CN114236564A - 动态环境下机器人定位的方法、机器人、装置及存储介质 - Google Patents
动态环境下机器人定位的方法、机器人、装置及存储介质 Download PDFInfo
- Publication number
- CN114236564A CN114236564A CN202210165515.1A CN202210165515A CN114236564A CN 114236564 A CN114236564 A CN 114236564A CN 202210165515 A CN202210165515 A CN 202210165515A CN 114236564 A CN114236564 A CN 114236564A
- Authority
- CN
- China
- Prior art keywords
- robot
- map
- line
- odometer
- laser
- 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
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供动态环境下机器人定位的方法、机器人、装置及存储介质,用以解决现有技术中存在的移动机器人在动态环境下的定位精度不高的技术问题,该方法包括:确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;若所述第一里程数据不可靠,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若所述机器人检测到二维码,则所述局部子地图为用所述检测到的二维码对应的位置信息更新原局部子地图后得到的;基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿。
Description
技术领域
本发明涉及移动机器人定位领域,尤其是涉及动态环境下机器人定位的方法、机器人、装置及存储介质。
背景技术
移动机器人在执行任务时(如机器人在仓库中搬运货物),随着移动机器人运动过程中周围环境的不断变换,移动机器人需要在变换的环境中精确的确定当前所在环境的位置,进而准确的执行任务。
然而,当移动机器人运动过程中某一位置的环境发生变化后,如环境中新增或者减少了物体,或环境中存在运动物体,则当前的实际环境信息与对应先验地图便产生了较大差异,导致在移动机器人使用激光导航时由于无法准确与先验地图匹配,而使移动机器人的定位精度不高。
尽管现有技术中为了避免上述问题,采用二维码导航的方式对移动机器人进行定位。二维码导航即在环境中设置二维码,利用激光得到环境地图及移动机器人的全局位姿,通过移动机器人上设置的摄像头得到二维码与移动机器人的相对位姿,进而在移动机器人移动的过程中通过拍摄到的二维码对移动机器人定位。但,在实际应用中,往往是不允许在环境中设大量的二维码的,这就导致实际无法通过二维导航来提高移动机器人的定位精度。
鉴于此,如何提高移动机器人在动态环境下的定位精度,成为一个亟待解决的技术问题。
发明内容
本发明提供动态环境下机器人定位的方法、机器人、装置及存储介质,用以解决现有技术中存在的移动机器人在动态环境下的定位精度不高的技术问题。
第一方面,为解决上述技术问题,本发明实施例提供的一种动态环境下机器人定位的方法的技术方案如下:
确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;
若所述第一里程数据不可靠,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若所述机器人检测到二维码,则所述局部子地图为用所述检测到的二维码对应的位置信息更新原局部子地图后得到的;
基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿。
一种可能的实施方式,确定机器人的里程计在当前时刻产生的第一里程数据是否可靠,包括:
计算所述第一里程数据与所述里程计在前一时刻产生的第二里程数据的差值,获得所述机器人的里程变化量;
以及,计算所述当前时刻与所述前一时刻的时间差;
若所述里程变化量小于或等于设定变化量,和所述时间差小于或等于设定时间差,则确定所述第一里程数据可靠;
若所述里程变化量大于所述设定变化量,或所述时间差大于所述设定时间差,则确定所述第一里程数据不可靠。
一种可能的实施方式,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配之前,还包括:
当机器人扫描到二维码时,利用加入了二维码约束因子的图优化模型估算下视相机的位姿;其中,所述下视相机是所述机器人的组成部件之一,用于扫描设置在所述机器人所在环境中的二维码;
将当前时刻对应的局部子地图清空,基于所述下视相机的位姿将所述当前时刻对应的激光点云投影到世界坐标系中,并转换到栅格地图中;其中,所述栅格地图是所述环境对应的地图;
将所述栅格地图中被投影后的激光点云占据的栅格,确定为障碍物所在的位置,并进行快速膨胀生成新的局部子地图。
一种可能的实施方式,所述二维码约束因子是所述下视相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
一种可能的实施方式,所述图优化模型中包含全局激光帧变量和相机帧变量之间通过对应里程数据计算的相对约束因子、所述二维码的图像帧对应的优化变量。
一种可能的实施方式,基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿,包括:
若所述长期激光点云数据与所述先验地图匹配成功,则将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息作为所述观测信息;
若所述长期激光点云数据与所述先验地图匹配失败,则构建激光里程计;将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息、所述激光里程计对应的位置信息,作为所述观测信息;
用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型;
用所述优化后的图优化模型,估算所述机器人在当前时刻的位姿。
一种可能的实施方式,用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型之前,还包括:
当所述机器人检测到布设在所述环境中的线条后,将检测到的线条提供的位置的垂直线条加入所述观测信息,并将所述线条对应的线条约束因子加入所述当前的图优化模型;其中,所述线条用于指示所述机器人在所述环境中的导航通道,所述线条约束因子是所述线条对应相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
一种可能的实施方式,将检测到的线条提供的位置的垂直线条加入所述观测信息,包括:
若所述检测到的线条为已标定线条,则将所述已标定线条的横线观测和角度观测加入所述观测信息;
若所述检测到的线条为未标定线条,则将所述未标定线条的角度观测加入所述观测信息。
一种可能的实施方式,在所述已标定线条的设定范围内检测特殊标识符后,若再检测到所述特殊标识符,则所述已标定线条允许被遮挡,所述机器人的里程计、激光传感器允许平稳过渡。
第二方面,本发明实施例提供了一种动态环境下机器人定位的装置,包括:
确定单元,用于确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;
