过对应的最佳转换矩阵转换到各个全局地图内,最后将不同地图归一化到同一尺度下进行相关性系数的大小对比以获得定位结果,克服机器人在定位过程中容易丢失相关的特征信息而导致不准确的问题,提高机器人利用局部地图的有限信息进行定位的准确性和效率。
本领域的普通技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,该计算机程序可存储于一非易失性计算机可读存储介质中,该计算机程序在执行时,可包括如上述个方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器ROM、可编程存储器PROM、电可编程存储器EPROM、电可擦除可编程存储器EEPROM或闪存。易失性存储器可包括随机存取存储器RAM或者外部高速缓冲存储器。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上各实施例仅表达了本发明的几种实施例,其描述较为具体和详细,但并不能因此而理解为发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (14)
1.基于地图匹配的定位控制方法,其特征在于,所述定位控制方法包括:
步骤A、根据一个局部地图的直线与一个全局地图的直线在霍夫空间内的互相关性,计算出第二预设数量的最佳旋转角度;其中,机器人预先存储有第一预设数量的全局地图;
步骤B、调用各个最佳旋转角度分别对一个局部地图进行旋转,获得第二预设数量的第一局部优化地图;
步骤C、控制第二预设数量的第一局部优化地图分别与第一预设数量的全局地图进行两两加速卷积,获得每个第一局部优化地图与对应的每个全局地图的互相关参数矩阵;
步骤D、从同一个互相关参数矩阵内获取数值最大的一个元素,再将当前获取的数值最大的元素相对应的横轴坐标及其纵轴坐标与第一局部优化地图相对应的一个最佳旋转角度组成相对应的全局地图与所述局部地图之间的最佳转换矩阵,然后利用最佳转换矩阵将所述局部地图转换到相对应的全局地图内,并确定转换为第二局部优化地图;
步骤E、控制第二局部优化地图与相对应的全局地图进行协方差运算,获得对应的地图相关系数;然后选择出数值最大的地图相关系数对应的全局地图,再按照数值最大的地图相关系数对应的最佳转换矩阵,在当前选择的全局地图内选择相匹配的坐标位置作为机器人的定位位置。
2.根据权利要求1所述定位控制方法,其特征在于,在所述步骤C中,用离散傅里叶变换来将每个第一局部优化地图与对应参与卷积的一个全局地图由时域空间转换到频域空间上,然后将第一局部优化地图在频域空间位置上的变换值与对应参与卷积的全局地图在对应频域空间位置上的变换值相乘,再经过离散傅里叶变换反变换来获取一个互相关参数矩阵,完成加速卷积,以实现用两个列元素的卷积替代一个第一局部优化地图和一个全局地图之间的卷积并获得相同的运算结果;
其中,在第二预设数量的第一局部优化地图中,每个第一局部优化地图都被设置为与任一个全局地图进行所述加速卷积,获取数目为第一预设数量和第二预设数量的乘积的互相关参数矩阵,以实现所述两两加速卷积;
其中,互相关参数矩阵的列数与对应的第一局部优化地图的横轴方向的栅格数目相等,互相关参数矩阵的行数与对应的第一局部优化地图的纵轴方向的栅格数目相等。
3.根据权利要求1所述定位控制方法,其特征在于,在所述步骤E中,所述控制第二局部优化地图与相对应的全局地图进行协方差运算,获得对应的地图相关系数的方法包括:
在参与协方差运算的全局地图内,分割出由与所述第二局部优化地图相匹配位置组成且与所述第二局部优化地图等同大小的全局分块地图,则确定将所述第二局部优化地图的矩阵元素与所述全局分块地图同行同列的矩阵元素的乘积的期望设置为第一期望;
将所述第二局部优化地图的矩阵元素的期望与所述全局分块地图的矩阵元素的期望的乘积设置为相关期望乘积;
将所述第二局部优化地图的矩阵元素的标准差与所述全局分块地图的矩阵元素的标准差的乘积设置为归一化乘积参数,用于将所述第二局部优化地图与相对应的全局地图归一化到同一尺度下;
最后将所述第一期望减去所述相关期望乘积而获得的差值除以所述归一化乘积参数,相除得到的结果为所述地图相关系数;其中,每一个地图相关系数与对应的一个全局地图相匹配,且与对应的一个最佳旋转角度相匹配,以使得所述地图相关系数排列组成一个矩阵。
4.根据权利要求3所述定位控制方法,其特征在于,在所述第一预设数量的全局地图中,每一个全局地图都存在所述第二预设数量的彼此不同的最佳旋转角度,进而每一个全局地图都存在所述第二预设数量的彼此不同的最佳转换矩阵,其中,每个第一局部优化地图相对于局部地图都存在相对应的一个最佳旋转角度。
5.根据权利要求1至4任一项所述定位控制方法,其特征在于,所述最佳转换矩阵用于表示所述相对应的全局地图的坐标系的原点与所述局部地图的机器人坐标系的原点之间的坐标偏移量与旋转角度,基于所述最佳转换矩阵确定所述相对应的全局地图的坐标系与所述局部地图的机器人坐标系之间的旋转和平移关系;
其中,将所述机器人坐标系原点设定为机器人上表面的中心或机器人的当前位置。
