CN114489036B - 一种基于slam的室内机器人导航控制方法 - Google Patents
一种基于slam的室内机器人导航控制方法 Download PDFInfo
- Publication number
- CN114489036B CN114489036B CN202110848667.7A CN202110848667A CN114489036B CN 114489036 B CN114489036 B CN 114489036B CN 202110848667 A CN202110848667 A CN 202110848667A CN 114489036 B CN114489036 B CN 114489036B
- Authority
- CN
- China
- Prior art keywords
- robot
- slam
- indoor
- pose
- moment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 38
- 230000033001 locomotion Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000005284 excitation Effects 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012800 visualization Methods 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
该发明名为“一种基于SLAM的室内机器人导航控制方法”。通过机器人搭载的激光雷达及里程计实时获取室内环境信息，根据圆弧运动规律构建机器人运动模型实时获取其运动状态，运用栅格地图表示法实时构建周围环境地图，采用似然场模型实时构建激光雷达观测模型，结合基于Rao‑Blackwellised粒子滤波的SLAM方法、生物激励神经网络算法，最终实现了室内移动机器人的导航控制，包括机器人定位、环境地图构建、路径规划及动态避障，一定程度上提高了室内机器人的导航精度和实时性。实现的室内移动机器人导航对矿井救援、场景重建等领域的发展具有积极的推动作用，能够代替人工在危险的环境下作业，提高工作效率和安全性。
Description
所属技术领域
本发明涉及激光雷达和里程计等传感器数据、环境数据、基于Rao-Blackwellised粒子滤波的同步定位与建图(Simultaneous Localization and Mapping，SLAM)方法，实现了室内机器人的导航控制，构建了室内环境地图，提高了室内导航控制的精度和实时性。
背景技术
移动机器人的自主导航主要在于解决机器人在哪儿、去哪儿、如何去共3个问题，其中SLAM技术解决了在哪儿、去哪儿的问题，而路径规划技术则解决了如何去的问题。SLAM一直被认为是机器人能否真正实现自主导航的关键所在，是机器人实现自身定位、构建环境地图的一种有效而精确的方法。传统的基于Rao-Blackwellised粒子滤波的SLAM(Rao-Blackwellised Particle Filter-SLAM，RBPF-SLAM)方法采用基于里程计读数的建议分布函数来估计机器人的位姿，但是在室内光滑地面等特殊环境中，机器人车轮与里程计之间存在一定的相对运动，造成里程计读数误差，并进一步导致机器人的定位误差。此外，室内动态突发环境往往导致机器人无法及时避开障碍物，进而无法规划出最优路径，降低了室内自主导航的实时性。本发明采用机器人相邻两时刻的位姿差代替传统里程计的读数，对建议分布函数进行改进。结合改进后的RBPF-SLAM与生物激励神经网络(BiologicalInspired Neural Network，BINN)的优点，提出了基于生物激励神经网络的室内实时激光SLAM方法，通过ROS(Robot Operating System)平台在仿真和实际环境中实现室内机器人的导航控制，并提高导航的精度和实时性，该发明对促进机器人导航技术的发展颇具现实意义。
