CN113359769A - 室内自主移动机器人复合导航方法及装置 - Google Patents
室内自主移动机器人复合导航方法及装置 Download PDFInfo
- Publication number
- CN113359769A CN113359769A CN202110762227.XA CN202110762227A CN113359769A CN 113359769 A CN113359769 A CN 113359769A CN 202110762227 A CN202110762227 A CN 202110762227A CN 113359769 A CN113359769 A CN 113359769A
- Authority
- CN
- China
- Prior art keywords
- communication device
- robot
- point cloud
- determining
- cloud data
- 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 69
- 239000002131 composite material Substances 0.000 title claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 424
- 238000002366 time-of-flight method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种室内自主移动机器人复合导航方法及装置。方法包括:通过二维激光雷达获取机器人周围的第一点云数据;通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置;若第一预测位置在重定位区域内,则采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离;基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围;从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据;将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人的位置。采用本方法能够经济且准确地实现定位。
Description
技术领域
本申请涉及导航技术领域,特别是涉及一种室内自主移动机器人复合导航方法及装置。
背景技术
随着机器人技术的发展,出现了自主移动机器人(Autonomous Mobile Robots,AMR)。AMR是具备see-think-act(看见、思考、行动)能力的机器,可以感知环境,自主建立环境模型,从而获取自身在环境中的位姿信息,规划并控制机器人移动。
传统技术中,机器人通过激光雷达获取周围环境的点云数据,结合不同位置获取的点云数据,在机器人移动过程中逐步描绘出所处环境的地图,实现同步定位与建图(simultaneous localization and mapping,SLAM)。
然而,三维激光雷达获取的点云数据处理量太大,实现成本过高。二维激光雷达获取的点云数据无法排除环境干扰,如处于运动状态的人或物,无法进行准确定位。
发明内容
基于此,有必要针对上述技术问题,提供一种能够经济且准确地实现定位的室内自主移动机器人复合导航方法及装置。
一种室内自主移动机器人复合导航方法,所述方法包括:
通过二维激光雷达获取机器人周围的第一点云数据;
通过编码器获取所述机器人的移动轨迹,确定所述机器人的第一预测位置;
若所述第一预测位置在重定位区域内,则采用双向飞行时间法确定间隔设置在所述机器人上的两个第一通信装置与位于所述重定位区域的中心的第二通信装置之间的距离;
基于两个所述第一通信装置与所述第二通信装置之间的距离、以及所述第二通信装置的位置,确定所述机器人的第一预测范围;
从点云地图中获取所述机器人在所述第一预测范围内各个位置的第二点云数据;
将与所述第一点云数据的匹配度最高的第二点云数据对应的位置确定为所述机器人的位置。
在其中一个实施例中,所述采用双向飞行时间法确定间隔设置在所述机器人上的两个第一通信装置与位于所述重定位区域的中心的第二通信装置之间的距离,包括:
控制每个第一通信装置向第二通信装置发送测距请求,并接收所述第二通信装置基于所述测距请求反馈的测距信息,所述测距信息包括所述第二通信装置接收到所述测距请求的时间和发送所述测距信息的时间;
基于所述第二通信装置接收到所述测距请求的时间和发送所述测距信息的时间、以及所述第一通信装置发送所述测距请求的时间和接收到所述测距信息的时间,确定所述第一通信装置与所述第二通信装置之间的距离。
在其中一个实施例中,所述基于所述第二通信装置接收到所述测距请求的时间和发送所述测距信息的时间、以及所述第一通信装置发送所述测距请求的时间和接收到所述测距信息的时间,确定所述第一通信装置与所述第二通信装置之间的距离,包括:
采用如下公式确定所述第一通信装置与所述第二通信装置之间的距离S:
S=C*[(Ta2-Ta1)-(Tb2-Tb1)]/2;
其中,C为光速,Ta2为所述第一通信装置接收到所述测距信息的时间,Ta1为所述第一通信装置发送所述测距请求的时间,Tb2为所述第二通信装置发送所述测距信息的时间,Tb1为所述第二通信装置接收到所述测距请求的时间。
在其中一个实施例中,所述基于两个所述第一通信装置与所述第二通信装置之间的距离、以及所述第二通信装置的位置,确定所述机器人的第一预测范围,包括:
基于两个所述第一通信装置与所述第二通信装置之间的距离、以及两个所述第一通信装置之间的距离,确定所述第二通信装置相对于至少一个所述第一通信装置的方位;
基于所述第二通信装置相对于至少一个所述第一通信装置的方位、以及所述第二通信装置的位置,确定所述机器人的第一预测范围。
在其中一个实施例中,所述基于两个所述第一通信装置与所述第二通信装置之间的距离、以及两个所述第一通信装置之间的距离,确定所述第二通信装置相对于至少一个所述第一通信装置的方位,包括:
采用如下公式确定一个所述第一通信装置与另一个所述第一通信装置的连线、以及与所述第二通信装置的连线之间的夹角θ:
θ=arccos[(A2+B2-C2)/(2*A*B)];
其中,A为两个所述第一通信装置之间的距离,B为一个所述第一通信装置与所述第二通信装置的之间的距离,C为另一个所述第一通信装置与所述第二通信装置的之间的距离。
在其中一个实施例中,所述重定位区域的中心设有标志性物体,所述标志性物体具有多条外凸和/或多条内凹的直线轮廓;
所述第二点云数据为所述标志性物体的点云数据。
在其中一个实施例中,所述方法还包括:
若所述第一预测位置在重定位区域外,则基于所述机器人的第一预测位置,确定所述机器人的第二预测范围;
从点云地图中获取所述机器人在所述第二预测范围内各个位置的第三点云数据;
将与所述第一点云数据的匹配度最高的第三点云数据对应的位置确定为所述机器人的位置。
在其中一个实施例中,所述方法还包括:
基于相邻两次获取的第一点云数据,确定所述机器人的移动轨迹,并对点云地图进行更新。
在其中一个实施例中,所述方法还包括:
在对所述点云地图进行更新的过程中,确定所述第一点云数据是否包含标志性物体的点云数据,所述标志性物体位于所述重定位区域的中心且具有多条外凸和/或多条内凹的直线轮廓;
若所述第一点云数据包含所述标志性物体的点云数据,则采用双向飞行时间法确定两个所述第一通信装置与所述第二通信装置之间的距离;
基于两个所述第一通信装置与所述第二通信装置之间的距离,确定所述第二通信装置的位置并标注在所述点云地图上。