6.根据权利要求1至4任一项所述定位控制方法,其特征在于,所述根据一个局部地图的直线与一个全局地图的直线在霍夫空间内的互相关性,计算出第二预设数量的最佳旋转角度的具体方法包括以下步骤:
步骤1、通过霍夫变换从全局地图中获取一个参考坐标映射空间内的第一频数统计信息,同时通过霍夫变换从局部地图中获取一个参考坐标映射空间内的第二频数统计信息,并设置适用于所有参考坐标映射空间的参考旋转角度;其中,参考坐标映射空间是属于所述霍夫空间内;
步骤2、利用所述参考旋转角度的三角函数周期性对第二频数统计信息和第一频数统计信息进行卷积,获得局部地图的直线与全局地图相对应的直线的互相关信号序列;
步骤3、从互相关信号序列内计算获取第二预设数量的局部极大值,再将当前获取的第二预设数量的局部极大值对应的旋转角度设置为局部地图相对于全局地图的第二预设数量的最佳旋转角度;
其中,全局地图对应的一个参考坐标映射空间和局部地图对应的一个参考坐标映射空间都用于表示相同的环境区域,局部地图是机器人在当前运动区域内实时构建的,全局地图是机器人预先在同一运动区域内构建的。
7.根据权利要求6所述定位控制方法,其特征在于,在所述步骤1中,具体包括:
Sl1、在全局地图内提取直线,再将直线霍夫变换到对应的参考坐标映射空间内,然后利用同一参考旋转角度上的不同参考点线距的直线各自被提取的次数求取平方和,作为所述第一频数统计信息;然后进入步骤S12;
S12、按照步骤S11依次计算出每一个参考旋转角度上的所述第一频数统计信息,组成全局地图直线分布平方和的离散序列;
S13、在局部地图内提取直线,再将直线霍夫变换到对应的参考坐标映射空间内,然后利用同一参考旋转角度上的不同参考点线距的直线各自被提取的次数求取平方和,作为所述第二频数统计信息;然后进入步骤S14;
S14、按照步骤S13依次计算出每一个参考旋转角度上的所述第二频数统计信息,组成局部地图直线分布平方和的离散序列。
8.根据权利要求7所述定位控制方法,其特征在于,步骤S11和步骤S13的提取方法都是将相应地图中的所有直线霍夫变换为霍夫空间内的极坐标点,用于表示全局地图或局部地图的直线的集合;
其中,不同的极坐标点代表不同的直线,同一个极坐标点上代表至少一条直线;
其中,极坐标点包括旋转角度和点线距,旋转角度是极坐标点所代表的直线的法线与所属地图的坐标系的横轴正方向所成的夹角,点线距是极坐标点所属地图的坐标系的原点到极坐标点所代表的直线的几何垂直距离。
9.根据权利要求8所述定位控制方法,其特征在于,所述参考旋转角度是所述参考坐标映射空间的极坐标点的所述旋转角度,所述参考点线距是所述参考坐标映射空间的极坐标点的所述点线距,其中,所述参考旋转角度和所述参考点线距都是大于0;
其中,所述参考坐标映射空间内排列的元素的行数是参考旋转角度相同但参考点线距不同的极坐标点的数目;所述参考坐标映射空间内排列的元素的列数是参考点线距相同但参考旋转角度不同的极坐标点的数目;所述参考坐标映射空间的极坐标点都是离散;或者,所述参考坐标映射空间的列数是参考旋转角度相同但参考点线距不同的极坐标点的数目;所述参考坐标映射空间的行数是参考点线距相同但参考旋转角度不同的极坐标点的数目;所述参考坐标映射空间的极坐标点都是离散分布的;
其中,所述参考坐标映射空间内的每一行每一列的元素是所述霍夫空间的相应位置处的极坐标点所代表的直线的数目。
10.根据权利要求9所述定位控制方法,其特征在于,在所述步骤2中,所述利用所述参考旋转角度的三角函数周期性对第二频数统计信息和第一频数统计信息进行卷积,获得局部地图的直线与全局地图相对应的直线的互相关信号序列的方法具体包括:
设置所述参考坐标映射空间中的极坐标点对应存在的不同的参考点线距的数目为累加次数,同时设置所述参考坐标映射空间中的所述参考点线距相同但所述参考旋转角度不同的极坐标点的数目为参考偏移次数,对所述全局地图直线分布平方和的离散序列与所述局部地图直线分布平方和的离散序列进行离散卷积,获得局部地图的直线与全局地图的相应直线在不同参考旋转角度的周期延拓作用下的互相关信号序列,实现利用所述参考旋转角度的周期性对第二频数统计信息和第一频数统计信息进行周期延拓并累加,完成第一频数统计信息和第二频数统计信息的卷积;
其中,所述参考旋转角度的三角函数周期性是:基于霍夫变换中的三角函数关系式,对于全局地图或局部地图内的同一条直线,同一所述参考点线距存在至少一个所述参考旋转角度;累加次数大于0。
11.根据权利要求10所述定位控制方法,其特征在于,所述对所述全局地图直线分布平方和的离散序列与所述局部地图直线分布平方和的离散序列进行离散卷积具体是:
所述局部地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作后,与所述全局地图直线分布平方和的离散序列的对应元素相乘再相加,得到当前一次平移操作下的卷积值,作为所述互相关信号序列内的一个离散卷积值;如此重复,直至沿着同一方向平移完数目为所述参考偏移次数的所述参考旋转角度,得到互相关信号序列内的所有的离散卷积值;