发明内容
本发明的目的是提供一种基于SLAM的室内机器人导航控制方法，可实时定位室内机器人、构建室内环境地图、动态避障，进而实现室内机器人的导航，并提高导航精度和实时性。
为实现上述目的，本发明利用机器人自身搭载的激光雷达、里程计及陀螺仪等传感器实时观测室内环境。根据传感器的测量数据，采用栅格地图表示法、似然场模型实时构建环境地图模型、机器人运动模型及激光雷达观测模型。结合相关模型，提出一种基于生物激励神经网络的实时激光SLAM方法，利用机器人操作系统(Robot Operating System,ROS)平台实现室内机器人的导航控制，有效提高机器人定位和构建环境地图的精度，提高导航的实时性。
本发明解决其技术问题所采用的技术方案是：采用Ubuntu 16.04+ROS Kinetic系统，在Gazebo、Rviz等仿真工具下，采用C++、Python语言、RBPF-SLAM方法、生物激励神经网络算法编程实现室内机器人导航，包括动态避障、路径规划、自身定位及室内环境地图构建。所述的激光雷达为思岚科技RoboPeak团队研发的RPLIDAR A1。
所述的里程计为增量式光电编码器。
所述的陀螺仪为九轴陀螺仪。
本发明的有益效果是，有效提高室内机器人导航控制的精度和实时性，积极推动室内导航的发展。
附图说明
图1基于激光SLAM的室内机器人导航系统流程图
图2室内导航系统的软件功能模块图
图3机器人运动过程图
图4改进的RBPF-SLAM算法流程图
图5基于BINN的室内实时激光SLAM算法的流程图
具体实施方案
下面结合附图，对发明作进一步详细说明。
参见图1，所述一种基于激光SLAM的室内机器人导航控制方法，主要完成室内机器人的导航控制，包括SLAM和路径规划两大模块，实现了对里程计和激光雷达数据的转换，并根据该数据实时建立机器人的运动模型和激光雷达的观测模型，以估计机器人位姿，更新室内环境地图，并进一步规划路径以使机器人到达目标点，完成室内自主导航。具体步骤如下：
步骤1：在ROS平台下启动Gazebo仿真工具和Rviz可视化平台，并在Rviz中标注起始点和目标点，采用键盘控制程序远程控制机器人移动至实际环境中相应的起点。
步骤2：移动机器人底盘驱动控制器接收里程计信息，激光雷达将采集的数据通过串口传给底层控制板。
步骤3：SLAM模块中，机器人根据步骤2中获得的传感器信息估计自身位姿并构建环境地图，随后将位姿和环境地图信息实时提供给路径规划模块。
步骤4：路径规划模块中，机器人首先加载环境地图，并实时订阅SLAM模块跟踪机器人位姿，然后根据当前位姿和环境地图实时规划路径，最后将当前速度通过串口发送给驱动控制器，控制机器人按照规划的轨迹行驶直至到达目标点。
参见图2，所述为基于激光SLAM的室内导航系统的软件功能模块图，主要完成同步定位与地图构建、实时导航、机器人模型描述、激光雷达驱动加载及底盘控制共5大模块的功能，包括机器人运动模型的构建、机器人坐标的维护，雷达观测模型的构建、雷达数据转换及维护、机器人运动控制、环境地图构建、机器人位姿估计、室内实时路径规划、动态避障。
参见图3，所述为室内机器人的运动过程。机器人在运动过程中绕点A(xa,ya)T(其中T表示矩阵的转置)做圆弧运动，a，b，c，d分别为t时刻和t+1时刻机器人的右轮、左轮；l为左右轮之间的轮距；r为机器人做圆弧运动的半径；机器人的线速度为v，角速度为w，两者的初始值分别设置为v＝0.5m/s，w＝0.5rad/s。根据该运动过程可实时构建室内机器人的运动模型，具体构建步骤如下：
步骤1：假设机器人的前一时刻的位姿为st-1＝(x,y,ψ)T，计算A(xa,ya)的坐标，如下式所示。
步骤2：经过Δt时间，计算机器人当前时刻的位姿，如式(3)所示。
结合机器人上一时刻的位姿，式(3)可表示如下：
步骤3：结合实际运动过程中的噪声及里程计等控制输入量的影响，计算机器人的实际运动速度，如式(4)所示。
式中，wx,wy,wψ—机器人运动过程中，x,y及朝向角方向上的噪声。
参见图4，为本发明改进的RBPF-SLAM流程,改进后的RBPF-SLAM的建议分布函数如式(6)所示，具体步骤如下。
q(st|st-1,zt)＝st-1+gt(ut,st,st-1) (6)
式中，gt—机器人当前时刻与上一时刻的位姿差，定义如式(7)。由于本文仅研究二维空间中的机器人位姿，当机器人的x,y坐标一定时，可得唯一的机器人朝向角，因此式(7)仅对机器人二维平面上的横纵坐标做差。
步骤1：初始化。初始时刻在二维全局坐标系中指定机器人的初始位姿并产生初始化粒子；读取初始时刻雷达的扫描数据，对该数据进行处理并根据处理后的数据建立初始时刻的局部地图，将其作为该时刻的全局地图。
步骤2：读取里程计读数，并对读数进行转换。利用转换后的读数结合建议分布函数抽取新的样本粒子。
步骤3：读取激光雷达数据，对激光数据进行转换和校正。利用处理后的激光数据构造几何特征局部地图，并将局部特征地图与全局地图进行匹配并定位。
步骤4：对每一个粒子判断其是否满足式(7)的阈值条件。若满足，则用基于几何特征定位位姿的建议分布函数代替基于里程计读数的建议分布函数产生新的粒子，否则，直接用基于里程计读数的建议分布函数产生新的粒子。
步骤5：利用似然函数p(zt|mt-1,st)更新上述步骤产生的所有新粒子的权值并规范化。计算有效粒子数Neff，并判断是否需要对粒子进行重采样和正则化。
步骤6：利用一阶估计对机器人进行初步定位，得到初步估计的位姿。
步骤7：更新地图。用当前时刻的局部环境地图，更新当前时刻所有的全局地图。
参见图5，所述为本发明采用的基于生物激励神经网络的实时激光SLAM算法的流程。机器人在运动过程中，由于下一步位置具有不确定性，因此每个粒子下一时刻的位置也应具有不确定性。式(7)将粒子采样范围限制在有限区域内，将该有限区域内的每个粒子都看作一个神经元，利用BINN动态确定粒子的下一时刻位置。假设当前神经元活性值为xi，机器人当前时刻的状态为st＝(xt,yt,θt)T，则上一时刻机器人的状态为st-1＝(xt-1,yt-1,θt-1)T，同时假设机器人下一时刻的可能状态为sn＝(xn,yn,θn)T，其中x,y为世界坐标系，θ为机器人的朝向角。计算可得机器人当前状态与下一时刻可能状态之间的欧式距离为：
结合标准生物激励神经网络的神经元权重更新公式，粒子的权值更新公式为：
将上述权重wtn代入标准生物激励神经网络的神经动力学方程中，计算得到与当前神经元相邻的所有神经元的活性值中的最大值xj，将此神经元的位置作为机器人的下一时刻位置，有：
式中，sn—机器人下一时刻的状态；c—非负常数；k—与当前神经元相邻的神经元个数，即所有可能的下一个位置的个数。当机器人移动到下一位置后，下一位置成为新的当前位置，然后再用相同的方法到达新的下一位置，直到机器人到达目标点。
基于生物激励神经网络的室内实时激光SLAM方法的具体步骤如下：
步骤1：初始化。0时刻指定机器人在全局坐标中的位姿并产生初始化粒子。激光雷达扫描周围环境信息建立局部地图，并作为初始的全局地图。初始化所有神经元的活性值为0。设置生物激励神经网络参数。
步骤2：读取里程计读数，根据读数结合建议分布函数抽取新的样本粒子。
步骤3：读取激光雷达数据，并根据激光雷达数据构造几何特征局部地图。对每个粒子，将局部特征地图与全局地图进行匹配并定位。
步骤4：对每一个粒子判断其是否满足式(7)的阈值条件。若满足，则用基于几何特征定位位姿的建议分布函数代替基于里程计读数的建议分布函数产生新的粒子，否则，直接用基于里程计读数的建议分布函数产生新的粒子。
步骤5：对上述产生的新粒子，通过似然函数p(zt|mt-1,st)更新所有粒子的权值并规范化。计算有效粒子数，根据结果决定是否进行重采样和正则化。
步骤6：利用一阶估计对机器人进行初步定位，得到初步估计的位姿。
步骤7：导航的过程中，启动BINN线程，按照BINN的神经动力学方程计算当前粒子所处的神经元的活性值。
步骤8：查找当前神经元的邻域内活性值最大的神经元。若找到，按照式(10)计算出机器人的下一位置，机器人移动到该位置，并将该位置作为机器人的当前位置，重复步骤2。若未找到，直接使用步骤6中机器人位置作为机器人的当前位置。
