CN113932799A - 激光地图更新方法、系统、电子设备、介质及程序产品 - Google Patents
激光地图更新方法、系统、电子设备、介质及程序产品 Download PDFInfo
- Publication number
- CN113932799A CN113932799A CN202111276515.0A CN202111276515A CN113932799A CN 113932799 A CN113932799 A CN 113932799A CN 202111276515 A CN202111276515 A CN 202111276515A CN 113932799 A CN113932799 A CN 113932799A
- Authority
- CN
- China
- Prior art keywords
- estimation value
- grid
- map
- laser
- robot
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3859—Differential updating map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种激光地图更新方法、系统、电子设备、介质及程序产品,方法包括:获取每个时刻精确的机器人运动姿态;根据激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;根据不同时刻每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;对栅格地图中的静态物体进行更新,生成更新后的激光地图。本发明可以基于离线定位地图,实时在线动态的更新地图中改变的物体,提高基于激光传感器的SLAM定位精度,同时避免重新进行激光扫图的繁琐过程,给基于激光传感器进行定位的算法提供极大的精度和稳定性提升,同时大幅度降低激光扫图的成本。
Description
技术领域
本发明涉及地图自动更新领域,更具体地,涉及一种激光地图更新方法、系统、电子设备、介质及程序产品。
背景技术
目前基于激光传感器的定位算法可以分为两个类别,一种是通过离线建图的方式,将环境的结构进行预先计算,构成激光地图,当进行定位时,通过将当前的激光数据和离线地图进行匹配,得到当前的定位结果。第二种是同时建图和定位(SLAM),通过边建图边定位的方式来提供定位结果。
两种方式各有优缺点,第一种方式,因为地图是通过离线计算的,因此具有更高的精度,于是所计算的定位精度也更高,此外由于实时计算的部分不需要建图,因此计算量也比第二种要小。但是,由于环境地图是离线计算的,而环境并不是一成不变的,当环境出现较大的变化时,定位就会失效,就需要进行重新扫图,造成较大的实施成本。
第二种方式,优点是地图和定位是同时生成的,不会收到环境变化的影响,缺点就是计算大,同时精度和稳定性比第一种要差。
发明内容
本发明针对现有技术中存在的技术问题,提供一种激光地图更新方法、系统、电子设备、介质及程序产品,可以基于离线定位地图,实时在线动态的更新地图中改变的物体。
根据本发明的第一方面,提供了一种激光地图更新方法,包括:获取每个时刻精确的机器人运动姿态;根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;对栅格地图中的静态物体进行更新,生成更新后的激光地图。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述机器人运动姿态通过基于多传感器融合的激光定位动态匹配方法获取,所述基于多传感器融合的激光定位动态匹配方法,包括:获取机器人的初始运动姿态状态值;根据机器人上一时刻的运动姿态状态估计值和协方差,利用卡尔曼滤波法进行状态转移和协方差转移,获取下一时刻机器人的第一预测运动姿态状态估计值和第一预测协方差估计值;基于下一时刻激光动态匹配的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第二预测运动姿态状态估计值和第二预测协方差估计值;基于下一时刻编码器积分的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第三预测运动姿态状态估计值和第三预测协方差估计值;以及基于下一时刻惯性传感器积分的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第四预测运动姿态状态估计值和第四预测协方差估计值;融合所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值,得到下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值,并进行更新。
可选的,在融合所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值,之前还包括:分别判断所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值的可信度;若其中之一不可信,则丢弃,基于另外两者进行融合,得到下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值;若三者均不可信,则将下一时刻机器人的第一预测运动姿态状态估计值和第一预测协方差估计值作为下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值。
可选的,所述基于二值贝叶斯滤波法求取栅格地图中每一个栅格实时被占据的概率,之前还包括:将离线定位地图进行栅格化处理,划分为一系列栅格,每一个栅格的大小能够预先设置。
可选的,所述根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法求取栅格地图中每一个栅格实时被占据的概率,包括:基于在时刻t,激光传感器与栅格之间的距离,计算栅格占用置信度函数bel(x):
belt(x)=p(x|z1:t,u1:t)=p(x|z1:t);
其中,x为需要估计的状态,此处为栅格的占用状态,u为机器人的运动姿态,包括机器人的角度信息和位置信息,z为观测距离,此处为激光传感器与栅格的距离观测;
定义概率比对数(log odds ratio)l(x):
通过概率比对数来重新计算在t时刻栅格占用置信度函数bel(x):
通过以下公式计算栅格后验概率的概率比对数lt:
可选的,所述根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体,包括:若在不同时刻,同一个栅格被占用的概率变化超过设定阈值,则所述栅格对应的物体为动态物体,反之,则所述栅格对应的物体为静态物体。
根据本发明的第二方面,提供一种激光地图更新系统,包括:获取模块,用于获取每个时刻精确的机器人运动姿态;计算模块,用于根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;区分模块,用于根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;更新模块,用于对栅格地图中的静态物体进行更新,生成更新后的激光地图。
可选的,所述区分模块,用于根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体,包括:若在不同时刻,同一个栅格被占用的概率变化超过设定阈值,则所述栅格对应的物体为动态物体,反之,则所述栅格对应的物体为静态物体。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机程序时实现激光地图更新方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现激光地图更新方法的步骤。
根据本发明的第五方面,提供了一种计算机程序产品,包括计算机程序或者指令,所述计算机程序或者指令被处理器执行时实现所述激光地图更新方法的步骤。
本发明可以基于离线定位地图,实时在线动态的更新地图中改变的物体,提高基于激光传感器的SLAM定位精度,同时避免重新进行激光扫图的繁琐过程,给基于激光传感器进行定位的算法提供极大的精度和稳定性提升,同时大幅度降低激光扫图的成本。
附图说明
图1为本发明提供的一种激光地图更新方法流程图;
图2为基于多传感器融合的激光定位匹配方法示意图;
图3-1为原始地图示意图,图3-2为机器人运动中动态生成的地图示意图,图3-3为机器人运动中动态生成的更多的地图示意图;
图4为本发明提供的一种激光地图更新系统的结构示意图;
图5为本发明提供的一种可能的电子设备的硬件结构示意图;
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
目前大多数的产品采用背景技术中提出的第一种方案,当环境出现较大的更改时,定位就会出现失效的情况。因此本发明提出一种实时动态更新地图的方法,使得环境出现更改时,能够及时的更新,避免定位失效情况的产生。
图1为本发明提供的一种激光地图更新方法流程图,如图1所示,方法包括:101、获取每个时刻精确的机器人运动姿态;102、根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;103、根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;104、对栅格地图中的静态物体进行更新,生成更新后的激光地图。
作为实施例,所述机器人运动姿态可以采用现有已知的融合定位技术获取,现有技术中关于机器人融合定位方法均可用来获取机器人运动姿态,当然也可以采用本发明中基于多传感器融合的激光定位动态匹配方法获取。
可以理解的是,在根据激光数据对定位地图进行更新时,需要保证机器人的运动姿态是准确的,所述机器人的运动姿态包括机器人的角度信息和位置信息,在机器人的运动姿态的准确性前提下,根据激光传感器扫描的周围环境的激光数据,计算地图中每一个栅格实时被占据的概率(栅格被占据表明该栅格内存在物体),然后根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体,对于栅格地图中的静态物体进行更新,也即对地图进行更新。
本发明用于激光传感器构建的离线定位地图,当场景变化或者地图中有动态的物体时,可以对其中的动态物体进行识别,对地图中的静态物体进行更新,可以基于离线定位地图,实时在线动态的更新地图中的物体,进一步提高基于激光传感器的SLAM定位精度,同时避免了重新进行激光扫图的繁琐过程,给基于激光传感器进行定位的算法提供极大的精度和稳定性提升,同时大幅度降低激光扫图的成本。
实施例二
提供了一种激光地图更新方法,该动态更新方法主要包括以下步骤:
101,获取每个时刻精确的机器人运动姿态。
其中,机器人运动姿态可以采用现有已知的融合定位技术获取,现有技术中关于机器人融合定位方法均可用来获取机器人运动姿态,当然也可以采用本发明中基于多传感器融合的激光定位动态匹配方法获取。