一种室内自主移动机器人复合导航装置,所述装置包括:
点云扫描模块,用于通过二维激光雷达获取机器人周围的第一点云数据;
轨迹确定模块,用于通过编码器获取所述机器人的移动轨迹,确定所述机器人的第一预测位置;
距离确定模块,用于当所述第一预测位置在重定位区域内时,采用双向飞行时间法确定间隔设置在所述机器人上的两个第一通信装置与位于所述重定位区域的中心的第二通信装置之间的距离;
范围确定模块,用于基于两个所述第一通信装置与所述第二通信装置之间的距离、以及所述第二通信装置的位置,确定所述机器人的第一预测范围;
数据获取模块,用于从点云地图中获取所述机器人在所述第一预测范围内各个位置的第二点云数据;
位置确定模块,用于将与所述第一点云数据的匹配度最高的第二点云数据对应的位置确定为所述机器人的位置。
上述室内自主移动机器人复合导航方法及装置,一方面通过二维激光雷达获取机器人周围的第一点云数据,点云数据的数据量较少,实现成本低,另一方面通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置,以确定机器人当前是否位于重定位区域内。重定位区域的中心设有第二通信装置,可以在机器人位于重定位区域内时,与间隔设置在机器人上的两个第一通信装置采用双向飞行时间法测量距离。因此,若第一预测位置在重定位区域内,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离,并基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。然后从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据,即可利用第一点云数据,确定匹配度最高的第二点云数据,并将确定的第二点云数据对应的位置作为机器人的准确位置,以对之前确定的第一预测位置进行纠正,消除环境干扰造成的偏差,保证定位精度。综上,本申请能够准确且经济地实现室内自主移动机器人复合导航。
附图说明
图1为一个实施例中室内自主移动机器人复合导航方法的应用环境图;
图2为一个实施例中室内自主移动机器人复合导航方法的流程示意图;
图3为一个实施例中第一通信装置和第二通信装置之间通信的示意图;
图4为一个实施例中第一通信装置和第二通信装置之间距离的示意图;
图5为另一个实施例中室内自主移动机器人复合导航方法的流程示意图;
图6为又一个实施例中室内自主移动机器人复合导航方法的流程示意图;
图7为一个实施例中室内自主移动机器人复合导航装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
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,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的室内自主移动机器人复合导航方法,可以应用于如图1所示的应用环境中。其中,机器人10包括编码器11、二维激光雷达12、两个第一通信装置13、以及移动装置14,编码器11设置在移动装置14的转轮上,二维激光雷达12设置在移动装置14的顶部,两个第一通信装置13间隔设置在移动装置14上。
机器人10可以通过移动装置14在重定位区域20内外移动。重定位区域20的中心设有第二通信装置30,可以在机器人10移动到重定位区域20内时与两个第一通信装置13进行通信,以采用双向飞行时间法测量距离。另外,编码器11可以获取机器人10的移动方向和移动距离,得到机器人10的移动轨迹。二维激光雷达12可以在机器人10的移动过程中获取周围环境的点云数据,以实现同步定位与建图。
机器人10还包括计算机设备15,计算机设备15分别与编码器11、二维激光雷达12、两个第一通信装置13、以及移动装置14连接。计算机设备15通过二维激光雷达11获取机器人10周围的第一点云数据,并通过编码器12获取机器人10的移动轨迹,确定机器人10的第一预测位置。若第一预测位置在重定位区域20内,则机器人10控制两个第一通信装置13与第二通信装置30进行通信,并采用双向飞行时间法确定两个第一通信装置13与第二通信装置30之间的距离;基于两个第一通信装置13与第二通信装置30之间的距离、以及第二通信装置30的位置,确定机器人10的第一预测范围;从点云地图中获取机器人10在第一预测范围内各个位置的第二点云数据;将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人10的位置。
具体地,编码器11是把角位移或直线位移转换成电信号的设备。二维激光雷达12是以发射在所处水平面传播的激光束探测目标的位置、速度等特征量的雷达系统。两个第一通信装置13和第二通信装置30可以但不限于是超宽带(Ultra Wide Band,UWB)通信模块、无线局域网(Wireless Local Area Networks,WLAN)通信模块、行动热点(Wi-Fi)模块、蓝牙模块、红外通信模块、超声波通信模块、射频识别(Radio Frequency Identification,RFID)模块。移动装置14是利用转轮进行移动的装置。计算机设备15可以但不限于是工控机。
重定位区域20可以但不限于是柔性装配线、自动化立体仓库、智慧工厂园区。
在一个实施例中,如图2所示,提供了一种室内自主移动机器人复合导航方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S201,通过二维激光雷达获取机器人周围的第一点云数据。
其中,二维激光雷达为发射沿所处平面传播的激光束,以探测目标位置的设备。第一点云数据为二维激光雷达所处平面上建立的二维坐标系中的向量集合,至少包括机器人周围的障碍物相对于机器人的方位的距离。
具体地,二维激光雷达设置在机器人上,可以向周围发射在所处水平面传播的激光束。激光束到达目标会反射回来,二维激光雷达可以基于激光束发射出去的时间和反射回来的时间,结合激光束的传播速度,得到目标与二维激光雷达之间的距离。再结合激光束的发射方向,二维激光雷达可以得到目标的方位,形成机器人周围的第一点云数据传输给计算机设备。
步骤S202,通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置。
其中,编码器是把角位移或直线位移转换成电信号的设备。
具体地,编码器安装在机器人的移动装置的转轮上,可以检测到左右转轮的位置信息。计算机设备内设有里程计,可以基于左右转轮的位置信息,利用差速运动模型进行轨迹推演,得到机器人的移动轨迹,并预测出机器人移动之后的位置,即机器人的第一预测位置。
示例性地,机器人的移动装置包括底盘、电机和转轮,电机固定在底盘上,转轮与电机同轴连接,电机转动驱动转轮移动,实现机器人的移动。编码器安装在电机上,可以获取到电机的转动情况,从而得到转轮的位置信息。
步骤S203,若第一预测位置在重定位区域内,则采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离。
其中,重定位区域为机器人可以重新定位,以对预测位置进行纠正的区域。双向飞行时间法主要利用信号在两个设备之间往返的飞行时间来测量两个设备之间的距离。第二通信装置位于重定位区域的中心,若第一通信装置所在的机器人位于重定位区域内,则第一通信装置和第二通信装置之间可以收发信号,以采用双向飞行时间法确定第一通信装置和第二通信装置之间的距离,从而得到机器人与重定位中心之间的距离。
具体地,确定第一预测位置是否与重定位区域的分布位置重合,若第一预测位置与重定位区域的分布位置重合,则确定第一预测位置在重定位区域内;若第一预测位置与重定位区域的分布位置不重合,则确定第一预测位置在重定位区域外。若确定第一预测位置在重定位区域内,则在第一通信装置和第二通信装置之间收发信号,并信号的收发时间传输给计算机设备,以使计算机设备基于信号的收发时间,确定第一通信装置和第二通信装置之间的距离。
示例性地,重定位区域的分布位置可以在点云地图上直接得到,也可以在点云地图上得到重定位区域的中心,以重定位区域的中心为圆心,设定一个数值作为半径,得到一个圆形区域,将其作为重定位区域。
具体地,重定位区域的半径可以为第一通信装置和第二通信装置的最大通信距离,与二维激光雷达的定位误差的总和或者差值。
示例性地,第二通信装置可以设置在货架或者充电桩处。
步骤S204,基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。
其中,第一预测范围是机器人的预测位置的集合。
具体地,计算机设备先基于两个第一通信装置和第二通信装置之间的距离、以及两个第一通信装置之间的距离,确定两个第一通信装置相对于第二通信装置的位置。再基于两个第一通信装置相对于第二通信装置的位置、以及第二通信装置的位置,确定两个第一通信装置的位置,从而得到两个第一通信装置所在的机器人的位置。由于得到的机器人位置可能不准确,因此会对得到的机器人位置进行扩展,得到机器人的第一预测范围。
示例性地,两个第一通信装置之间的距离可以在机器人上间隔设置两个第一通信装置后测量得到,也可以预先设定两个第一通信装置的距离,并按照这个距离间隔设置两个第一通信装置。第二通信装置的位置可以在点云地图上得到。第一预测范围可以为以得到的机器人位置为圆心,设定一个数值作为半径,得到的圆形区域。
步骤S205,从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据。
其中,点云地图为二维激光雷达在机器人移动到各个位置时获取的点云数据的集合。第二点云数据为从点云地图中获取的、对应二维激光雷达在机器人移动到第一预测范围内各个位置时获取的点云数据。
具体地,先在点云地图中确定第一预测范围内各个位置,再从点云地图中获取二维激光雷达在机器人移动到这个位置时获取的点云数据。
步骤S206,将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人的位置。
具体地,先将第一预测范围内各个位置的第二点云数据分别与第一点云数据进行匹配,再从中找出匹配度最高的第二点云数据,将这个第二点云数据对应的位置确定为机器人的位置。
上述室内自主移动机器人复合导航方法中,一方面通过二维激光雷达获取机器人周围的第一点云数据,点云数据的数据量较少,实现成本低,另一方面通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置,以确定机器人当前是否位于重定位区域内。重定位区域的中心设有第二通信装置,可以在机器人位于重定位区域内时,与间隔设置在机器人上的两个第一通信装置采用双向飞行时间法测量距离。因此,若第一预测位置在重定位区域内,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离,并基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。然后从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据,即可利用第一点云数据,确定匹配度最高的第二点云数据,并将确定的第二点云数据对应的位置作为机器人的准确位置,以对之前确定的第一预测位置进行纠正,消除环境干扰造成的偏差,保证定位精度。综上,本申请能够准确且经济地实现室内自主移动机器人复合导航。
另外,采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离,并基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围,最终对之前确定的第一预测位置进行纠正,与二维码和磁钉的导航方式相比,可以大幅降低对作业环境的清洁度要求,导航稳定性大幅提升,并且不存在第二通信装置摆放位置、标定位置或测量位置不准确的问题。
在一个实施例中,采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离,包括:控制每个第一通信装置向第二通信装置发送测距请求,并接收第二通信装置基于测距请求反馈的测距信息,测距信息包括第二通信装置接收到测距请求的时间和发送测距信息的时间;基于第二通信装置接收到测距请求的时间和发送测距信息的时间、以及第一通信装置发送测距请求的时间和接收到测距信息的时间,确定第一通信装置与第二通信装置之间的距离。
其中,测距请求用于请求接收端记录接收时间,并反馈记录的接收时间和接收时间的发送时间。测距信息用于反馈记录的接收时间和接收时间的发送时间。
本实施例中,计算机设备在确定第一预测位置在重定位区域内时,确定第一通信装置在机器人当前的位置能够与第二通信装置进行通信,因此控制每个第一通信装置向第二通信装置发送测距请求并记录发送测距请求的时间。第二通信装置在接收到测距请求之后,会记录接收到测距请求的时间,并将接收到测距请求的时间和发送测距信息的时间一起打包在测距信息中,反馈给发送测距请求的第一通信装置。第一通信装置接收到测距信息之后,会记录接收到测距信息的时间,并将第一通信装置发送测距请求的时间、第二通信装置接收到测距请求的时间、第二通信装置发送测距信息的时间、以及第一通信装置接收到测距信息的时间一起传输给计算机设备,由计算机设备确定第一通信装置与第二通信装置之间的距离。
具体地,测距请求包括第一通信装置的标识信息,测距信息包括第二通信装置的标识信息、以及响应的测距请求来自的第一通信装置的标识信息,以方便第一通信装置和第二通信装置进行区分处理。
示例性地,如图3所示,采用如下公式确定第一通信装置与第二通信装置之间的距离S:
S=C*[(Ta2-Ta1)-(Tb2-Tb1)]/2;
其中,C为光速,Ta2为第一通信装置接收到测距信息的时间,Ta1为第一通信装置发送测距请求的时间,Tb2为第二通信装置发送测距信息的时间,Tb1为第二通信装置接收到测距请求的时间。
通过测距请求的发送时间和接收时间、以及测距信息的发送时间和接收时间,可以确定测距请求和测距信息在第一通信装置和第二通信装置之间传输的时间,再结合光速,即可得到第一通信装置和第二通信装置之间传输的距离。
在一个实施例中,基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围,包括:基于两个第一通信装置与第二通信装置之间的距离、以及两个第一通信装置之间的距离,确定第二通信装置相对于至少一个第一通信装置的方位;基于第二通信装置相对于至少一个第一通信装置的方位、以及第二通信装置的位置,确定机器人的第一预测范围。
在本实施例中,将两个第一通信装置和第二通信装置作为三角形的三个顶点,则两个第一通信装置与第二通信装置之间的距离、以及两个第一通信装置之间的距离为三角形三条边的长度。已知三角形三条边的长度,可以计算出三角形的三个内角,从而确定出两个第一通信装置和第二通信装置两两之间的位置关系。已知第二通信装置的位置,即可得到两个第一通信装置的位置,从而得到机器人预测位置的范围,即第一预测范围。
示例性地,如图4所示,采用如下公式确定一个第一通信装置与另一个第一通信装置的连线、以及与第二通信装置的连线之间的夹角θ,得到第二通信装置相对于一个第一通信装置的方位:
θ=arccos[(A2+B2-C2)/(2*A*B)];
其中,A为两个第一通信装置之间的距离,B为一个第一通信装置与第二通信装置的之间的距离,C为另一个第一通信装置与第二通信装置的之间的距离。
通过三角形边长和内角之间的特定关系,基于两个第一通信装置与第二通信装置之间的距离、以及两个第一通信装置之间的距离,得到一个第一通信装置与另一个第一通信装置的连线、以及与第二通信装置的连线之间的夹角,从而得到第二通信装置相对于一个第一通信装置的方位。
示例性地,基于第二通信装置相对于至少一个第一通信装置的方位、以及第二通信装置的位置,确定机器人的第一预测范围,包括:基于第二通信装置相对于至少一个第一通信装置的方位、以及第二通信装置的位置,确定至少一个第一通信装置的位置;基于至少一个第一通信装置的位置,确定机器人的第一预测范围。
通过第二通信装置相对于至少一个第一通信装置的方位,由第二通信装置的位置得到至少一个第一通信装置的位置,再由至少一个第一通信装置的位置,得到第一通信装置所在的机器人的第一预测范围。
具体地,机器人的第一预测范围可以是以一个第一通信装置的位置为圆心的圆形区域,也可以是以两个第一通信装置中心的位置为圆心的圆形区域。
在一个实施例中,重定位区域的中心设有标志性物体,标志性物体具有多条外凸和/或多条内凹的直线轮廓。
本实施例中,重定位区域的中心还设有标志性物体,标志性物体具有多条外凸和/或多条内凹的直线轮廓,方便在点云数据中进行辨识。
相应地,第二点云数据为标志性物体的点云数据。
利用标志性物体方便辨识的特点,采用标志性物体的点云数据作为第二点云数据与第一点云数据进行匹配,可以在保证准确性的情况下减少数据处理量,提高处理效率和降低实现成本。
具体地,将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人的位置,包括:从第一点云数据中提取标志性物体的点云数据;将第一点云数据中提取的点云数据与第二点云数据进行匹配,确定机器人的位置。
示例性地,标志性物体具有多条外凸和/或多条内凹的直线轮廓,在点云数据中表现为明显起伏和突变的特征,并且集中在局部范围内,采用PL-ICP(Point-to-LineIterative Closest Point,点线迭代最近点)算法进行匹配,可以减小匹配误差。
在一个实施例中,如图5所示,该方法包括:
步骤S501,通过二维激光雷达获取机器人周围的第一点云数据。
具体地,该步骤S501与步骤S201相同,在此不再详述。
步骤S502,通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置。若第一预测位置在重定位区域内,则执行步骤S503至步骤S506;若第一预测位置在重定位区域外,则执行步骤S507至步骤S509。
具体地,该步骤S502与步骤S202相同,在此不再详述。
步骤S503,采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离。
具体地,该步骤S503与步骤S203相同,在此不再详述。
步骤S504,基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。
具体地,该步骤S504与步骤S204相同,在此不再详述。
步骤S505,从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据。
具体地,该步骤S505与步骤S205相同,在此不再详述。
步骤S506,将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人的位置。
具体地,该步骤S506与步骤S206相同,在此不再详述。
步骤S507,基于机器人的第一预测位置,确定机器人的第二预测范围。
其中,第二预测范围是机器人的预测位置的集合。
具体地,计算机设备以机器人的第一预测位置为圆心,设定一个数值作为半径,得到的圆形区域作为机器人的第二预测范围。
步骤S508,从点云地图中获取机器人在第二预测范围内各个位置的第三点云数据。
其中,第三点云数据为从点云地图中获取的、对应二维激光雷达在机器人移动到第二预测范围内各个位置时获取的点云数据。
具体地,先在点云地图中确定第二预测范围内各个位置,再从点云地图中获取二维激光雷达在机器人移动到这个位置时获取的点云数据。
步骤S509,将与第一点云数据的匹配度最高的第三点云数据对应的位置确定为机器人的位置。
具体地,先将第二预测范围内各个位置的第三点云数据分别与第二点云数据进行匹配,再从中找出匹配度最高的第三点云数据,将这个第三点云数据对应的位置确定为机器人的位置。
本实施例中,先利用编码器确定机器人的第一预测位置,并与重定位区域进行比较,根据比较结果的不同采用不同的定位方法。若机器人当前位于重定位区域内,则机器人上的两个第一通信装置可以与重定位区域中心的第二通信装置进行通信,此时采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离,进而确定出机器人当前位置的第一预测范围。若机器人当前位于重定位区域外,则机器人上的两个第一通信装置可能无法与重定位区域中心的第二通信装置进行通信,此时直接由机器人的第一预测位置确定出机器人的第二预测范围。然后在点云地图中获取第一预测范围或第二预测范围内各个位置对应的点云数据,并与二维激光雷达当前获取的第一点云数据进行匹配,将匹配度最高的点云数据对应的位置作为机器人的当前位置,定位精度高、导航灵活、柔性好。
在一个实施例中,如图6所示,该方法包括:
步骤S601,通过二维激光雷达获取机器人周围的第一点云数据。
具体地,该步骤S601与步骤S201相同,在此不再详述。
步骤S602,基于相邻两次获取的第一点云数据,确定机器人的移动轨迹,并对点云地图进行更新。
具体地,采用AMCL(Adaptive Monte Carlo Localization,自适应蒙特卡洛定位方法)、混合粒子滤波器(Rao-Blackwellised)、扩展卡尔曼滤波器(Extended KalmanFilter)、最大似然估计函数中的至少一种处理相邻两次获取的第一点云数据,预测机器人的位置和转向预测位置。
其中,AMCL是一种采用KLD采样实现粒子数自适应的蒙特卡罗定位方法,使用粒子滤波器跟踪机器人的位姿。混合粒子滤波器通过引入边缘函数提高估计精度,扩展卡尔曼滤波器是一种高效率的递归滤波器算法。
在本实施例中,建立点云地图时,移动机器人并在移动过程中通过二维激光雷达获取机器人周围的第一点云数据,利用相邻两次获取的第一点云数据的重合区域,将相邻两次获取的第一点云数据合并到点云地图中,最终形成整个区域的点云地图。
步骤S603,在对点云地图进行更新的过程中,确定第一点云数据是否包含标志性物体的点云数据。
其中,标志性物体位于重定位区域的中心且具有多条外凸和/或多条内凹的直线轮廓。
步骤S604,若第一点云数据包含标志性物体的点云数据,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离。
具体地,该步骤S604与步骤S203相同,在此不再详述。
步骤S605,基于两个第一通信装置与第二通信装置之间的距离,确定第二通信装置的位置并标注在点云地图上。
具体地,该步骤S605包括:基于机器人的位置,确定两个第一通信装置的位置;基于两个第一通信装置与第二通信装置之间的距离、以及两个第一通信装置的位置,确定第二通信装置的位置并标注在点云地图上。
在本实施例中,点云地图是以机器人的位置为基准建立的,因此建立点云点图时,机器人的位置是已知的,机器人上设置的两个第一通信装置的位置也是已知的,再结合两个第一通信装置与第二通信装置之间的距离,即可得到第二通信装置的位置。
应该理解的是,虽然图2、5-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、5-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种室内自主移动机器人复合导航装置700,包括:点云扫描模块701、轨迹确定模块702、距离确定模块703、范围确定模块704、数据获取模块705和位置确定模块706,其中:
点云扫描模块701,用于通过二维激光雷达获取机器人周围的第一点云数据。
轨迹确定模块702,用于通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置。
距离确定模块703,用于当第一预测位置在重定位区域内时,采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离。
范围确定模块704,用于基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。
数据获取模块705,用于从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据。
位置确定模块706,用于将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人的位置。
在一个实施例中,距离确定模块703包括:通信控制单元和距离确定单元,其中:
通信控制单元,用于控制每个第一通信装置向第二通信装置发送测距请求,并接收第二通信装置基于测距请求反馈的测距信息,测距信息包括第二通信装置接收到测距请求的时间和发送测距信息的时间。
距离确定单元,用于基于第二通信装置接收到测距请求的时间和发送测距信息的时间、以及第一通信装置发送测距请求的时间和接收到测距信息的时间,确定第一通信装置与第二通信装置之间的距离。
在一个实施例中,范围确定模块704包括:方位确定单元和范围确定单元,其中:
方位确定单元,用于基于两个第一通信装置与第二通信装置之间的距离、以及两个第一通信装置之间的距离,确定第二通信装置相对于至少一个第一通信装置的方位。
范围确定单元,用于基于第二通信装置相对于至少一个第一通信装置的方位、以及第二通信装置的位置,确定机器人的第一预测范围。
在一个实施例中,重定位区域的中心设有标志性物体,标志性物体具有多条外凸和/或多条内凹的直线轮廓;第二点云数据为标志性物体的点云数据。
在一个实施例中,该装置还包括:第二范围确定模块、第二数据获取模块和第二位置确定模块,其中:
第二范围确定模块,用于当第一预测位置在重定位区域外时,基于机器人的第一预测位置,确定机器人的第二预测范围。
第二数据获取模块,用于从点云地图中获取机器人在第二预测范围内各个位置的第三点云数据。
第二位置确定模块,用于将与第一点云数据的匹配度最高的第三点云数据对应的位置确定为机器人的位置。
在一个实施例中,该装置还包括:地图更新模块,其中:
地图更新模块,用于基于相邻两次获取的第一点云数据,确定机器人的移动轨迹,并对点云地图进行更新。
在一个实施例中,该装置还包括:标志确定模块、第二距离确定模块和位置标注模块,其中:
标志确定模块,用于在对点云地图进行更新的过程中,确定第一点云数据是否包含标志性物体的点云数据,标志性物体位于重定位区域的中心且具有多条外凸和/或多条内凹的直线轮廓。
第二距离确定模块,用于当第一点云数据包含标志性物体的点云数据时,采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离;
位置标注模块,用于基于两个第一通信装置与第二通信装置之间的距离,确定第二通信装置的位置并标注在点云地图上。
上述室内自主移动机器人复合导航装置,一方面通过二维激光雷达获取机器人周围的第一点云数据,点云数据的数据量较少,实现成本低,另一方面通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置,以确定机器人当前是否位于重定位区域内。重定位区域的中心设有第二通信装置,可以在机器人位于重定位区域内时,与间隔设置在机器人上的两个第一通信装置采用双向飞行时间法测量距离。因此,若第一预测位置在重定位区域内,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离,并基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。然后从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据,即可利用第一点云数据,确定匹配度最高的第二点云数据,并将确定的第二点云数据对应的位置作为机器人的准确位置,以对之前确定的第一预测位置进行纠正,消除环境干扰造成的偏差,保证定位精度。综上,本申请能够准确且经济地实现室内自主移动机器人复合导航。
关于室内自主移动机器人复合导航装置的具体限定可以参见上文中对于室内自主移动机器人复合导航方法的限定,在此不再赘述。上述室内自主移动机器人复合导航装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种室内自主移动机器人复合导航方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:通过二维激光雷达获取机器人周围的第一点云数据;通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置;若第一预测位置在重定位区域内,则采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离;基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围;从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据;将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人的位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:控制每个第一通信装置向第二通信装置发送测距请求,并接收第二通信装置基于测距请求反馈的测距信息,测距信息包括第二通信装置接收到测距请求的时间和发送测距信息的时间;基于第二通信装置接收到测距请求的时间和发送测距信息的时间、以及第一通信装置发送测距请求的时间和接收到测距信息的时间,确定第一通信装置与第二通信装置之间的距离。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于两个第一通信装置与第二通信装置之间的距离、以及两个第一通信装置之间的距离,确定第二通信装置相对于至少一个第一通信装置的方位;基于第二通信装置相对于至少一个第一通信装置的方位、以及第二通信装置的位置,确定机器人的第一预测范围。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:重定位区域的中心设有标志性物体,标志性物体具有多条外凸和/或多条内凹的直线轮廓;第二点云数据为标志性物体的点云数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若第一预测位置在重定位区域外,则基于机器人的第一预测位置,确定机器人的第二预测范围;从点云地图中获取机器人在第二预测范围内各个位置的第三点云数据;将与第一点云数据的匹配度最高的第三点云数据对应的位置确定为机器人的位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于相邻两次获取的第一点云数据,确定机器人的移动轨迹,并对点云地图进行更新。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在对点云地图进行更新的过程中,确定第一点云数据是否包含标志性物体的点云数据,标志性物体位于重定位区域的中心且具有多条外凸和/或多条内凹的直线轮廓;若第一点云数据包含标志性物体的点云数据,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离;基于两个第一通信装置与第二通信装置之间的距离,确定第二通信装置的位置并标注在点云地图上。
上述计算机设备,一方面通过二维激光雷达获取机器人周围的第一点云数据,点云数据的数据量较少,实现成本低,另一方面通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置,以确定机器人当前是否位于重定位区域内。重定位区域的中心设有第二通信装置,可以在机器人位于重定位区域内时,与间隔设置在机器人上的两个第一通信装置采用双向飞行时间法测量距离。因此,若第一预测位置在重定位区域内,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离,并基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。然后从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据,即可利用第一点云数据,确定匹配度最高的第二点云数据,并将确定的第二点云数据对应的位置作为机器人的准确位置,以对之前确定的第一预测位置进行纠正,消除环境干扰造成的偏差,保证定位精度。综上,本申请能够准确且经济地实现室内自主移动机器人复合导航。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:通过二维激光雷达获取机器人周围的第一点云数据;通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置;若第一预测位置在重定位区域内,则采用双向飞行时间法确定间隔设置在机器人上的两个第一通信装置与位于重定位区域的中心的第二通信装置之间的距离;基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围;从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据;将与第一点云数据的匹配度最高的第二点云数据对应的位置确定为机器人的位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:控制每个第一通信装置向第二通信装置发送测距请求,并接收第二通信装置基于测距请求反馈的测距信息,测距信息包括第二通信装置接收到测距请求的时间和发送测距信息的时间;基于第二通信装置接收到测距请求的时间和发送测距信息的时间、以及第一通信装置发送测距请求的时间和接收到测距信息的时间,确定第一通信装置与第二通信装置之间的距离。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于两个第一通信装置与第二通信装置之间的距离、以及两个第一通信装置之间的距离,确定第二通信装置相对于至少一个第一通信装置的方位;基于第二通信装置相对于至少一个第一通信装置的方位、以及第二通信装置的位置,确定机器人的第一预测范围。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:重定位区域的中心设有标志性物体,标志性物体具有多条外凸和/或多条内凹的直线轮廓;第二点云数据为标志性物体的点云数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若第一预测位置在重定位区域外,则基于机器人的第一预测位置,确定机器人的第二预测范围;从点云地图中获取机器人在第二预测范围内各个位置的第三点云数据;将与第一点云数据的匹配度最高的第三点云数据对应的位置确定为机器人的位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于相邻两次获取的第一点云数据,确定机器人的移动轨迹,并对点云地图进行更新。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在对点云地图进行更新的过程中,确定第一点云数据是否包含标志性物体的点云数据,标志性物体位于重定位区域的中心且具有多条外凸和/或多条内凹的直线轮廓;若第一点云数据包含标志性物体的点云数据,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离;基于两个第一通信装置与第二通信装置之间的距离,确定第二通信装置的位置并标注在点云地图上。
上述存储介质,一方面通过二维激光雷达获取机器人周围的第一点云数据,点云数据的数据量较少,实现成本低,另一方面通过编码器获取机器人的移动轨迹,确定机器人的第一预测位置,以确定机器人当前是否位于重定位区域内。重定位区域的中心设有第二通信装置,可以在机器人位于重定位区域内时,与间隔设置在机器人上的两个第一通信装置采用双向飞行时间法测量距离。因此,若第一预测位置在重定位区域内,则采用双向飞行时间法确定两个第一通信装置与第二通信装置之间的距离,并基于两个第一通信装置与第二通信装置之间的距离、以及第二通信装置的位置,确定机器人的第一预测范围。然后从点云地图中获取机器人在第一预测范围内各个位置的第二点云数据,即可利用第一点云数据,确定匹配度最高的第二点云数据,并将确定的第二点云数据对应的位置作为机器人的准确位置,以对之前确定的第一预测位置进行纠正,消除环境干扰造成的偏差,保证定位精度。综上,本申请能够准确且经济地实现室内自主移动机器人复合导航。
本领域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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
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,未对上述实施例中的各个技术特征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。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对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。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种室内自主移动机器人复合导航方法,其特征在于,所述方法包括:
通过二维激光雷达获取机器人周围的第一点云数据;
通过编码器获取所述机器人的移动轨迹,确定所述机器人的第一预测位置;
若所述第一预测位置在重定位区域内,则采用双向飞行时间法确定间隔设置在所述机器人上的两个第一通信装置与位于所述重定位区域的中心的第二通信装置之间的距离;
基于两个所述第一通信装置与所述第二通信装置之间的距离、以及所述第二通信装置的位置,确定所述机器人的第一预测范围;
从点云地图中获取所述机器人在所述第一预测范围内各个位置的第二点云数据;
将与所述第一点云数据的匹配度最高的第二点云数据对应的位置确定为所述机器人的位置。
2.根据权利要求1所述的方法,其特征在于,所述采用双向飞行时间法确定间隔设置在所述机器人上的两个第一通信装置与位于所述重定位区域的中心的第二通信装置之间的距离,包括:
控制每个第一通信装置向第二通信装置发送测距请求,并接收所述第二通信装置基于所述测距请求反馈的测距信息,所述测距信息包括所述第二通信装置接收到所述测距请求的时间和发送所述测距信息的时间;
基于所述第二通信装置接收到所述测距请求的时间和发送所述测距信息的时间、以及所述第一通信装置发送所述测距请求的时间和接收到所述测距信息的时间,确定所述第一通信装置与所述第二通信装置之间的距离。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第二通信装置接收到所述测距请求的时间和发送所述测距信息的时间、以及所述第一通信装置发送所述测距请求的时间和接收到所述测距信息的时间,确定所述第一通信装置与所述第二通信装置之间的距离,包括:
采用如下公式确定所述第一通信装置与所述第二通信装置之间的距离S:
S=C*[(Ta2-Ta1)-(Tb2-Tb1)]/2;
其中,C为光速,Ta2为所述第一通信装置接收到所述测距信息的时间,Ta1为所述第一通信装置发送所述测距请求的时间,Tb2为所述第二通信装置发送所述测距信息的时间,Tb1为所述第二通信装置接收到所述测距请求的时间。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述基于两个所述第一通信装置与所述第二通信装置之间的距离、以及所述第二通信装置的位置,确定所述机器人的第一预测范围,包括:
基于两个所述第一通信装置与所述第二通信装置之间的距离、以及两个所述第一通信装置之间的距离,确定所述第二通信装置相对于至少一个所述第一通信装置的方位;
基于所述第二通信装置相对于至少一个所述第一通信装置的方位、以及所述第二通信装置的位置,确定所述机器人的第一预测范围。
5.根据权利要求4所述的方法,其特征在于,所述基于两个所述第一通信装置与所述第二通信装置之间的距离、以及两个所述第一通信装置之间的距离,确定所述第二通信装置相对于至少一个所述第一通信装置的方位,包括:
采用如下公式确定一个所述第一通信装置与另一个所述第一通信装置的连线、以及与所述第二通信装置的连线之间的夹角θ:
θ=arccos[(A2+B2-C2)/(2*A*B)];
其中,A为两个所述第一通信装置之间的距离,B为一个所述第一通信装置与所述第二通信装置的之间的距离,C为另一个所述第一通信装置与所述第二通信装置的之间的距离。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述重定位区域的中心设有标志性物体,所述标志性物体具有多条外凸和/或多条内凹的直线轮廓;
所述第二点云数据为所述标志性物体的点云数据。
7.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
若所述第一预测位置在重定位区域外,则基于所述机器人的第一预测位置,确定所述机器人的第二预测范围;
从点云地图中获取所述机器人在所述第二预测范围内各个位置的第三点云数据;
将与所述第一点云数据的匹配度最高的第三点云数据对应的位置确定为所述机器人的位置。
8.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
基于相邻两次获取的第一点云数据,确定所述机器人的移动轨迹,并对点云地图进行更新。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
在对所述点云地图进行更新的过程中,确定所述第一点云数据是否包含标志性物体的点云数据,所述标志性物体位于所述重定位区域的中心且具有多条外凸和/或多条内凹的直线轮廓;
若所述第一点云数据包含所述标志性物体的点云数据,则采用双向飞行时间法确定两个所述第一通信装置与所述第二通信装置之间的距离;
基于两个所述第一通信装置与所述第二通信装置之间的距离,确定所述第二通信装置的位置并标注在所述点云地图上。
10.一种室内自主移动机器人复合导航装置,其特征在于,所述装置包括:
点云扫描模块,用于通过二维激光雷达获取机器人周围的第一点云数据;
轨迹确定模块,用于通过编码器获取所述机器人的移动轨迹,确定所述机器人的第一预测位置;
距离确定模块,用于当所述第一预测位置在重定位区域内时,采用双向飞行时间法确定间隔设置在所述机器人上的两个第一通信装置与位于所述重定位区域的中心的第二通信装置之间的距离;
范围确定模块,用于基于两个所述第一通信装置与所述第二通信装置之间的距离、以及所述第二通信装置的位置,确定所述机器人的第一预测范围;
数据获取模块,用于从点云地图中获取所述机器人在所述第一预测范围内各个位置的第二点云数据;
位置确定模块,用于将与所述第一点云数据的匹配度最高的第二点云数据对应的位置确定为所述机器人的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762227.XA CN113359769B (zh) | 2021-07-06 | 2021-07-06 | 室内自主移动机器人复合导航方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762227.XA CN113359769B (zh) | 2021-07-06 | 2021-07-06 | 室内自主移动机器人复合导航方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359769A true CN113359769A (zh) | 2021-09-07 |
CN113359769B CN113359769B (zh) | 2022-08-09 |
Family
ID=77538381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110762227.XA Active CN113359769B (zh) | 2021-07-06 | 2021-07-06 | 室内自主移动机器人复合导航方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359769B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867402A (zh) * | 2021-10-29 | 2021-12-31 | 仲恺农业工程学院 | 一种基于基准面的农田无人机避障作业方法和装置 |
CN114295134A (zh) * | 2021-12-14 | 2022-04-08 | 珠海一微半导体股份有限公司 | 一种机器人重定位方法、芯片及机器人 |
CN114740514A (zh) * | 2022-06-09 | 2022-07-12 | 武汉地铁集团有限公司 | 地铁站巡查人员定位的方法、系统、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092104A (zh) * | 2016-08-26 | 2016-11-09 | 深圳微服机器人科技有限公司 | 一种室内机器人的重定位方法及装置 |
CN110147095A (zh) * | 2019-03-15 | 2019-08-20 | 广东工业大学 | 基于路标信息与多传感器数据融合的机器人重定位方法 |
CN110307838A (zh) * | 2019-08-26 | 2019-10-08 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、计算机可读存储介质及机器人 |
US20200023517A1 (en) * | 2018-07-19 | 2020-01-23 | Ecovacs Robotics Co., Ltd. | Robot control method, robot and storage medium |
CN111061276A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 基于动态区域划分的移动机器人重定位方法 |