或者,所述全局地图直线分布平方和的离散序列中的每一个元素每发生一次相应的参考旋转角度的平移操作后,与所述局部地图直线分布平方和的离散序列的对应元素相乘再相加,得到当前一次平移操作下的卷积值,作为所述互相关信号序列内的一个离散卷积值;如此重复,直至沿着同一方向平移完数目为所述参考偏移次数的所述参考旋转角度,得到互相关信号序列内的所有的离散卷积值。
12.根据权利要求11所述定位控制方法,其特征在于,所述从互相关信号序列内计算获取第二预设数量的局部极大值的方法具体包括:
在所述参考坐标映射空间内,控制互相关信号序列沿着所述参考旋转角度所在变量轴的方向执行偏导运算,当互相关信号序列的一阶差分是0,且互相关信号序列的二阶差分小于0时,从互相关信号序列内获得至少一个局部最大的离散卷积值并都确定为局部极大值,其中,累计获得的局部极大值的数目为第二预设数量;同时将所有局部极大值对应的旋转角度分别设置为局部地图相对于全局地图的最佳旋转角度,用于将机器人在局部地图中实时计算得到的坐标转换到所述第一优化局部地图中。
13.一种芯片,该芯片用于存储程序,其特征在于,该程序是权利要求1至12任一项所述的定位控制方法。
14.一种机器人,其特征在于,该机器人装配权利要求13所述的芯片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575423.6A CN113176783B (zh) | 2021-05-26 | 2021-05-26 | 基于地图匹配的定位控制方法、芯片及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575423.6A CN113176783B (zh) | 2021-05-26 | 2021-05-26 | 基于地图匹配的定位控制方法、芯片及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113176783A true CN113176783A (zh) | 2021-07-27 |
CN113176783B CN113176783B (zh) | 2024-05-07 |
Family
ID=76928834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110575423.6A Active CN113176783B (zh) | 2021-05-26 | 2021-05-26 | 基于地图匹配的定位控制方法、芯片及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113176783B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788577A (zh) * | 2023-12-21 | 2024-03-29 | 西南交通大学 | 一种基于深度学习的螺栓6d姿态估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178355A1 (en) * | 2015-12-17 | 2017-06-22 | Stmicroelectronics Sa | Determination of an ego-motion of a video apparatus in a slam type algorithm |
CN110926485A (zh) * | 2019-11-11 | 2020-03-27 | 华中科技大学 | 一种基于直线特征的移动机器人定位方法及系统 |
CN111080703A (zh) * | 2019-12-31 | 2020-04-28 | 芜湖哈特机器人产业技术研究院有限公司 | 基于直线匹配的移动机器人重定位方法 |
CN112212851A (zh) * | 2019-07-09 | 2021-01-12 | 深圳市优必选科技股份有限公司 | 一种位姿确定方法、装置、存储介质及移动机器人 |
-
2021
- 2021-05-26 CN CN202110575423.6A patent/CN113176783B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178355A1 (en) * | 2015-12-17 | 2017-06-22 | Stmicroelectronics Sa | Determination of an ego-motion of a video apparatus in a slam type algorithm |
CN112212851A (zh) * | 2019-07-09 | 2021-01-12 | 深圳市优必选科技股份有限公司 | 一种位姿确定方法、装置、存储介质及移动机器人 |
CN110926485A (zh) * | 2019-11-11 | 2020-03-27 | 华中科技大学 | 一种基于直线特征的移动机器人定位方法及系统 |
CN111080703A (zh) * | 2019-12-31 | 2020-04-28 | 芜湖哈特机器人产业技术研究院有限公司 | 基于直线匹配的移动机器人重定位方法 |