获得单元,用于若所述第一里程数据不可靠,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据中的长期激光点云数据和短期激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若所述机器人检测到二维码,则所述局部子地图为用所述检测到的二维码对应的位置信息更新原局部子地图后得到的;
估算单元,用于基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿。
一种可能的实施方式,所述确定单元用于:
计算所述第一里程数据与所述里程计在前一时刻产生的第二里程数据的差值,获得所述机器人的里程变化量;
以及,计算所述当前时刻与所述前一时刻的时间差;
若所述里程变化量小于或等于设定变化量,和所述时间差小于或等于设定时间差,则确定所述第一里程数据可靠;
若所述里程变化量大于所述设定变化量,或所述时间差大于所述设定时间差,则确定所述第一里程数据不可靠。
一种可能的实施方式,所述获得单元还用于:
利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配之前,当机器人扫描到二维码时,利用加入了二维码约束因子的图优化模型估算下视相机的位姿;其中,所述下视相机是所述机器人的组成部件之一,用于扫描设置在所述机器人所在环境中的二维码;
将当前时刻对应的局部子地图清空,基于所述下视相机的位姿将所述当前时刻对应的激光点云投影到世界坐标系中,并转换到栅格地图中;其中,所述栅格地图是所述环境对应的地图;
将所述栅格地图中被投影后的激光点云占据的栅格,确定为障碍物所在的位置,并进行快速膨胀生成新的局部子地图。
一种可能的实施方式,所述二维码约束因子是所述下视相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
一种可能的实施方式,所述图优化模型中包含全局激光帧变量和相机帧变量之间通过对应里程数据计算的相对约束因子、所述二维码的图像帧对应的优化变量。
一种可能的实施方式,所述估算单元用于:
若所述长期激光点云数据与所述先验地图匹配成功,则将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息作为所述观测信息;
若所述长期激光点云数据与所述先验地图匹配失败,则构建激光里程计;将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息、所述激光里程计对应的位置信息,作为所述观测信息;
用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型;
用所述优化后的图优化模型,估算所述机器人在当前时刻的位姿。
一种可能的实施方式,所述估算单元还用于:
用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型之前,当所述机器人检测到布设在所述环境中的线条后,将检测到的线条提供的位置的垂直线条加入所述观测信息,并将所述线条对应的线条约束因子加入所述当前的图优化模型;其中,所述线条用于指示所述机器人在所述环境中的导航通道,所述线条约束因子是所述线条对应相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
一种可能的实施方式,所述估算单元还用于:
若所述检测到的线条为已标定线条,则将所述已标定线条的横线观测和角度观测加入所述观测信息;
若所述检测到的线条为未标定线条,则将所述未标定线条的角度观测加入所述观测信息。
一种可能的实施方式,在所述已标定线条的设定范围内检测特殊标识符后,若再检测到所述特殊标识符,则所述已标定线条允许被遮挡,所述机器人的里程计、激光传感器允许平稳过渡。
第三方面,本发明实施例还提供一种机器人,包括:
激光雷达传感器,用于机器人在环境中运动时扫描所述机器人在当前位置观测到的环境轮廓,获得当前时刻对应的激光点云数据;
移动底盘,所述移动底盘包括运动控制器、电机、前视相机、下视相机、电池、嵌入式计算机、里程计;所述运动控制器用于控制所述电机驱动所述机器人运动,所述前视相机用于检测在所述环境中的地面上布置的直线段,所述下视相机用于扫描在所述地面上布置的二维码,所述里程计用于估计所述机器人运动的改变量,所述嵌入式计算机用于执行如第一方面所述的方法;其中,所述直线段布置在所述环境的导航通道附近,所述二维码布置在所述环境中导航环境变化大的位置。
第四方面,本发明实施例还提供一种动态环境下机器人定位的装置,包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,执行如上述第一方面所述的方法。
第五方面,本发明实施例还提供一种可读存储介质,包括:
存储器,
所述存储器用于存储指令,当所述指令被处理器执行时,使得包括所述可读存储介质的装置完成如上述第一方面所述的方法。
通过本发明实施例的上述一个或多个实施例中的技术方案,本发明实施例至少具有如下技术效果:
在本发明提供的实施例中,通过确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;若第一里程数据不可靠,利用机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若机器人检测到二维码,则局部子地图为用检测到的二维码对应的位置信息更新原局部子地图后得到的;基于匹配结果、里程计和激光雷达传感器对应的观测信息,估算机器人在当前时刻的位姿。由于上述方案在确定里程计不可靠时,使用激光导航,并在检测到二维码时,将具有准确位置信息的二维码引入激光导航中,利用二维码对应的位置信息更新原局部子地图,可以提高激光导航中使用的局部子图的准确度,进而提高激光导航的精度,融合结合多种观测信息来准确估计机器人位姿,实现提高机器人定位精度的目的。
附图说明
图1为本发明实施例提供的一种动态环境下机器人定位方法的流程图;
图2为本发明实施例提供的一种机器人的结构示意图;
图3为本发明实施例提供的一种因子图;
图4为本发明实施例提供的另一种因子图;
图5为本发明实施例提供的一种构建线条标系的示意图;
图6为本发明实施例提供的一种动态环境下机器人定位装置的结构示意图;
图7为本发明实施例提供的一种机器人的结构示意图。
具体实施方式
本发明提供动态环境下机器人定位的方法、机器人、装置及存储介质,用以解决现有技术中存在的移动机器人在动态环境下的定位精度不高的技术问题。
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
请参考图1,本发明实施例提供一种动态环境下机器人定位的方法,该方法的处理过程如下。
步骤101:确定机器人的里程计在当前时刻产生的第一里程数据是否可靠。
请参见图2为本发明实施例提供的一种机器人的结构示意图。本发明中使用的机器人包括激光雷达传感器、移动地盘,其中移动地盘包括运动控制器、电机、电池、嵌入式计算机、里程计。本实施例中的机器人可以是能够获取到激光点云数据和里程计信息的机器人,对机器人具体包括哪些部件不作限定。
本实施例中的“激光雷达传感器”,可以获取机器人所在环境的二维平面信息,用于检测周围环境的二维平面轮廓信息,该激光传感器可以是2D激光雷达传感器,本发明实施例不作限定。
本实施例中的“里程计”,用于估算移动机器人角度和距离的变化量,可采用轮式编码器,从而能够根据前后时刻的位姿变化量和前一时刻的位姿来估计出当前时刻机器人的位姿。
由于机器人使用的里程计可能存在打滑或机器人所在环境由于一些动态障碍物的影响改变了机器人的运动路线,导致里程计在当前时刻产生的第一里程数据不可靠,因此在获取第一里程数据之后,需要确定第一里程数据是否可靠。
一种可能的实施方式,可以采用下列方式确定第一里程数据是否可靠:
计算第一里程数据与里程计在前一时刻产生的第二里程数据的差值,获得机器人的里程变化量;以及,计算当前时刻与前一时刻的时间差;若里程变化量小于或等于设定变化量,和时间差小于或等于设定时间差,则确定第一里程数据可靠;若里程变化量大于设定变化量,或时间差大于设定时间差,则确定第一里程数据不可靠。
例如,里程计在当前时刻(t1)产生的第一里程数据为u1、在前一时刻(t2)产生的第二里程数据为u2,则机器人的里程变化量为u1-u2,时间差为t1-t2。若里程变化量(u1-u2)小于或等于设定变化量,且时间差(t1-t2)小于或等于设定时间差,则可以确定第一里程数据可靠;若里程变化量(u1-u2)大于设定变化量,且时间差(t1-t2)大于设定时间差,则可以确定第一里程数据不可靠。
需要理解的是,处理上述示意的确定第一里程数据是否可靠的方式外,还可以结合相机拍摄的图片,或预测机器人在当前时刻对应位置可能存在的动态障碍,确定第一里程数据是否可靠。
在确定第一里程数据可靠后,可以直接根据第一里程数据与机器人在前一时刻的位姿,利用机器人的运动模型估计机器人在当前时刻的位姿。运动模型的方程如下:
其中,(x1,y1,θ1)为机器人在当时刻的位姿,(x2,y2,θ2)为机器人在前一时刻的位姿,(dx,dy,dθ)为估计的机器人从前一时刻到当前时刻的位姿发生变化的变化量。
步骤102:若第一里程数据不可靠,利用机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若机器人检测到二维码,则局部子地图为用检测到的二维码对应的位置信息更新原局部子地图后得到的。
步骤103:基于匹配结果、里程计和激光雷达传感器对应的观测信息,估算机器人在当前时刻的位姿。
例如,机器人所在的环境为仓储环境,在仓储环境中环境变化大或者需要高精度对接的库位点附近贴有二维码,在环境变化大的地方且机器人需要行走的路线一侧或者两侧贴有线条(直线段),在贴上线条的起点或者场地中已有的线条的起点贴有具有唯一性的特殊标识符,且在线条每隔10m左右的位置也贴有上述特殊标识符。
机器人在仓储环境中运动时,利用其里程计可以实时测量出当前时刻对应的第一里程数据,同时,机器人在运动的过程中还会通过激光雷达传感器实时对仓储环境进行扫描得到对应时刻的激光点云数据。当确定第一里程数据不可靠后,将会利用机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;进而基于匹配结果、里程计和激光雷达传感器对应的观测信息,估算机器人在当前时刻的位姿。当机器人运动到环境中贴有二维码的位置附近时会提前开启下视相机,通过下视相机获取并识别二维码,并利用扫描到的二维码的位置信息更新原局部子地图;若没有扫描到二维码则无需更新原局部子地图,直接使用原局部子地图与激光点云数据进行匹配。其中,当前时刻的激光点云数据是由机器人在当前时刻发射的各个激光波束,在环境中形成的激光点映射在环境对应的栅格地图中的位置信息构成的。
利用当前时刻的激光点云数据与局部子地图进行匹配之前,需要先构建出当前时刻对应的局部子地图,在本发明中将利用当前时刻的激光点云数据构建出的局部子地图称之为原局部子地图。
机器人在运动的过程中,通过机器人上的激光雷达传感器向机器人前进方向或周围投射激光束,在机器人所在环境中形成激光点,通过计算出各个激光点在世界坐标系中的坐标,可以将这些激光点映射到机器人所在环境对应的栅格地图中,形成激光点云数据。
激光点云数据中任一激光数据对应在世界坐标系下的坐标可以通过下列公式确定:
其中,(x3,y3,z3)为当前时刻上述任一激光数据对应的激光在世界坐标系下的三维坐标,(x1,y1,θ1)T里程计在当前时刻的位姿,(xs,ys,θs)T为当前时刻上述任一激光数据相对机器人坐标系的坐标。
通过上述公式,计算出当前时刻的激光点云数据中每个激光数据在世界坐标系下的坐标后,从栅格地图中确定出与当前时刻的激光点云数据中各激光点距离最近的栅格,并计算各激光点与对应最近的栅格的距离,将距离大于设定阈值的激光点归入短期激光点云数据,将距离小于或等于设定阈值的激光点归入长期激光点云数据;短期激光点云数据在栅格地图中占据的栅格区域即为环境中新增的动态障碍物,进而可以实时生成原局部子地图。
一种可能的实施方式,基于匹配结果、里程计和激光雷达传感器对应的观测信息,估算机器人在当前时刻的位姿,可以通过下列方式实现:
若长期激光点云数据与先验地图匹配成功,则将长期激光点云数据与先验地图的匹配结果、里程计对应的位置信息作为观测信息;
若长期激光点云数据与先验地图匹配失败,则构建激光里程计;将长期激光点云数据与先验地图的匹配结果、里程计对应的位置信息、激光里程计对应的位置信息,作为观测信息;
用观测信息对当前的图优化模型进行优化,获得优化后的图优化模型;用优化后的图优化模型,估算机器人在当前时刻的位姿。
若在当前时刻机器人未扫描到二维码,则直接使用原局部子地图和先验地图与当前时刻的激光点云数据进行匹配,使用scan to map的方法估计出当前时刻机器人的位姿。在对机器人进行定位的过程中,会实时构建出能反应当前环境真实状态的局部子地图,激光与局部子地图匹配,构建激光里程计,然后将激光匹配的结果、激光里程计和轮式里程计的数据联合优化,得到机器人优化后的位姿,联合优化对应的当前的图优化模型使用的因子图如图3所示,图3为本发明实施例提供的一种因子图。图3中,每个圆形是一个节点,代表机器人在运动过程中某个时刻对应的位姿,节点之间的线段代表结点之间的约束,节点与地图(先验地图、局部子地图)之间产生的约束,在融合激光匹配结果中,会根据激光与先验地图匹配的得分,动态更改融合激光观测对应的约束因子的权重。图3中第一行白色方框表示激光里程计因子,激光之间的相对位姿约束;第二行中的填充网格线的圆表示局部激光帧变量,第三行虚线白色方框表示局部激光帧与全局激光帧相同时间戳对应的变量之间的相对约束因子,填充斜线的方框表示局部激光帧之间的轮式里程计相对约束因子;第四行中的白色圆表示全局激光帧变量,第四行中的填充点的方框表示全局激光帧之间的轮式里程计相对约束因子;第五行中的黑色方框表示全局激光帧与先验地图之间的绝对约束关系。
机器人所在的环境,如仓储环境,很多物体会经常发生移动,导致导航环境发生较大变化,不利于激光导航或者对接库位,这时需要高精度激光导航,本发明在这些位置还设置了二维码。当机器人快要到设置有二维码的位置时(二维码在环境中设置在世界坐标系下的坐标已事先在地图中标注,记二维码标注的坐标为TC2),提前打开下视相机进行二维码的扫描,下视相机扫描到二维码时,识别出下视相机相对于检测到的二维码的位姿记为△T2,则此时可以计算出下视相机在世界坐标系下的坐标T2为:
T2=TC2×△T2;
此下视相机识别的结果构成的误差方程为:
其中,ec2为下视相机识别的结果构成的误差,pc2为下视相机识别二维码结果在观测约束中的权重,通常比激光匹配的结果权重大得多;pct2为位移权重,pcθ2为角度权重,N2为需要估算的优化变量位姿(即估计的下视相机的位姿),T2x、T2y为计算出的下视相机的位姿在x、y方向对应的位移,T2θ为计算出的下视相机的位姿对应的角度,N2x、N2y为估计的下视相机的位姿在x、y方向对应的位移,N2θ为估计的下视相机的位姿对应的角度。
将上述误差方程作为二维码约束因子,加入图优化模型中,得到的因子图(PriorMap)如图4所示,图4为本发明实施例提供的另一种因子图。图4中第一行白色方框表示激光里程计因子,激光之间的相对位姿约束,填充了斜线的粗方框代表图像帧之间通过里程计信息计算的相对约束因子;第二行中的填充网格线的圆表示局部激光帧变量,黑色实心圆代表二维码图像真对应的优化变量;第三行虚线白色方框表示局部激光帧与全局激光帧相同时间戳对应的变量之间的相对约束因子,填充横线的方框表示全局激光变量与相机变量之间通过对应里程数据计算的相对约束因子;第四行中的白色圆表示全局激光帧变量,第四行中的填充点的方框表示全局激光帧之间的轮式里程计相对约束因子;第五行中的黑色方框表示全局激光帧与先验地图之间的绝对约束关系。若下视相机采集到二维码,则上述相机变量是指下视相机对应的相机变量。
在本发明提供的实施例中,利用机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配之前,当机器人扫描到二维码时,利用加入了二维码约束因子的图优化模型估算下视相机的位姿;其中,下视相机是机器人的组成部件之一,用于扫描设置在机器人所在环境中的二维码;将当前时刻对应的局部子地图清空,基于下视相机的位姿将当前时刻对应的激光点云投影到世界坐标系中,并转换到栅格地图中;其中,栅格地图是环境对应的地图;将栅格地图中被投影后的激光点云占据的栅格,确定为障碍物所在的位置,并进行快速膨胀生成新的局部子地图(即完成更新原局部子地图)。这样可以结合二维码的位置信息更新原局部子地图,使最终使用的局部子地图更加准确,从而提高机器人在动态环境下的定位准确度,同时由于在图优化模型中加入了二维码约束因子,使得二维码作为图优化模型的观测信息之一融合到了激光导航定位中,进一步的提高了机器人在动态环境下的定位准确度。
上述图优化模型中可以包含全局激光帧变量和相机帧变量之间通过对应里程数据计算的相对约束因子、二维码的图像帧对应的优化变量。
机器人所在的环境,如仓储环境中,一般在机器人移动通道的一边或两边会布设线条,或在环境变化大的通道边布设反光条,还可能在通道的一些位置布设特殊标识符(可以为字母标识符也可以为数字标识符),同一通道中的特殊标识符间隔设直(如每间隔10m设置一个特殊标识符)。
请参见图5为本发明实施例提供的一种构建线条标系的示意图。图5中O1X1Y1为世界坐标系(即机器人对应的坐标系),机器人在移动的过程中,当通过前视相机检测到已标定的特殊标识符A,则以特殊标识符A为线条坐标系原点O2,以检测到的直线方向(即图5中沿着线条的方向)为x轴,以垂直于x轴的方向为y轴,建立线条坐标系O2X2Y2。由于在沿着线条的方向,前视相机没有观测角度,因此无法沿着线条的方向的位置进行估计,除非再次检测到已标定的特殊标识符,因此本发明将前视相机检测到的线条提供的位姿的垂直线条的横向观测和角度观测加入图优化模型中,加入上述横向观测和角度观测的图优化模型与图4类似。记在线条坐标系O2X2Y2中,前视相机估计的位姿为TC3,已标定的特殊标识符A的坐标为TA,则将上述前视相机在线条坐标系O2X2Y2中的位置TC3转换为世界坐标系下的位姿T3:
T3=TC3×TA;
前视相机对线条检测识别的结果构成的误差方程为:
其中,ec3为前视相机识别的结果构成的误差,pc3为前视相机识别线条结果的观测约束在对应的误差项的权重,通常比激光匹配的结果权重大;pc3t为位移权重,pc3θ为角度权重,N3为需要估算的优化变量位姿(即估计的前视相机的位姿),T3y为计算出的前视相机的位姿在y方向(即垂直线条方向)对应的位移,T3θ为计算出的前视相机的位姿对应的角度,N3y为估计的前视相机的位姿在y方向对应的位移,N3θ为估计的前视相机的位姿对应的角度。
因此,用观测信息对当前的图优化模型进行优化,获得优化后的图优化模型之前,当机器人检测到布设在环境中的线条后,将检测到的线条提供的位置的垂直线条加入观测信息,并将线条对应的线条约束因子加入当前的图优化模型;其中,线条用于指示机器人在环境中的导航通道,线条约束因子是线条对应相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
上述当前的图优化模型根据实际情况,可以是加入了二维码约束因子的图优化模型,也可以是没有加入二维码约束因子的图优化模型。
在本发明提供的实施例中,在检测到二维码时,利用二维码能保证机器人到点精度的同时,还能利用检测到的二维码的位姿进行局部子地图的重构和快速更新,能减少内存占用,保证在变化环境中有与全局地图对齐的局部子地图辅助定位,保证了之后的定位精度和可靠性。
一种可能的实施方式,将检测到的线条提供的位置的垂直线条加入观测信息,包括:
若检测到的线条为已标定线条,则将已标定线条的横线观测和角度观测加入观测信息;
若检测到的线条为未标定线条,则将未标定线条的角度观测加入观测信息。
例如,当前视相机检测到环境中布置的未标定过的线条时,可以将未标定线条的角度观测加入观测信息,提供角度的相对约束,从而使前视相机的位姿在角度方向上的估计更加准确,进而提高估计机器人位姿的准确性。
在机器人进行视觉巡线(即检测到线条)的过程中,当检测到已标定线条时,将垂直于线条的观测和角度观测融合入图优化模型中,保证了该两个维度位姿估计的准确性,而检测到未标定线条时,将角度的相对观测融合入图优化模型中,保证角度估计的准确性,这就间接保证了构建局部子地图时,插入激光帧对应位姿的角度,从而提高局部子地图构建的准确性,使估计出的机器人位姿更准确。
在本发明提供的实施例中,在已标定线条的设定范围内检测特殊标识符后,若再检测到特殊标识符,则已标定线条允许被遮挡,机器人的里程计、激光传感器允许平稳过渡。
例如,当机器人检测到已标定线条后,在已标定线条的设定范围内(如已标定线条10cm范围内)检测到特殊标示符后,若再次检测到特殊标识符,则允许此已标定线条有一部分被遮挡,此时机器人可以通过里程计、激光传感器平稳过渡。
在本发明提供的实施例中,可以同时将激光与先验地图匹配产生的绝对位姿观测、下视相机识别二维码产生的绝对位姿观测、前视相机检测已标定线条的全局绝对观测或者检测未标定线条的相对观测、激光里程计相对观测和里程计的相对观测同时放入到图优化求解器中进行求解,以对机器人位姿进行估计,从而提高机器人定位的准确性。当然,当下视相机与前视相机都检测失败时,机器人将进入到正常的激光导航方式中。
由于上述方案同时融合了激光点云数据与先验地图匹配的绝对位姿观测、下视相机识别二维码的绝对位姿观测、前视相机检测线条的全局绝对观测或者检测未标定的相对观测、激光里程计相对观测和里程计的相对观测的方法,且当一种、或者两种观测失败时,能继续融合剩余观测信息,保证了定位精度和可靠性。
在本发明提供的实施例中,通过确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;若第一里程数据不可靠,利用机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若机器人检测到二维码,则局部子地图为用检测到的二维码对应的位置信息更新原局部子地图后得到的;基于匹配结果、里程计和激光雷达传感器对应的观测信息,估算机器人在当前时刻的位姿。由于上述方案在确定里程计不可靠时,使用激光导航,并在检测到二维码时,将具有准确位置信息的二维码引入激光导航中,利用二维码对应的位置信息更新原局部子地图,可以提高激光导航中使用的局部子图的准确度,进而提高激光导航的精度,融合结合多种观测信息来准确估计机器人位姿,实现提高机器人定位精度的目的。
基于同一发明构思,本发明一实施例中提供一种动态环境下机器人定位的装置,该装置的动态环境下机器人定位方法的具体实施方式可参见方法实施例部分的描述,重复之处不再赘述,请参见图6,该装置包括:
确定单元601,用于确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;
获得单元602,用于若所述第一里程数据不可靠,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据中的长期激光点云数据和短期激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若所述机器人检测到二维码,则所述局部子地图为用所述检测到的二维码对应的位置信息更新原局部子地图后得到的;
估算单元603,用于基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿。
一种可能的实施方式,所述确定单元601用于:
计算所述第一里程数据与所述里程计在前一时刻产生的第二里程数据的差值,获得所述机器人的里程变化量;
以及,计算所述当前时刻与所述前一时刻的时间差;
若所述里程变化量小于或等于设定变化量,和所述时间差小于或等于设定时间差,则确定所述第一里程数据可靠;
若所述里程变化量大于所述设定变化量,或所述时间差大于所述设定时间差,则确定所述第一里程数据不可靠。
一种可能的实施方式,所述获得单元602还用于:
利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配之前,当机器人扫描到二维码时,利用加入了二维码约束因子的图优化模型估算下视相机的位姿;其中,所述下视相机是所述机器人的组成部件之一,用于扫描设置在所述机器人所在环境中的二维码;
将当前时刻对应的局部子地图清空,基于所述下视相机的位姿将所述当前时刻对应的激光点云投影到世界坐标系中,并转换到栅格地图中;其中,所述栅格地图是所述环境对应的地图;
将所述栅格地图中被投影后的激光点云占据的栅格,确定为障碍物所在的位置,并进行快速膨胀生成新的局部子地图。
一种可能的实施方式,所述二维码约束因子是所述下视相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
一种可能的实施方式,所述图优化模型中包含全局激光帧变量和相机帧变量之间通过对应里程数据计算的相对约束因子、所述二维码的图像帧对应的优化变量。
一种可能的实施方式,所述估算单元603用于:
若所述长期激光点云数据与所述先验地图匹配成功,则将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息作为所述观测信息;
若所述长期激光点云数据与所述先验地图匹配失败,则构建激光里程计;将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息、所述激光里程计对应的位置信息,作为所述观测信息;
用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型;
用所述优化后的图优化模型,估算所述机器人在当前时刻的位姿。
一种可能的实施方式,所述估算单元603还用于:
用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型之前,当所述机器人检测到布设在所述环境中的线条后,将检测到的线条提供的位置的垂直线条加入所述观测信息,并将所述线条对应的线条约束因子加入所述当前的图优化模型;其中,所述线条用于指示所述机器人在所述环境中的导航通道,所述线条约束因子是所述线条对应相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
一种可能的实施方式,所述估算单元603还用于:
若所述检测到的线条为已标定线条,则将所述已标定线条的横线观测和角度观测加入所述观测信息;
若所述检测到的线条为未标定线条,则将所述未标定线条的角度观测加入所述观测信息。
一种可能的实施方式,在所述已标定线条的设定范围内检测特殊标识符后,若再检测到所述特殊标识符,则所述已标定线条允许被遮挡,所述机器人的里程计、激光传感器允许平稳过渡。
需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个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(Read-Only Memory ,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是,本发明实施例提供的上述装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
基于同一发明构思,本发明实施例中提供了一种机器人,请参见图7,该机器人包括:
激光雷达传感器701,用于机器人在环境中运动时扫描所述机器人在当前位置观测到的环境轮廓,获得当前时刻对应的激光点云数据;
移动底盘702,所述移动底盘702包括运动控制器、电机、前视相机、下视相机、电池、嵌入式计算机、里程计;所述运动控制器用于控制所述电机驱动所述机器人运动,所述前视相机用于检测在所述环境中的地面上布置的直线段,所述下视相机用于扫描在所述地面上布置的二维码,所述里程计用于估计所述机器人运动的改变量,所述嵌入式计算机用于执行如上所述的动态环境下机器人定位方法;其中,所述直线段布置在所述环境的导航通道附近,所述二维码布置在所述环境中导航环境变化大的位置。
基于同一发明构思,本发明实施例中提供了一种动态环境下机器人定位的装置,包括:至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,执行如上所述的动态环境下机器人定位方法。
基于同一发明构思,本发明实施例还提一种可读存储介质,包括:
存储器,
所述存储器用于存储指令,当所述指令被处理器执行时,使得包括所述可读存储介质的装置完成如上所述的动态环境下机器人定位方法。
所述可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(Read-Only Memory,ROM)、可编程ROM(Programmable read-only memory,PROM)、电可编程ROM(Erasable ProgrammableRead-Only Memory,EPROM)、电可擦写可编程ROM(Electrically Erasable Programmableread only memory,EEPROM)或快闪存储器、固态硬盘(Solid State Disk或Solid StateDrive ,SSD)、磁性存储器(例如软盘、硬盘、磁带、磁光盘(Magneto-Optical disc,MO)等)、光学存储器(例如CD、DVD、BD、HVD等)。易失性存储器可以包括随机存取存储器(RandomAccess Memory,RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如动态RAM(Dynamic Random Access Memory,DRAM)、同步DRAM(Synchronous Dynamic Random-Access Memory,SDRAM)、双数据速率SDRAM(Double DataRate SDRAM,DDR SDRAM)、增强SDRAM(Enhanced Synchronous DRAM, ESDRAM)、同步链路DRAM(Sync Link DRAM, SLDRAM)。所公开的各方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域内的技术人员应明白,本发明实施例可提供为方法、系统、或程序产品。因此,本发明实施例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,本发明实施例可采用在一个或多个其中包含有计算机/处理器可用程序代码的可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的机程序产品的形式。
本发明实施例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/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些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可读存储器中,使得存储在该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/处理器实现的处理,从而在计算机/处理器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。
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,则本发明也意图包含这些改动和变型在内。
Claims (13)
1.一种动态环境下机器人定位的方法,其特征在于,包括:
确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;
若所述第一里程数据不可靠,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若所述机器人检测到二维码,则所述局部子地图为用所述检测到的二维码对应的位置信息更新原局部子地图后得到的;
基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿。
2.如权利要求1所述的方法,其特征在于,确定机器人的里程计在当前时刻产生的第一里程数据是否可靠,包括:
计算所述第一里程数据与所述里程计在前一时刻产生的第二里程数据的差值,获得所述机器人的里程变化量;
以及,计算所述当前时刻与所述前一时刻的时间差;
若所述里程变化量小于或等于设定变化量,和所述时间差小于或等于设定时间差,则确定所述第一里程数据可靠;
若所述里程变化量大于所述设定变化量,或所述时间差大于所述设定时间差,则确定所述第一里程数据不可靠。
3.如权利要求1所述的方法,其特征在于,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据分别与先验地图和局部子地图进行匹配之前,还包括:
当机器人扫描到二维码时,利用加入了二维码约束因子的图优化模型估算下视相机的位姿;其中,所述下视相机是所述机器人的组成部件之一,用于扫描设置在所述机器人所在环境中的二维码;
将当前时刻对应的局部子地图清空,基于所述下视相机的位姿将所述当前时刻对应的激光点云投影到世界坐标系中,并转换到栅格地图中;其中,所述栅格地图是所述环境对应的地图;
将所述栅格地图中被投影后的激光点云占据的栅格,确定为障碍物所在的位置,并进行快速膨胀生成新的局部子地图。
4.如权利要求3所述的方法,其特征在于,所述二维码约束因子是所述下视相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
5.如权利要求3所述的方法,其特征在于,所述图优化模型中包含全局激光帧变量和相机帧变量之间通过对应里程数据计算的相对约束因子、所述二维码的图像帧对应的优化变量。
6.如权利要求1-5任一项所述的方法,其特征在于,基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿,包括:
若所述长期激光点云数据与所述先验地图匹配成功,则将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息作为所述观测信息;
若所述长期激光点云数据与所述先验地图匹配失败,则构建激光里程计;将所述长期激光点云数据与所述先验地图的匹配结果、所述里程计对应的位置信息、所述激光里程计对应的位置信息,作为所述观测信息;
用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型;
用所述优化后的图优化模型,估算所述机器人在当前时刻的位姿。
7.如权利要求6所述的方法,其特征在于,用所述观测信息对当前的图优化模型进行优化,获得优化后的图优化模型之前,还包括:
当所述机器人检测到布设在所述环境中的线条后,将检测到的线条提供的位置的垂直线条加入所述观测信息,并将所述线条对应的线条约束因子加入所述当前的图优化模型;其中,所述线条用于指示所述机器人在所述环境中的导航通道,所述线条约束因子是所述线条对应相机在世界坐标系下的坐标与对应优化变量的位姿形成的残差约束。
8.如权利要求7所述的方法,其特征在于,将检测到的线条提供的位置的垂直线条加入所述观测信息,包括:
若所述检测到的线条为已标定线条,则将所述已标定线条的横线观测和角度观测加入所述观测信息;
若所述检测到的线条为未标定线条,则将所述未标定线条的角度观测加入所述观测信息。
9.如权利要求8所述的方法,其特征在于,在所述已标定线条的设定范围内检测特殊标识符后,若再检测到所述特殊标识符,则所述已标定线条允许被遮挡,所述机器人的里程计、激光传感器允许平稳过渡。
10.一种动态环境下机器人定位的装置,其特征在于,包括:
确定单元,用于确定机器人的里程计在当前时刻产生的第一里程数据是否可靠;
获得单元,用于若所述第一里程数据不可靠,利用所述机器人的激光雷达传感器在当前时刻产生的激光点云数据中的长期激光点云数据和短期激光点云数据分别与先验地图和局部子地图进行匹配,获得匹配结果;其中,若所述机器人检测到二维码,则所述局部子地图为用所述检测到的二维码对应的位置信息更新原局部子地图后得到的;
估算单元,用于基于所述匹配结果、所述里程计和所述激光雷达传感器对应的观测信息,估算所述机器人在当前时刻的位姿。
11.一种机器人,其特征在于,包括:
激光雷达传感器,用于机器人在环境中运动时扫描所述机器人在当前位置观测到的环境轮廓,获得当前时刻对应的激光点云数据;
移动底盘,所述移动底盘包括运动控制器、电机、前视相机、下视相机、电池、嵌入式计算机、里程计;所述运动控制器用于控制所述电机驱动所述机器人运动,所述前视相机用于检测在所述环境中的地面上布置的直线段,所述下视相机用于扫描在所述地面上布置的二维码,所述里程计用于估计所述机器人运动的改变量,所述嵌入式计算机用于执行如权利要求1-9任一项所述的方法;其中,所述直线段布置在所述环境的导航通道附近,所述二维码布置在所述环境中导航环境变化大的位置。
12.一种动态环境下机器人定位的装置,其特征在于,包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,执行如权利要求1-9任一项所述的方法。
13.一种可读存储介质,其特征在于,包括存储器,
所述存储器用于存储指令,当所述指令被处理器执行时,使得包括所述可读存储介质的装置完成如权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165515.1A CN114236564B (zh) | 2022-02-23 | 2022-02-23 | 动态环境下机器人定位的方法、机器人、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165515.1A CN114236564B (zh) | 2022-02-23 | 2022-02-23 | 动态环境下机器人定位的方法、机器人、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114236564A true CN114236564A (zh) | 2022-03-25 |
CN114236564B CN114236564B (zh) | 2022-06-07 |
Family
ID=80747997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210165515.1A Active CN114236564B (zh) | 2022-02-23 | 2022-02-23 | 动态环境下机器人定位的方法、机器人、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236564B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114643579A (zh) * | 2022-03-29 | 2022-06-21 | 深圳优地科技有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
CN116224349A (zh) * | 2022-12-12 | 2023-06-06 | 珠海创智科技有限公司 | 一种机器人的定位方法、系统及电子是设备 |
CN116311095A (zh) * | 2023-03-16 | 2023-06-23 | 广州市衡正工程质量检测有限公司 | 基于区域划分的路面检测方法、计算机设备及存储介质 |
CN116408808A (zh) * | 2023-06-09 | 2023-07-11 | 未来机器人(深圳)有限公司 | 机器人取货检测方法及装置、机器人 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104848851A (zh) * | 2015-05-29 | 2015-08-19 | 山东鲁能智能技术有限公司 | 基于多传感器数据融合构图的变电站巡检机器人及其方法 |
CN108550318A (zh) * | 2018-03-12 | 2018-09-18 | 浙江大华技术股份有限公司 | 一种构建地图的方法及装置 |
US20180314254A1 (en) * | 2017-05-01 | 2018-11-01 | Savioke, Inc. | Computer system and method for automated mapping by robots |
CN109211251A (zh) * | 2018-09-21 | 2019-01-15 | 北京理工大学 | 一种基于激光和二维码融合的即时定位与地图构建方法 |
WO2019018315A1 (en) * | 2017-07-17 | 2019-01-24 | Kaarta, Inc. | ALIGNMENT OF MEASURED SIGNAL DATA WITH SLAM LOCATION DATA AND ASSOCIATED USES |
CN109579843A (zh) * | 2018-11-29 | 2019-04-05 | 浙江工业大学 | 一种空地多视角下的多机器人协同定位及融合建图方法 |
CN111895989A (zh) * | 2020-06-24 | 2020-11-06 | 浙江大华技术股份有限公司 | 一种机器人的定位方法、装置和电子设备 |
US20210187391A1 (en) * | 2019-12-20 | 2021-06-24 | Niantic, Inc. | Merging local maps from mapping devices |
CN113376650A (zh) * | 2021-08-09 | 2021-09-10 | 浙江华睿科技股份有限公司 | 移动机器人定位方法及装置、电子设备及存储介质 |
CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
-
2022
- 2022-02-23 CN CN202210165515.1A patent/CN114236564B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104848851A (zh) * | 2015-05-29 | 2015-08-19 | 山东鲁能智能技术有限公司 | 基于多传感器数据融合构图的变电站巡检机器人及其方法 |
US20180314254A1 (en) * | 2017-05-01 | 2018-11-01 | Savioke, Inc. | Computer system and method for automated mapping by robots |
WO2019018315A1 (en) * | 2017-07-17 | 2019-01-24 | Kaarta, Inc. | ALIGNMENT OF MEASURED SIGNAL DATA WITH SLAM LOCATION DATA AND ASSOCIATED USES |
CN108550318A (zh) * | 2018-03-12 | 2018-09-18 | 浙江大华技术股份有限公司 | 一种构建地图的方法及装置 |
CN109211251A (zh) * | 2018-09-21 | 2019-01-15 | 北京理工大学 | 一种基于激光和二维码融合的即时定位与地图构建方法 |
CN109579843A (zh) * | 2018-11-29 | 2019-04-05 | 浙江工业大学 | 一种空地多视角下的多机器人协同定位及融合建图方法 |
US20210187391A1 (en) * | 2019-12-20 | 2021-06-24 | Niantic, Inc. | Merging local maps from mapping devices |
CN111895989A (zh) * | 2020-06-24 | 2020-11-06 | 浙江大华技术股份有限公司 | 一种机器人的定位方法、装置和电子设备 |
CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
CN113376650A (zh) * | 2021-08-09 | 2021-09-10 | 浙江华睿科技股份有限公司 | 移动机器人定位方法及装置、电子设备及存储介质 |
Non-Patent Citations (7)
Title |
---|
CHAO LI ET AL.: "Monocular SLAM using vertical straight lines with inverse-depth representation", 《2008 7TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