CN111158364A (zh) * | 2019-12-30 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置及终端设备 |
US20210141382A1 (en) * | 2016-02-15 | 2021-05-13 | RobArt GmbH | Method For Controlling An Autonomous Mobile Robot |
-
2021
- 2021-07-06 CN CN202110762227.XA patent/CN113359769B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210141382A1 (en) * | 2016-02-15 | 2021-05-13 | RobArt GmbH | Method For Controlling An Autonomous Mobile Robot |
CN106092104A (zh) * | 2016-08-26 | 2016-11-09 | 深圳微服机器人科技有限公司 | 一种室内机器人的重定位方法及装置 |
US20200023517A1 (en) * | 2018-07-19 | 2020-01-23 | Ecovacs Robotics Co., Ltd. | Robot control method, robot and storage medium |
CN110147095A (zh) * | 2019-03-15 | 2019-08-20 | 广东工业大学 | 基于路标信息与多传感器数据融合的机器人重定位方法 |
CN110307838A (zh) * | 2019-08-26 | 2019-10-08 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、计算机可读存储介质及机器人 |
CN111158364A (zh) * | 2019-12-30 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置及终端设备 |
CN111061276A (zh) * | 2019-12-31 | 2020-04-24 | 芜湖哈特机器人产业技术研究院有限公司 | 基于动态区域划分的移动机器人重定位方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867402A (zh) * | 2021-10-29 | 2021-12-31 | 仲恺农业工程学院 | 一种基于基准面的农田无人机避障作业方法和装置 |
CN113867402B (zh) * | 2021-10-29 | 2022-12-20 | 仲恺农业工程学院 | 一种基于基准面的农田无人机避障作业方法和装置 |
CN114295134A (zh) * | 2021-12-14 | 2022-04-08 | 珠海一微半导体股份有限公司 | 一种机器人重定位方法、芯片及机器人 |
CN114295134B (zh) * | 2021-12-14 | 2023-10-27 | 珠海一微半导体股份有限公司 | 一种机器人重定位方法、芯片及机器人 |
CN114740514A (zh) * | 2022-06-09 | 2022-07-12 | 武汉地铁集团有限公司 | 地铁站巡查人员定位的方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113359769B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359769B (zh) | 室内自主移动机器人复合导航方法及装置 | |
Dobrev et al. | Steady delivery: Wireless local positioning systems for tracking and autonomous navigation of transport vehicles and mobile robots | |
US20140247116A1 (en) | Robotic inventory systems | |
JP6825712B2 (ja) | 移動体、位置推定装置、およびコンピュータプログラム | |
CN106774295B (zh) | 一种分布式引导机器人自主充电系统 | |
US11372423B2 (en) | Robot localization with co-located markers | |
KR20190041464A (ko) | 자율 차량용 물체 감지 및 회피 시스템 | |
US10852740B2 (en) | Determining the orientation of flat reflectors during robot mapping | |
CN103472434B (zh) | 一种机器人声音定位方法 | |
CN113607166B (zh) | 基于多传感融合的自主移动机器人室内外定位方法及装置 | |
CN102436260A (zh) | 一种室内自主定位与定向的二维导航系统 | |
KR101155500B1 (ko) | 복수 개의 이동체를 제어하는 장치 및 방법 | |
CN113587930B (zh) | 基于多传感融合的自主移动机器人室内外导航方法及装置 | |
CN114610032A (zh) | 目标对象跟随方法、装置、电子设备和可读存储介质 | |
Fusic et al. | A review of perception-based navigation system for autonomous mobile robots | |
Cho et al. | Localization of a high-speed mobile robot using global features | |
Noaman et al. | Landmarks exploration algorithm for mobile robot indoor localization using VISION sensor | |
CN113711153B (zh) | 地图制作系统、信号处理电路、移动体和地图制作方法 | |
CN109883419B (zh) | 机器人导航方法及系统 | |
Kirsch et al. | Position tracking using sensor fusion of a wireless network and a laser range finder | |
CN107037400A (zh) | 一种应用天线阵列的高精度agv定位方法 | |
TWI635305B (zh) | Radio frequency identification tag positioning and guiding method and system | |
CN221698864U (zh) | 一种基于融合导航的全向移动机器人基座装置 | |
Kim et al. | RFID based collision-free robot docking in cluttered environment | |
Eckert et al. | Self-localization capable mobile sensor nodes |
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 |