Non-Patent Citations (2)
Title |
---|
房芳 等: "基于霍夫空间模型匹配的移动机器人全局定位方法", 机器人, vol. 27, no. 1, pages 35 - 40 * |
房芳 等: "基于霍夫空间模型匹配的移动机器人定位方法", 制造业自动化, vol. 26, no. 9, pages 24 - 28 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788577A (zh) * | 2023-12-21 | 2024-03-29 | 西南交通大学 | 一种基于深度学习的螺栓6d姿态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113176783B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540005B (zh) | 基于二维栅格地图的回环检测方法 | |
CN107038717A (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN112308881A (zh) | 一种基于遥感图像的舰船多目标跟踪方法 | |
CN113589306B (zh) | 定位方法、装置、电子设备及存储介质 | |
CN110907947A (zh) | 一种移动机器人slam问题中的实时回环检测方法 | |
CN114677494B (zh) | 基于剖分网格的雷达探测能力计算方法、装置及设备 | |
CN113176783B (zh) | 基于地图匹配的定位控制方法、芯片及机器人 | |
CN110929598B (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
CN104517286A (zh) | 基于自适应阈值分割和组合优化的sar图像配准 | |
CN109508674B (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN109800702B (zh) | 指静脉识别的快速比对方法及计算机可读取的存储介质 | |
WO2021103027A1 (en) | Base station positioning based on convolutional neural networks | |
CN117058008A (zh) | 遥感影像几何与辐射一体化校正方法、装置、设备及介质 | |
CN113340258B (zh) | 基于霍夫变换的旋转角度的获取方法、芯片及机器人 | |
CN113836734B (zh) | 一种基于虚拟理想解的装备作战效能评估方法 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN116202539A (zh) | 一种机器人重定位方法、芯片与机器人 | |
CN116203937A (zh) | 一种地图融合方法、芯片与机器人 | |
Nakamura et al. | Robust global scan matching method using congruence transformation invariant feature descriptors and a geometric constraint between keypoints | |
CN114581328A (zh) | 一种料堆点云数据插补方法、装置、设备及介质 | |
CN112069445A (zh) | 一种2d slam算法评估及量化方法 | |
CN108205683B (zh) | 基于可见光卫星图片的红外目标识别系统阈值优化方法 | |
CN118036899B (zh) | 基于bim的建筑装修智慧管理系统 | |
Boshra et al. | Bounding SAR ATR performance based on model similarity |
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 | ||
CB02 | Change of applicant information |
Address after: 519000 2706, No. 3000, Huandao East Road, Hengqin new area, Zhuhai, Guangdong Applicant after: Zhuhai Yiwei Semiconductor Co.,Ltd. Address before: Room 105-514, No.6 Baohua Road, Hengqin New District, Zhuhai City, Guangdong Province Applicant before: AMICRO SEMICONDUCTOR Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |