CN113733083A - 一种定位方法、装置及机器人 - Google Patents
一种定位方法、装置及机器人 Download PDFInfo
- Publication number
- CN113733083A CN113733083A CN202110975154.2A CN202110975154A CN113733083A CN 113733083 A CN113733083 A CN 113733083A CN 202110975154 A CN202110975154 A CN 202110975154A CN 113733083 A CN113733083 A CN 113733083A
- Authority
- CN
- China
- Prior art keywords
- target
- predicted
- particle
- determining
- target position
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例公开了一种定位方法、装置及机器人,所述方法在基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置后,获取所述目标的上一时刻目标位置,响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置,通过所述方法可以在检测出定位丢失问题时,及时更正错误的定位信息,以提高定位的准确性和可靠性。
Description
技术领域
本发明涉及定位技术领域,具体涉及一种定位方法、装置及机器人。
背景技术
机器人定位算法的准确性和可靠性是机器人实现无人配送的关键,现有的定位算法一般是基于粒子滤波方法的自适应蒙特卡洛定位算法,现有算法在高噪声场景中容易出现定位丢失问题,从而导致机器人任务失败乃至出现安全隐患。
发明内容
有鉴于此,本发明实施例提供了一种定位方法、装置及机器人,以提高定位的准确性和可靠性。
第一方面,本发明实施例提供一种定位方法,所述方法包括:
基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置;
获取所述目标的上一时刻目标位置;
响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
进一步地,所述自适应定位算法为自适应蒙特卡洛定位算法。
进一步地,所述基于以自适应蒙特卡洛定位算法具有更高置信度的方式确定目标的预测目标位置包括:
以第一方式确定所述目标的第一预测目标位置;
以第二方式确定所述目标的第二预测目标位置;
根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置;
其中,所述第一方式为基于自适应蒙特卡洛定位算法的定位方式,所述第二方式为基于里程计数据的定位方式。
进一步地,所述根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置包括:
以所述第一预测目标位置具有更高置信度的方式确定所述目标的预测目标位置。
进一步地,所述以第一方式确定所述目标的第一预测目标位置包括:
初始化粒子,并以迭代的方式执行如下步骤,直到确定所述第一预测目标位置:
基于与所述目标对应的状态转移方程,确定各粒子的预测粒子位置;
根据所述各粒子的预测粒子位置,分别确定各粒子的权重;
根据所述各粒子的权重,重新生成粒子。
进一步地,所述初始化粒子包括:
在目标地图上以均匀分布的方式生成预定数量的粒子,所述目标地图为所述目标当前所处地点的二维地图。
进一步地,所述根据所述各粒子的预测粒子位置,分别确定各粒子的权重包括:
获取所述目标周围的第一障碍信息;
确定所述各粒子在对应预测粒子位置的第二障碍信息;
根据所述第一障碍信息和所述多个第二障碍信息,确定所述各粒子的权重。
进一步地,所述根据所述第一障碍信息和所述多个第二障碍信息,确定所述各粒子的权重包括:
将所述第一障碍信息和各所述第二障碍信息进行匹配,根据匹配程度确定对应粒子的权重。
进一步地,所述根据所述各粒子的权重,重新生成粒子包括:
根据所述各粒子的权重,确定所述各粒子的生成概率;
根据所述各粒子的生成概率,重新生成粒子。
进一步地,所述方法还包括:
响应于所述预测目标位置和所述上一时刻目标位置间的距离差小于或等于所述跳变阈值,将所述预测目标位置确定为所述目标的当前时刻目标位置。
进一步地,所述基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置包括:
以所述第二预测目标位置具有更高置信度的方式确定所述目标的当前时刻目标位置。
第二方面,本发明实施例提供一种定位装置,所述装置包括:
第一确定单元,用于基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置;
获取单元,用于获取所述目标的上一时刻目标位置;
第二确定单元,用于响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
第四方面,本发明实施例提供一种机器人,所述机器人包括:
移动装置,用于使所述机器人具备移动功能;
障碍检测装置,用于检测所述机器人周围的障碍信息;以及
控制装置,所述控制装置包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面中任一项所述的方法。
本发明实施例的方法在基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置后,获取所述目标的上一时刻目标位置,响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置,通过所述方法可以在检测出定位丢失问题时,及时更正错误的定位信息,以提高定位的准确性和可靠性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1为本发明实施例的定位方法的流程图;
图2为本发明实施例的确定目标的预测目标位置的流程图;
图3为本发明实施例的自适应蒙特卡洛定位算法的流程图;
图4为本发明实施例的确定各粒子权重的流程图;
图5为本发明实施例的重新生成粒子的流程图;
图6为本发明实施例的应用示意图;
图7为本发明实施例的应用示意图;
图8为本发明实施例的定位装置的示意图;
图9为本发明实施例的机器人组成示意图;
图10是本发明实施例的控制装置的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在本申请的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
机器人定位算法的准确性和可靠性是实现机器人无人配送的关键,因定位问题而导致的故障占目前机器人故障的半数以上。
现有的室内配送机器人的经典定位算法一般是基于粒子滤波方法的自适应蒙特卡洛定位算法,这个方法是在已知地图中使用大量粒子对机器人的运动状态进行模拟,然后计算每个粒子所处位置的传感器信息,并分别与机器人获取到的传感器信息作对比,根据对比结果确定各粒子的权重,再根据所确定的权重重新生成粒子,重复上述步骤,最终可以获得用于表征机器人当前位置的粒子簇。
通常情况下,自适应蒙特卡洛定位算法所计算得到的位置即为机器人当前所处的位置,但在某些复杂场景中,例如电梯内,自适应蒙特卡洛定位算法容易出现点位丢失问题。
因为自适应蒙特卡洛定位算法中所获取的传感器信息一般为使用激光传感器对周围环境进行检测所得到的障碍物数据,而在电梯内部通常会采用一些镜面的装饰板材,激光传感器对于这一类材质的感知有天生的缺陷。其次,当电梯内站了很多人的时候,激光传感器能够检测到的障碍物数据会更加糟糕,这些数据作为自适应蒙特卡洛定位算法的输入数据会导致计算结果出现偏差,使机器人丢失当前点位,且在点位丢失后不能及时感知丢失,此时如果机器人按照错误的位姿继续做运动规划,不仅会导致任务失败,还会出现安全隐患。
对此,本发明实施例提供了一种定位方法、装置及机器人,通过所述方法可以在检测出定位丢失问题时,及时更正错误的定位信息,以提高定位的准确性和可靠性。
图1为本发明实施例的定位方法的流程图,如图1所示,所述定位方法包括如下步骤:
步骤S100、基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置。
其中,所述自适应定位算法为自适应蒙特卡洛定位算法。所述自适应蒙特卡洛定位算法(Adaptive Monte Carlo Localization,AMCL)是一种关于机器人在二维空间移动的概率定位系统,其可以通过粒子滤波跟踪机器人在已知地图上的位姿,所述目标为应用本实施例定位方法的目标机器人,所述目标机器人为具备移动功能的机器人,其移动方式可以为采用机械运动方式,例如车轮或履带的机器人,也可以为采用仿生运动方式,例如双足移动、四肢移动、腹足移动或跳跃移动的机器人。
具体地,在通常情况下,通过自适应蒙特卡洛定位算法计算得到的机器人位置信息一般是准确的,因此,可以基于以自适应蒙特卡洛定位算法具有更高置信度的方式来确定目标机器人的预测目标位置。
可选地,图2为本发明实施例的确定目标的预测目标位置的流程图,可以通过如图2所示流程基于以自适应蒙特卡洛定位算法具有更高置信度的方式来确定目标的预测目标位置,具体包括如下步骤:
步骤S110、以第一方式确定所述目标的第一预测目标位置。
其中,所述第一方式为基于自适应蒙特卡洛定位算法的定位方式,所述第一预测目标位置为基于自适应蒙特卡洛定位算法计算得到的目标机器人的位置信息,所述第一预测目标位置在通常情况下可以用于表征机器人当前所处的位置。
可选地,图3为本发明实施例的自适应蒙特卡洛定位算法的流程图。可以通过如图3所示流程确定目标的第一预测目标位置,具体包括如下步骤:
步骤S111、初始化粒子。
可选地,初始化粒子的方法可以是在目标地图上以均匀分布的方式生成预定数量的粒子。
其中,所述目标地图为所述目标机器人当前所处地点,例如办公楼的二维地图。应当理解,所述二维地图记录有该地点室内的布局情况和物体摆放情况。应当理解,所生成的粒子的覆盖范围应足以覆盖整个二维地图,以保证测量结果的准确度。所述预设数量的具体数值可以由计算机经过预先模拟训练得到,也可以由使用者根据实际情况进行设置。
具体地,在机器人当前所处地点的二维地图上,以均匀分布的方式生成预定数量的粒子。
步骤S112、基于与所述目标对应的状态转移方程,确定各粒子的预测粒子位置。
其中,所述状态转移方程为与目标机器人对应的,用于确定目标机器人运动轨迹的方程,所述状态转移方程的输入参数可以为目标机器人在运动过程中产生的运动参数,例如运动加速度或运动距离等,所述运动参数可以通过相应的传感器获取,例如:可以通过加速度传感器获取目标机器人的运动加速度。
应当理解的,对于不同种类的目标机器人,所适应的状态转移方程和所需要输入的运动参数可能不同,在实际应用过程中需要根据实际情况进行选择,例如:轮式运动机器人的运动参数可以为机器人的运动加速度和各车轮的滚动距离,履带式机器人的运动参数可以为机器人的运动加速度和履带的行进距离。
其中,所述各粒子的预测粒子位置为粒子模拟机器人运动状态进行运动后所处的位置。
具体地,基于与目标机器人对应的状态转移方程,根据机器人的运动参数和各粒子所处的位置,模拟各粒子按照目标机器人运动状态进行运动后的运动轨迹,从而确定各粒子的预测粒子位置。
图6为本发明实施例的应用示意图,图6的应用场景为办公楼的某一楼层。在与该楼层对应的二维地图中粒子初始化,并基于与对应的状态转移方程,可以确定各粒子的预测粒子位置。如图6所示,其中,类似于62的均为预测粒子,64为机器人所处位置,61为室内障碍物,例如花盆或书柜等,63为该楼层内的门。应当理解,在实际应用过程中,机器人所处位置64在此时是未知的,此处显示仅仅是为了方便理解。同样的,图6中所给出的粒子数量和位置也是为了方便理解,在实际应用过程中,预测粒子的数量应远大于此,而且预测粒子的位置也并不局限于此。
可选地,在一些情况下,步骤S112是可以省略的,也即,可以在初始化粒子后直接根据各粒子所处的位置确定各粒子的权重。
步骤S113、根据所述各粒子的预测粒子位置,分别确定各粒子的权重。
具体地,在确定各粒子的预测粒子位置后,根据各粒子的预测粒子位置,分别确定各粒子权重。其中,粒子权重越高表示目标机器人位于与该粒子对应的预测粒子位置的可能性越高。
可选地,图4为本发明实施例的确定各粒子权重的流程图,可以通过如图4所示流程确定各粒子的权重,具体包括如下步骤:
步骤S1131、获取所述目标周围的第一障碍信息。
其中,所述第一障碍信息为目标机器人周围环境中的障碍物数据。
可选地,所述障碍物数据具体可以为目标机器人距离周围环境中的各障碍的距离信息。
可选地,可以通过激光测距传感器来获取目标机器人周围的第一障碍信息。具体地,由激光测距传感器中的激光发射二极管依次向各方向发射激光脉冲,如果发射方向存在障碍,激光脉冲会被障碍反射,部分被反射的激光脉冲会被激光测距传感器中的光电探测器接收。通过记录激光脉冲从发出到返回被接收所经历的时间与光速进行乘积,即可测定机器人距离周围障碍的距离信息。
如图6所示,目标机器人在位置64处,可以通过激光传感器得到的障碍物数据可以为距离门63,周围墙以及障碍物61的距离信息。
步骤S1132、确定所述各粒子在对应预测粒子位置的第二障碍信息。
其中,所述第二障碍信息为各粒子在对应预测粒子位置周围环境中的障碍物数据。
可选地,所述障碍物数据可以为各粒子在对应预测粒子位置距离周围环境中的各障碍的距离信息。
可选地,可以通过目标地图确定各粒子在对应预测粒子位置的第二障碍信息。
如图6所示,可以分别获取各预测粒子位置周围的障碍物数据。
步骤S1133、根据所述第一障碍信息和所述多个第二障碍信息,确定所述各粒子的权重。
具体地,在确定目标机器人周围的第一障碍信息和各粒子在对应预测粒子位置的第二障碍信息后,可以根据第一障碍信息和多个第二障碍信息,确定各粒子的权重。
可选地,可以将所述第一障碍信息和各所述第二障碍信息进行匹配,根据匹配程度确定对应粒子的权重。
具体地,将第一障碍信息分别与各第二障碍信息进行匹配,根据匹配程度确定对应粒子的权重。其中,所述匹配程度越高则表示目标机器人的周围环境与预测粒子位置的周围环境相似程度越高,所述匹配程度越低则表示目标机器人的周围环境与预测粒子位置的周围环境相似程度越低。
步骤S114、根据所述各粒子的权重,重新生成粒子。
具体地,在确定各粒子的权重后,根据各粒子的权重重新生成粒子。
可选地,图5为本发明实施例的重新生成粒子的流程图,可以通过如图5所示流程重新生成粒子,具体包括如下步骤:
步骤S1141、根据所述各粒子的权重,确定所述各粒子的生成概率。
具体地,根据各粒子的权重,确定各粒子的生成概率。其中,权重与生成概率之间的关系为正比关系,也即,所述粒子的权重越高,其生成概率越大,所述粒子的权重越低,其生成概率越小。
应当理解的,所述权重与所述生成概率之间的对应关系应保持一定的平衡,其具体的对应关系可以是通过计算机不断模拟得到的经验曲线,以保证后续生成粒子时,既保留大量权重大的粒子,又要保留小部分权重小的粒子,防止产生过拟合。
步骤S1142、根据所述各粒子的生成概率,重新生成粒子。
具体地,在确定各粒子的生成概率后,根据所确定的生成概率重新生成预定数量的粒子。应当理解,在此步骤中,粒子是否生成完全取决于粒子的生成概率,其不会因为当前位置已经生成粒子而改变。
可选的,在重新生成粒子后,可以根据生成粒子在目标地图中所占据的区域大小来调整预设数量。具体地,当生成粒子在目标地图所占据的区域越小时,说明粒子已经开始集中。此时可以相应减少预设数量,以加快计算速度。
步骤S115、判断能否确定所述第一预测目标位置。
具体地,若能确定第一预测目标位置,则结束算法,否则重复执行步骤S112-S115,直至能够确定出所述第一预测目标位置。
进一步地,在重复步骤S112-S115的过程中,目标地图中的粒子会逐渐聚集,从而形成相应的粒子簇。
可选的,可以通过统计目标地图上各粒子簇的粒子权重来确定第一预测目标位置。
具体地,当目标地图中某一位置的粒子权重总和大于或等于预设权重阈值时,可以将该位置确定为第一预测目标位置。应当理解,所述预设权重阈值的具体数值可以是通过计算机训练得到,也可以是人为设置。
图7为本发明实施例的应用示意图,为在图6的基础上重复执行步骤S112-S115得到,如图7所示,预测粒子位置在经过多次生成后,已经形成了粒子簇71,此时,若判定粒子簇71处的粒子总权重大于预设权重阈值时,将粒子簇71所处位置确定为第一预测目标位置。
步骤S120、以第二方式确定所述目标的第二预测目标位置。
其中,所述第二方式为基于里程计数据的定位方式。
具体地,在确定出第一预测目标位置后,还可以通过第二方式计算第二预测目标位置,以用于对第一预测目标位置进行适当修正。
可选的,所述里程计数据可以是计步里程计数据,也可以是惯性里程计数据,所述第二预测目标位置为根据所述里程计数据所推算出来的目标机器人在经过移动后当前所处的位置。
步骤S130、根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置。
具体地,在确定第一预测目标位置和第二预测目标位置后,根据所述第一预测目标位置和第二预测目标位置共同确定目标机器人的预测目标位置,以保证预测目标位置的准确性。
可选地,可以以所述第一预测目标位置具有更高置信度的方式确定所述目标的预测目标位置。
其中,所述第一预测目标位置为通过自适应蒙特卡洛定位算法计算得到的位置,在一般情况下通常可以信任自适应蒙特卡洛定位算法。
具体地,分别为第一预测目标位置和第二预测目标位置设置相应的权重,以综合计算出目标机器人的预测目标位置。其中,第一预测目标位置相对于第二预测目标位置应具有更高的权重。例如,所述第一预测目标位置的权重可以为90%,所述第二预测目标位置的权重可以为10%。
可选地,在一些情况下,可以将第一预测目标位置的权重设为100%,将第二预测目标位置的权重设为0%,也即,可以直接将第一预测目标位置确定为目标机器人的当前时刻目标位置,也可以理解为完全信任自适应蒙特卡洛定位算法。
步骤S200、获取所述目标的上一时刻目标位置。
具体地,在确定出目标机器人的预测目标位置后,获取目标机器人的上一时刻目标位置,其中,所述上一时刻目标位置为目标机器人在上一时刻所处的位置。
步骤S300、响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
其中,所述跳变阈值可以是人为设置的,用于检测机器人是否丢失定位。
具体地,在非人为搬运机器人的情况下,所确定的目标机器人的预测目标位置相较于目标机器人的上一刻目标位置的距离不应相差过远。若检测出目标机器人的预测目标位置与上一时刻目标位置之间的距离差大于跳变阈值,则可以判断出机器人丢失了定位,进而可以判断出目标机器人可能进入了某些高噪声的场景中。在该高噪声场景中,自适应蒙特卡洛定位算法输入参数中的障碍数据会受到极大影响,但里程计数据并不会收到其影响。此时,可以基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
可选地,可以以所述第二预测目标位置具有更高置信度的方式确定所述目标的当前时刻目标位置。
具体地,为第二预测目标位置设置高一些的权重,例如90%,为第一预测目标位置设置相对低一些的权重,例如10%,以重新确定目标机器人的当前时刻目标位置。其中,所述当前时刻目标位置可以表征目标机器人当前所处的位置。
可选地,在一些情况下,可以将第二预测目标位置的权重设为100%,将第一预测目标位置的权重设为0%,也即,可以直接将第二预测目标位置确定为目标机器人的当前时刻目标位置,也可以理解为完全信任里程计数据。
可选的,本实施例还包括步骤S400,所述步骤S400用于确定未检测到目标机器人发生突变时的当前时刻目标位置。
步骤S400、响应于所述预测目标位置和所述上一时刻目标位置间的距离差小于或等于所述跳变阈值,将所述预测目标位置确定为所述目标的当前时刻目标位置。