可以理解的是,当场景出现较大的更改时,单独使用激光传感器用于定位,会出现定位精度降低甚至定位失效的情况。在这样的情况下,就无法得出正确的动态地图信息,为了正确的得到动态更新的地图,就需要一个能在动态场景下可以正确定位的定位算法。本发明实施例采用融合定位算法,通过融合编码器、IMU(惯性传感器)以及激光传感器,就可以在动态场景下进行正确的定位。
其中,激光传感器、惯性传感器和编码器均安装于机器人上,激光传感器主要用于扫描周围环境激光数据,惯性传感器主要用于获取机器人的实时惯性姿态,编码器主要用来获取机器人转动的轮数和转速等。
通过融合多传感器数据获取机器人运动姿态的方法示意图如图2所示,其方法步骤主要包括:获取机器人的初始运动姿态状态值;根据机器人上一时刻的运动姿态状态估计值和协方差,利用卡尔曼滤波法进行状态转移和协方差转移,获取下一时刻机器人的第一预测运动姿态状态估计值和第一预测协方差估计值;基于下一时刻激光动态匹配的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第二预测运动姿态状态估计值和第二预测协方差估计值;基于下一时刻编码器积分的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第三预测运动姿态状态估计值和第三预测协方差估计值;以及基于下一时刻惯性传感器积分的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第四预测运动姿态状态估计值和第四预测协方差估计值;融合所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值,得到下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值,并进行更新。
其中,在融合第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值,之前还包括:分别判断所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值的可信度;若其中之一不可信,则丢弃,基于另外两者进行融合,得到下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值;若三者均不可信,则将下一时刻机器人的第一预测运动姿态状态估计值和第一预测协方差估计值作为下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值。
其中,不可能出现只有一个估计值可信的情形,即要么全部可信、要么全部不可信,要么只有一个不可信。
需要说明的是,所述卡尔曼滤波法也可以采用其他功能相同或相似的滤波算法,根据图2中的融合方法能够准确获取每一个不同时刻机器人的运动姿态,由于激光传感器、惯性传感器和编码传感器均安装于机器人上,只有机器人的实时运动姿态是准确的,那么激光传感器、惯性传感器和编码传感器采集的数据也相应具有准确性,那么最终对地图的更新也具有准确性。因此,机器人的实时运动姿态的准确获取是非常关键的一步。此处采用融合定位算法,通过融合编码器、IMU(惯性传感器)以及激光传感器,就可以在动态场景下进行正确的定位。
102,根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率。
作为实施例,所述基于二值贝叶斯滤波法求取栅格地图中每一个栅格实时被占据的概率,之前还包括:将离线定位地图进行栅格化处理,划分为一系列栅格,每一个栅格的大小预先设置。
传统的离线定位地图,将地图中的所有的障碍物同等对待,并且始终认为障碍物一定存在,但事实上并非如此,障碍物是有可能改变的,比如,动态障碍物随着时间,其所在位置是改变的。因此本发明将所有的障碍物用概率的方式表示,当一个本来在离线地图中存在的障碍物,在此后的时间里始终无法找到,那么这个障碍物存在的概率会越来越小,对定位中的权重也会逐步降低。相反,当原本地图中不存在的障碍物,在此后的时间里不断的出现,那么这个障碍物存在的概率也会越来越高,对定位的权重也会逐步变大。
其中,机器人学中地图的表示方法有四种:特征地图、拓扑地图、栅格地图以及直接表征法(Appearance Based Methods)。其中栅格地图是将环境分成一系列栅格,每一个栅格中代表的是被占据的概率,例如当栅格的值为0则表示空闲,值为1则表示有障碍物。其中每个栅格的大小是可以事先确定的,本发明中每一个栅格的长度设置为5cm。
机器人技术中的某些问题表达为不随时间变化的二值状态的最优估计间题,这些问题通过二值贝叶斯滤波(binary Bayes filter)来阐述。
而对于栅格的占用状态就符合二值贝叶斯滤波的适用范围:
1、地图中各点的真实状态是不变的。
2、地图中各点仅有两种状态(障碍物或者空闲),符合二值性。
因此,本发明基于二值贝叶斯滤波法求解栅格地图中每一个栅格实时被占据的概率,具体的求解方法为:
基于在时刻t,激光传感器与栅格之间的距离,计算栅格占用置信度函数bel(x):
belt(x)=p(x|z1:t,u1:t)=p(x|z1:t); (1)
其中,x为需要估计的状态,此处为栅格的占用状态,u为机器人的运动姿态,z为观测距离,此处为激光传感器与栅格的距离观测,P(x)表示栅格被占据的概率,z1:t表示t时刻激光传感器与栅格之间的距离。
定义概率比对数(log odds ratio)l(x):
通过概率比对数来重新计算在t时刻栅格的占用置信度函数bel(x):
通过以下公式计算栅格后验概率的概率比对数lt:
其中,对于公式(1)-公式(4)中参数的推导如下:
(1)事件x的概率定义
(2)对p(zt|x)使用贝叶斯公式:
带入(1)可以得到:
(3)事件x的对立事件概率定义
(4)定义概率比对数l(x):
通过式(1)-式(4)可计算出地图中每一个栅格被占据的概率,本发明采用栅格的后验概率的概率比对数来表征栅格被占据的状态概率。
103,根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体。
可以理解的是,不管是动态物体和静态物体,在动态地图中都会存在于原本没有障碍物的环境中,但动态物体和静态物体的区别在于,动态物体随着时间的变化,在地图中的位置会改变,而静态物体则会一直位于相同的位置中。对于定位建图算法来说,静态物体是需要动态更新的,而动态物体时不需要更新的,因此需要区别这两种物体。而这两种物体的区分方式只需要在时域上进行一次滤波即可,本发明使用在相同位置不同时刻障碍物出现的频率来作为当前障碍物的概率,动态物体由于位置随时间在变,因此它的概率是比较低的,通过设置最低概率,就可以识别出地图中的动态物体和静态物体。
根据步骤102计算出了每一个栅格被占据的概率,若在不同时刻,同一个栅格被占用的概率变化超过设定阈值,则栅格对应的物体为动态物体,反之,则栅格对应的物体为静态物体。也就是不同时刻,同一个栅格被占据的概率的差值超过设定阈值,则表示占据该栅格的物体为动态物体,反之,则物体为静态物体,采用该种方式可以从地图中区分出动态物体和静态物体。
104,对栅格地图中的静态物体进行更新,生成更新后的激光地图。
其中,对于定位建图算法来说,静态物体是需要动态更新的,而动态物体是不需要更新的,步骤103从地图中区分出动态物体和静态物体,对于其中的动态物体,不需要进行更新,而对于其中的静态物体,则需要进行更新,完成定位地图的更新。
其中,本发明的激光地图更新的效果图参见图3-1、图3-2和图3-3,3-1为原始地图示意图,图3-2为机器人运动中动态生成的地图示意图,图3-3为机器人运动中动态生成的更多的地图示意图。
从上面三个图可以看到,原始地图中的圆圈区域并没有墙体,而实际该区域已经进行了装修,地图发生了很大的变化,通过本发明,机器人在运动过程中,就可以动态的更新已经修改过的地图,同时利用动态更新的地图,进行稳定的定位跟踪。
实施例三
图4为本发明实施例提供的一种激光地图更新系统的结构示意图,如图4所示,一种激光地图更新系统,包括获取模块401、计算模块402、区分模块403和更新模块404,其中:
获取模块401,用于获取每个时刻精确的机器人运动姿态;
计算模块402,用于根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;
区分模块403,用于根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;
更新模块404,用于对栅格地图中的静态物体进行更新,生成更新后的激光地图。
其中,区分模块403,用于根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体,包括:
若在不同时刻,同一个栅格被占用的概率变化超过设定阈值,则所述栅格对应的物体为动态物体,反之,则所述栅格对应的物体为静态物体。
可以理解的是,本发明提供的一种激光地图更新系统与前述各实施例提供的激光地图更新方法相对应,激光地图更新系统的相关技术特征可参考激光地图更新方法的相关技术特征,在此不再赘述。
实施例四
请参阅图5,图5为本发明实施例提供的电子设备的实施例示意图。如图5所示,本发明实施例提供了一种电子设备500,包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序511,处理器520执行计算机程序511时实现以下步骤:获取每个时刻精确的机器人运动姿态;根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;对栅格地图中的静态物体进行更新,生成更新后的激光地图。
作为实施例,所述电子设备500中存储器510上存储的计算机程序511在被执行时可以实现实施例二中的方法。
实施例五
请参阅图6,图6为本发明提供的一种计算机可读存储介质的实施例示意图。如图6所示,本实施例提供了一种计算机可读存储介质600,其上存储有计算机程序511,该计算机程序511被处理器执行时实现如下步骤:获取每个时刻精确的机器人运动姿态;根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;对栅格地图中的静态物体进行更新,生成更新后的激光地图。
作为实施例,所述计算机可读存储介质600上存储的计算机程序511在被执行时也可以实现实施例二中的方法。
实施例六
一种计算机程序产品,包括计算机程序或者指令,所述计算机程序或者指令被处理器执行时实现实施例一或实施例二中的激光地图更新方法的步骤。
本发明实施例提供的一种激光地图更新方法、系统、电子设备、介质及程序产品,可以基于离线定位地图,实时在线动态的更新地图中改变的物体,进一步提高基于激光传感器的SLAM定位精度,同时避免了重新进行激光扫图的繁琐过程,给基于激光传感器进行定位的算法提供极大的精度和稳定性提升,同时大幅度降低激光扫图的成本。