HUIJUAN ZHANG ET AL.: "Localization and navigation using QR code for mobile robot in indoor environment", 《2015 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO)》 * |
SAEHOON YI ET AL.: "Pose Invariant Activity Classification for Multi-floor Indoor Localization", 《2014 22ND INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
卢维等: "基于自适应多特征表观模型的目标压缩跟踪", 《浙江大学学报(工学版)》 * |
向超等: "基于环境语义信息的移动机器人重定位增强", 《武汉科技大学学报》 * |
毛新涛等: "基于激光SLAM的AGV发展前景", 《自动化博览》 * |
邹谦: "基于图优化SLAM的移动机器人导航方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114643579A (zh) * | 2022-03-29 | 2022-06-21 | 深圳优地科技有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
CN114643579B (zh) * | 2022-03-29 | 2024-01-16 | 深圳优地科技有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
CN116224349A (zh) * | 2022-12-12 | 2023-06-06 | 珠海创智科技有限公司 | 一种机器人的定位方法、系统及电子是设备 |
CN116311095A (zh) * | 2023-03-16 | 2023-06-23 | 广州市衡正工程质量检测有限公司 | 基于区域划分的路面检测方法、计算机设备及存储介质 |
CN116311095B (zh) * | 2023-03-16 | 2024-01-02 | 广州市衡正工程质量检测有限公司 | 基于区域划分的路面检测方法、计算机设备及存储介质 |
CN116408808A (zh) * | 2023-06-09 | 2023-07-11 | 未来机器人(深圳)有限公司 | 机器人取货检测方法及装置、机器人 |
CN116408808B (zh) * | 2023-06-09 | 2023-08-01 | 未来机器人(深圳)有限公司 | 机器人取货检测方法及装置、机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN114236564B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114236564B (zh) | 动态环境下机器人定位的方法、机器人、装置及存储介质 | |
US10275649B2 (en) | Apparatus of recognizing position of mobile robot using direct tracking and method thereof | |
CN113376650B (zh) | 移动机器人定位方法及装置、电子设备及存储介质 | |
US10399228B2 (en) | Apparatus for recognizing position of mobile robot using edge based refinement and method thereof | |
US10307910B2 (en) | Apparatus of recognizing position of mobile robot using search based correlative matching and method thereof | |
US9274526B2 (en) | Autonomous vehicle and method of estimating self position of autonomous vehicle | |
US9239580B2 (en) | Autonomous mobile robot, self position estimation method, environmental map generation method, environmental map generation apparatus, and data structure for environmental map | |
US11846949B2 (en) | Systems and methods for calibration of a pose of a sensor relative to a materials handling vehicle | |
US20090125175A1 (en) | Apparatus and method for generating three-dimensional map using structured light | |
KR102547274B1 (ko) | 이동 로봇 및 이의 위치 인식 방법 | |
JP2008076252A (ja) | 自己位置認識システム | |
CN113432533B (zh) | 一种机器人定位方法、装置、机器人及存储介质 | |
US11629963B2 (en) | Efficient map matching method for autonomous driving and apparatus thereof | |
CN115291197A (zh) | 激光雷达的标定参数检测方法、装置、车辆及存储介质 | |
Csaba et al. | Differences between Kinect and structured lighting sensor in robot navigation | |
JP2010112836A (ja) | 自己位置同定装置および該自己位置同定装置を備えた移動ロボット | |
CN116203579A (zh) | 基于点云残差的激光雷达slam退化检测方法及系统 | |
CN114147707B (zh) | 一种基于视觉识别信息的机器人对接方法与设备 | |
KR20200080598A (ko) | 이동 로봇의 주행 평가 방법 | |
CN116134488A (zh) | 点云标注方法、装置、计算机设备和存储介质 | |
Kaneko et al. | Point cloud data map creation from factory design drawing for LiDAR localization of an autonomous mobile robot | |
JP2020059332A (ja) | 位置推定装置及び方法 | |
WO2023234384A1 (ja) | 地図生成装置、地図生成方法、及びコンピュータ読み取り可能な記録媒体 | |
JP6670712B2 (ja) | 自己位置推定装置、移動体及び自己位置推定方法 | |
CN112407046B (zh) | 车辆控制方法与车辆控制系统 |
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 |