具体地,若目标机器人的预测目标位置和上一时刻目标位置间的距离差小于或等于跳变阈值,则表明机器人的位置未丢失定位。此时依然可以信任自适应蒙特卡洛定位算法。也即,将基于以自适应蒙特卡洛定位算法具有更高置信度的方式所确定预测目标位置确定为目标机器人的当前时刻目标位置。
本发明实施例的方法在基于以自适应蒙特卡洛定位算法具有更高置信度的方式确定目标的预测目标位置后,获取所述目标的上一时刻目标位置,响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置,通过所述方法可以在检测出定位丢失问题时,及时更正错误的定位信息,以提高定位的准确性和可靠性。
图8为本发明实施例的定位装置的示意图。如图8所示,本发明实施例的定位装置包括第一确定单元81、获取单元82和第二确定单元83。
具体地,第一确定单元81用于基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置;
获取单元82用于获取所述目标的上一时刻目标位置;
第二确定单元83用于响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
在一些实施例中,所述自适应定位算法为自适应蒙特卡洛定位算法。
在一些实施例中,所述第一确定单元包括:
第一方式确定单元,用于以第一方式确定所述目标的第一预测目标位置;
第二方式确定单元,用于以第二方式确定所述目标的第二预测目标位置;
预测目标位置确定单元,用于根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置;
其中,所述第一方式为基于自适应蒙特卡洛定位算法的定位方式,所述第二方式为基于里程计数据的定位方式。
在一些实施例中,所述预测目标位置确定单元具体用于:
以所述第一预测目标位置具有更高置信度的方式确定所述目标的预测目标位置。
在一些实施例中,所述第一方式确定单元包括:
初始化单元,用于初始化粒子;
迭代单元,用于以迭代的方式执行如下步骤,直到确定所述第一预测目标位置:
粒子位置预测单元,用于基于与所述目标对应的状态转移方程,确定各粒子的预测粒子位置;
权重确定单元,用于根据所述各粒子的预测粒子位置,分别确定各粒子的权重;
生成单元,用于根据所述各粒子的权重,重新生成粒子。
在一些实施例中,所述初始化单元具体用于:
在目标地图上以均匀分布的方式生成预定数量的粒子,所述目标地图为所述目标当前所处地点的二维地图。
在一些实施例中,所述权重确定单元包括:
第一障碍信息获取单元,用于获取所述目标周围的第一障碍信息;
第二障碍信息获取单元,用于确定所述各粒子在对应预测粒子位置的第二障碍信息;
权重确定子单元,用于根据所述第一障碍信息和所述多个第二障碍信息,确定所述各粒子的权重。
在一些实施例中,所述根据所述权重确定子单元具体用于:
将所述第一障碍信息和各所述第二障碍信息进行匹配,根据匹配程度确定对应粒子的权重。
在一些实施例中,所述生成单元包括:
生成概率确定单元,用于根据所述各粒子的权重,确定所述各粒子的生成概率;
生成子单元,用于根据所述各粒子的生成概率,重新生成粒子。
在一些实施例中,所述定位装置还包括:
第三确定单元,用于响应于所述预测目标位置和所述上一时刻目标位置间的距离差小于或等于所述跳变阈值,将所述预测目标位置确定为所述目标的当前时刻目标位置。
在一些实施例中,所述第二确定单元具体用于:
以所述第二预测目标位置具有更高置信度的方式确定所述目标的当前时刻目标位置。
本发明实施例的定位装置在基于以自适应蒙特卡洛定位算法具有更高置信度的方式确定目标的预测目标位置后,获取所述目标的上一时刻目标位置,响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置,通过所述装置可以在检测出定位丢失问题时,及时更正错误的定位信息,以提高定位的准确性和可靠性。
图9为本发明实施例的机器人组成示意图,如图9所示,本发明实施例中的机器人包括移动装置91,障碍检测装置93以及控制装置92。
具体地,所述移动装置91用于使所述机器人具备移动功能;
所述障碍检测装置93用于检测所述机器人周围的障碍信息;
所述控制装置92包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如上述实施例中任一项所述的定位方法。
图10是本发明实施例的控制装置的示意图。在本实施例中,控制装置包括服务器、终端等。如图10所示,该控制装置:至少包括一个处理器101;以及,与至少一个处理器101通信连接的存储器102;以及,与扫描装置通信连接的通信组件103,通信组件103在处理器101的控制下接收和发送数据;其中,存储器102存储有可被至少一个处理器101执行的指令,指令被至少一个处理器101执行以实现上述定位方法。
具体地,该控制装置包括:一个或多个处理器101以及存储器102,图10中以一个处理器101为例。处理器101、存储器102可以通过总线或者其他方式连接,图10中以通过总线连接为例。存储器102作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器101通过运行存储在存储器102中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述定位方法。
存储器102可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器102可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器102可选包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器102中,当被一个或者多个处理器101执行时,执行上述任意方法实施例中的定位方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本发明的另一个实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开了A1,一种定位方法,所述方法包括:
基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置;
获取所述目标的上一时刻目标位置;
响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
A2、根据A1所述的方法,所述自适应定位算法为自适应蒙特卡洛定位算法。
A3、根据A2所述的方法,所述基于以自适应蒙特卡洛定位算法具有更高置信度的方式确定目标的预测目标位置包括:
以第一方式确定所述目标的第一预测目标位置;
以第二方式确定所述目标的第二预测目标位置;
根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置;
其中,所述第一方式为基于自适应蒙特卡洛定位算法的定位方式,所述第二方式为基于里程计数据的定位方式。
A4、根据A3所述的方法,所述根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置包括:
以所述第一预测目标位置具有更高置信度的方式确定所述目标的预测目标位置。
A5、根据A3所述的方法,所述以第一方式确定所述目标的第一预测目标位置包括:
初始化粒子,并以迭代的方式执行如下步骤,直到确定所述第一预测目标位置:
基于与所述目标对应的状态转移方程,确定各粒子的预测粒子位置;
根据所述各粒子的预测粒子位置,分别确定各粒子的权重;
根据所述各粒子的权重,重新生成粒子。
A6、根据A5所述的方法,所述初始化粒子包括:
在目标地图上以均匀分布的方式生成预定数量的粒子,所述目标地图为所述目标当前所处地点的二维地图。
A7、根据A6所述的方法,所述根据所述各粒子的预测粒子位置,分别确定各粒子的权重包括:
获取所述目标周围的第一障碍信息;
确定所述各粒子在对应预测粒子位置的第二障碍信息;
根据所述第一障碍信息和所述多个第二障碍信息,确定所述各粒子的权重。
A8、根据A7所述的方法,所述根据所述第一障碍信息和所述多个第二障碍信息,确定所述各粒子的权重包括:
将所述第一障碍信息和各所述第二障碍信息进行匹配,根据匹配程度确定对应粒子的权重。
A9、根据A7所述的方法,所述各粒子的权重,重新生成粒子包括:
根据所述各粒子的权重,确定所述各粒子的生成概率;
根据所述各粒子的生成概率,重新生成粒子。
A10、根据A1所述的方法,所述方法还包括:
响应于所述预测目标位置和所述上一时刻目标位置间的距离差小于或等于所述跳变阈值,将所述预测目标位置确定为所述目标的当前时刻目标位置。
A11、根据A4所述的方法,所述基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置包括:
以所述第二预测目标位置具有更高置信度的方式确定所述目标的当前时刻目标位置。
本发明实施例公开了B1,一种定位装置,所述装置包括:
第一确定单元,用于基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置;
获取单元,用于获取所述目标的上一时刻目标位置;
第二确定单元,用于响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
本发明实施例公开了C1,一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如A1-11中任一项所述的方法。
本发明实施例公开了D1,一种机器人,所述机器人包括:
移动装置,用于使所述机器人具备移动功能;
障碍检测装置,用于检测所述机器人周围的障碍信息;以及
控制装置,所述控制装置包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如A1-11中任一项所述的方法。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种定位方法,其特征在于,所述方法包括:
基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置;
获取所述目标的上一时刻目标位置;
响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
2.根据权利要求1所述的方法,其特征在于,所述自适应定位算法为自适应蒙特卡洛定位算法。
3.根据权利要求2所述的方法,其特征在于,所述基于以自适应蒙特卡洛定位算法具有更高置信度的方式确定目标的预测目标位置包括:
以第一方式确定所述目标的第一预测目标位置;
以第二方式确定所述目标的第二预测目标位置;
根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置;
其中,所述第一方式为基于自适应蒙特卡洛定位算法的定位方式,所述第二方式为基于里程计数据的定位方式。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一预测目标位置和所述第二预测目标位置,确定所述目标的预测目标位置包括:
以所述第一预测目标位置具有更高置信度的方式确定所述目标的预测目标位置。
5.根据权利要求3所述的方法,其特征在于,所述以第一方式确定所述目标的第一预测目标位置包括:
初始化粒子,并以迭代的方式执行如下步骤,直到确定所述第一预测目标位置:
基于与所述目标对应的状态转移方程,确定各粒子的预测粒子位置;
根据所述各粒子的预测粒子位置,分别确定各粒子的权重;
根据所述各粒子的权重,重新生成粒子。
6.根据权利要求5所述的方法,其特征在于,所述初始化粒子包括:
在目标地图上以均匀分布的方式生成预定数量的粒子,所述目标地图为所述目标当前所处地点的二维地图。
7.根据权利要求6所述的方法,其特征在于,所述根据所述各粒子的预测粒子位置,分别确定各粒子的权重包括:
获取所述目标周围的第一障碍信息;
确定所述各粒子在对应预测粒子位置的第二障碍信息;
根据所述第一障碍信息和所述多个第二障碍信息,确定所述各粒子的权重。
8.一种定位装置,其特征在于,所述装置包括:
第一确定单元,用于基于以自适应定位算法具有更高置信度的方式确定目标的预测目标位置;
获取单元,用于获取所述目标的上一时刻目标位置;
第二确定单元,用于响应于所述预测目标位置和所述上一时刻目标位置间的距离差大于跳变阈值,基于以里程计数据具有更高置信度的方式确定所述目标的当前时刻目标位置。
9.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种机器人,其特征在于,所述机器人包括:
移动装置,用于使所述机器人具备移动功能;
障碍检测装置,用于检测所述机器人周围的障碍信息;以及
控制装置,所述控制装置包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975154.2A CN113733083B (zh) | 2021-08-24 | 2021-08-24 | 一种定位方法、装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975154.2A CN113733083B (zh) | 2021-08-24 | 2021-08-24 | 一种定位方法、装置及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113733083A true CN113733083A (zh) | 2021-12-03 |
CN113733083B CN113733083B (zh) | 2022-11-18 |
Family
ID=78732520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975154.2A Active CN113733083B (zh) | 2021-08-24 | 2021-08-24 | 一种定位方法、装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113733083B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652871A (zh) * | 2016-02-19 | 2016-06-08 | 深圳杉川科技有限公司 | 移动机器人的重定位方法 |
CN109974704A (zh) * | 2019-03-01 | 2019-07-05 | 深圳市智能机器人研究院 | 一种全局定位与局部定位互校准的机器人及其控制方法 |
CN111637877A (zh) * | 2020-05-29 | 2020-09-08 | 拉扎斯网络科技(上海)有限公司 | 机器人定位方法、装置、电子设备和非易失性存储介质 |
-
2021