另外,在对机器人的实时运动姿态进行准确估计时,采用融合定位算法,通过融合编码器、IMU(惯性传感器)以及激光传感器的数据融合,就可以在动态场景下对机器人的运动姿态进行准确估计,提高了地图动态更新的准确性。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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,计算机程序产品可以为APP、API、WEB、H5、SDK等等多种形式存在的计算机程序,既可以为独立开发的计算机程序,也可以是依赖于其他平台运行的计算机程序,而计算机程序可以实现相同的目的或功能,而不是限定其必需具有相同的源代码,例如电子设备500和计算机可读存储介质600中存储的计算机程序511,并不代表两者存储的计算机程序必须完全相同,而只是可以实现相同或相似的功能,即实现计算机程序在被执行时实现实施例一或实施例二中所述方法的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,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优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种激光地图更新方法,其特征在于,包括:
获取每个时刻精确的机器人运动姿态;
根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;
根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;
对栅格地图中的静态物体进行更新,生成更新后的激光地图。
2.根据权利要求1所述的激光地图更新方法,其特征在于,所述机器人运动姿态通过基于多传感器融合的激光定位动态匹配方法获取,所述基于多传感器融合的激光定位动态匹配方法,包括:
获取机器人的初始运动姿态状态值;
根据机器人上一时刻的运动姿态状态估计值和协方差,利用卡尔曼滤波法进行状态转移和协方差转移,获取下一时刻机器人的第一预测运动姿态状态估计值和第一预测协方差估计值;
基于下一时刻激光动态匹配的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第二预测运动姿态状态估计值和第二预测协方差估计值;基于下一时刻编码器积分的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第三预测运动姿态状态估计值和第三预测协方差估计值;以及基于下一时刻惯性传感器积分的状态估计值、协方差和所述下一时刻机器人的第一预测运动姿态状态估计值、第一预测协方差估计值,计算得到下一时刻机器人的第四预测运动姿态状态估计值和第四预测协方差估计值;
融合所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值,得到下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值,并进行更新。
3.根据权利要求2所述的激光地图更新方法,其特征在于,在融合所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值,之前还包括:
分别判断所述第二预测运动姿态状态估计值和第二预测协方差估计值、第三预测运动姿态状态估计值和第三预测协方差估计值以及第四预测运动姿态状态估计值和第四预测协方差估计值的可信度;
若其中之一不可信,则丢弃,基于另外两者进行融合,得到下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值;
若三者均不可信,则将下一时刻机器人的第一预测运动姿态状态估计值和第一预测协方差估计值作为下一时刻机器人的最终预测运动姿态状态估计值和最终预测协方差估计值。
4.根据权利要求1所述的激光地图更新方法,其特征在于,所述基于二值贝叶斯滤波法求取栅格地图中每一个栅格实时被占据的概率,之前还包括:
将离线定位地图进行栅格化处理,划分为一系列栅格,每一个栅格的大小能够预先设置。
5.根据权利要求1所述的激光地图更新方法,其特征在于,所述根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法求取栅格地图中每一个栅格实时被占据的概率,包括:
基于在时刻t,激光传感器与栅格之间的距离,计算栅格占用置信度函数bel(x):
belt(x)=p(x|z1:t,u1:t)=p(x|z1:t);
其中,x为需要估计的状态,此处为栅格的占用状态,u为机器人的运动姿态,z为观测距离,此处为激光传感器与栅格的距离观测;
定义概率比对数(log odds ratio)l(x):
通过概率比对数来重新计算在t时刻栅格占用置信度函数bel(x):
通过以下公式计算栅格后验概率的概率比对数lt:
6.根据权利要求1所述的激光地图更新方法,其特征在于,所述根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体,包括:
若在不同时刻,同一个栅格被占用的概率变化超过设定阈值,则所述栅格对应的物体为动态物体,反之,则所述栅格对应的物体为静态物体。
7.一种激光地图更新系统,其特征在于,包括:
获取模块,用于获取每个时刻精确的机器人运动姿态;
计算模块,用于根据安装于机器人上的激光传感器扫描的周围环境激光数据,基于二值贝叶斯滤波法计算栅格地图中每一个栅格实时被占据的概率;
区分模块,用于根据不同时刻栅格地图中每一个栅格被占据的概率,区分出栅格地图中的静态物体和动态物体;
更新模块,用于对栅格地图中的静态物体进行更新,生成更新后的激光地图。
8.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6任一项所述的激光地图更新方法的步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的激光地图更新方法的步骤。
10.一种计算机程序产品,其特征在于,包括计算机程序或者指令,所述计算机程序或者指令被处理器执行时实现权利要求1-6任一项所述的激光地图更新方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276515.0A CN113932799A (zh) | 2021-10-29 | 2021-10-29 | 激光地图更新方法、系统、电子设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276515.0A CN113932799A (zh) | 2021-10-29 | 2021-10-29 | 激光地图更新方法、系统、电子设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113932799A true CN113932799A (zh) | 2022-01-14 |
Family
ID=79285103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111276515.0A Pending CN113932799A (zh) | 2021-10-29 | 2021-10-29 | 激光地图更新方法、系统、电子设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113932799A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475657A (zh) * | 2022-02-23 | 2022-05-13 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置和电子设备 |
CN115972217A (zh) * | 2023-03-20 | 2023-04-18 | 深圳鹏行智能研究有限公司 | 基于单目相机的地图建立方法和机器人 |
-
2021
- 2021-10-29 CN CN202111276515.0A patent/CN113932799A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475657A (zh) * | 2022-02-23 | 2022-05-13 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置和电子设备 |
CN115972217A (zh) * | 2023-03-20 | 2023-04-18 | 深圳鹏行智能研究有限公司 | 基于单目相机的地图建立方法和机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141437B (zh) | 一种机器人全局重定位方法 | |
US11474204B2 (en) | Localization method and robot using the same | |
CN113376650B (zh) | 移动机器人定位方法及装置、电子设备及存储介质 | |
CN108332758B (zh) | 一种移动机器人的走廊识别方法及装置 | |
CN111089585A (zh) | 一种基于传感器信息融合的建图及定位方法 | |
CN113932799A (zh) | 激光地图更新方法、系统、电子设备、介质及程序产品 | |
US20130238181A1 (en) | On-board vehicle path prediction using processed sensor information | |
CN108287550B (zh) | 基于数据关联及错误检测的slam系统和构造数据关联的方法 | |
JP7047576B2 (ja) | 地図作成装置 | |
CN112880694A (zh) | 确定车辆的位置的方法 | |
CN112817026A (zh) | 运动对象的位姿确定方法、装置、设备及存储介质 | |
CN110736456A (zh) | 稀疏环境下基于特征提取的二维激光实时定位方法 | |
CN114636414A (zh) | 高清晰度城市地图绘制 | |
JP2019152575A (ja) | 物体追跡装置、物体追跡方法及び物体追跡用コンピュータプログラム | |
CN111985300A (zh) | 自动驾驶动态目标定位方法、装置、电子设备及存储介质 | |
CN114387462A (zh) | 一种基于双目相机的动态环境感知方法 | |
CN115457510A (zh) | 一种基于变分贝叶斯的自适应协同目标跟踪方法 | |
CN113218408A (zh) | 适用于多地形的多传感器融合的2Dslam方法及其系统 | |
CN113362358A (zh) | 一种动态场景下基于实例分割的鲁棒性位姿估计方法 | |
CN112308917A (zh) | 一种基于视觉的移动机器人定位方法 | |
CN112857379A (zh) | 一种基于改进的Gmapping-SLAM地图更新方法及系统 | |
WO2023142353A1 (zh) | 一种位姿预测方法及装置 | |
US11756312B2 (en) | Orientation-agnostic lane tracking in a vehicle | |
CN113325415A (zh) | 车辆雷达数据和相机数据的融合方法及系统 | |
CN114852058B (zh) | 自动泊车路径规划方法、装置、系统及可读存储介质 |
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 |