- 2021-08-24 CN CN202110975154.2A patent/CN113733083B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652871A (zh) * | 2016-02-19 | 2016-06-08 | 深圳杉川科技有限公司 | 移动机器人的重定位方法 |
CN109974704A (zh) * | 2019-03-01 | 2019-07-05 | 深圳市智能机器人研究院 | 一种全局定位与局部定位互校准的机器人及其控制方法 |
CN111637877A (zh) * | 2020-05-29 | 2020-09-08 | 拉扎斯网络科技(上海)有限公司 | 机器人定位方法、装置、电子设备和非易失性存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113733083B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siekmann et al. | Blind bipedal stair traversal via sim-to-real reinforcement learning | |
US20180157973A1 (en) | Method and device for a computerized mechanical device | |
CN109492763B (zh) | 一种基于强化学习网络训练的自动泊车方法 | |
O’Kelly et al. | Tunercar: A superoptimization toolchain for autonomous racing | |
KR102303432B1 (ko) | 장애물의 특성을 고려한 dqn 및 slam 기반의 맵리스 내비게이션 시스템 및 그 처리 방법 | |
US20200265248A1 (en) | Obstacle map generating method and apparatus | |
KR20190068955A (ko) | 무인 항공기의 비행 시뮬레이션 장치 및 이를 이용한 무인 항공기 비행 시뮬레이션 시스템 | |
CN112254727B (zh) | 基于teb的路径规划方法及装置 | |
EP4093520B1 (en) | Trajectory extrapolation and origin determination for objects tracked in flight | |
US20200401151A1 (en) | Device motion control | |
Liu et al. | Episodic memory-based robotic planning under uncertainty | |
KR20210048969A (ko) | 사용자 선호에 따른 강화학습 기반 자율주행 최적화 방법 및 시스템 | |
Khatiri et al. | Simulation-based test case generation for unmanned aerial vehicles in the neighborhood of real flights | |
Coelho et al. | Ekf and computer vision for mobile robot localization | |
CN113733083B (zh) | 一种定位方法、装置及机器人 | |
CN116036601B (zh) | 游戏处理方法、装置及计算机设备、存储介质 | |
CN117609093A (zh) | 一种自动驾驶场景下交通参与者动态切入行为的生成方法 | |
KR101799700B1 (ko) | 뉴로모픽 신경망 모델 기반 내비게이션 장치 및 그 방법 | |
CN114186662A (zh) | 训练机器动物的运动控制器的方法 | |
CN115542901B (zh) | 基于近端策略训练的可变形机器人避障方法 | |
Das | Robot localization in a mapped environment using Adaptive Monte Carlo algorithm | |
CN110794434A (zh) | 一种位姿的确定方法、装置、设备及存储介质 | |
JP7373448B2 (ja) | 自己位置推定方法および自己位置推定装置 | |
CN110216675B (zh) | 智能机器人的控制方法、装置、智能机器人及计算机设备 | |
Zimmerman | Neural network based obstacle avoidance using simulated sensor data |
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 |