步骤9：更新地图。根据机器人当前位姿及路标信息更新全局环境地图。
Claims (5)
1.一种基于SLAM(Simultaneous Localization and Mapping)的室内机器人导航控制方法，其特征在于包括基于SLAM的室内机器人导航流程、改进的基于Rao-Blackwellised粒子滤波的SLAM(Rao-Blackwellised Particle Filter-SLAM，RBPF-SLAM)方法及基于生物激励神经网络(Biological Inspired Neural Network，BINN)的室内实时激光SLAM方法共3部分，其流程为首先利用改进的RBPF-SLAM方法初步估计室内机器人的位姿，然后根据该位姿建立室内环境地图，最后利用BINN实时重定位机器人，并实时规划路径及动态避障，从而使得机器人顺利完成室内导航，并提高导航精度和实时性；所述改进的RBPF-SLAM方法将基于激光观测数据的机器人相邻两时刻的位姿差代替里程计读数对传统RBPF-SLAM的建议分布函数进行改进，以降低因里程计与车轮的相对运动及里程计读数带来的机器人定位误差，改进后的建议分布函数如式(1)所示：
q(st|st-1,zt)＝st-1+gt(ut,st,st-1) (1)
式中，st-机器人当前时刻的位姿；st-1-机器人上一时刻的位姿；zt-当前时刻的观测量；ut-里程计读数；gt-机器人当前时刻与上一时刻的位姿差，定义如式(2)：
式中，(xt,yt)-机器人当前时刻位姿的横纵坐标；(xt-1,yt-1)-机器人上一时刻位姿的横纵坐标；δod-点距阈值；公式(2)表明在只有粒子的状态中，当粒子与基于雷达观测数据得到的位姿之间的距离小于δod米时，直接用机器人相邻两时刻的位姿差作为建议分布函数的输入，反之，仍采用基于里程计读数的运动预测方程作为建议分布函数的输入。
2.根据权利要求1所述的基于SLAM的室内机器人导航控制方法，其特征在于：室内机器人导航控制主要分为2个模块：SLAM模块和路径规划模块；SLAM模块中，机器人根据传感器信息估计自身位姿并构建环境地图，随后将位姿和环境地图信息实时提供给路径规划模块；路径规划模块中，机器人首先加载环境地图，并实时订阅SLAM模块跟踪机器人位姿，然后根据当前位姿和环境地图实时规划路径，最后将当前速度通过串口发送给驱动控制器，控制机器人按照规划的轨迹行驶直至到达目标点。
3.根据权利要求1所述的基于SLAM的室内机器人导航控制方法，其特征在于：改进后的建议分布函数通过阈值条件将粒子采样范围限制在一个较小的有限区域，从而用更少的粒子集覆盖机器人的概率分布，进一步提高定位精度。
4.根据权利要求1所述的基于SLAM的室内机器人导航控制方法，其特征在于：采用BINN动态确定机器人的位置，在室内环境中动态规划路径及避障。
5.根据权利要求1所述的基于SLAM的室内机器人导航控制方法，其特征在于：结合改进的RBPF-SLAM的高精准性和BINN的高实时性，提出一种基于BINN的室内实时激光SLAM方法，该方法首先采用改进的RBPF-SLAM通过阈值条件，将粒子采样范围限制在一个有限区域内；然后将有限区域内的每个粒子看做一个神经元，通过计算神经元的活性值，利用BINN动态确定粒子的下一时刻的可能位置，假设当前神经元活性值为xi，机器人当前时刻的状态为st＝(xt,yt,θt)T，则上一时刻机器人的状态为st-1＝(xt-1,yt-1,θt-1)T，同时假设机器人下一时刻的可能状态为sn＝(xn,yn,θn)T，其中x,y为世界坐标系，θ为机器人的朝向角，计算可得机器人当前状态与下一时刻可能状态之间的欧式距离为：
结合标准生物激励神经网络的神经元权重更新公式，粒子的权值更新公式为：
将上述权重wtn代入标准生物激励神经网络的神经动力学方程中，计算得到与当前神经元相邻的所有神经元的活性值中的最大值xj，将此神经元的位置作为机器人的下一时刻位置，可以得到：
式中，sn-机器人下一时刻的状态；c-非负常数；k-与当前神经元相邻的神经元个数，即所有可能的下一个位置的个数；当机器人移动到下一位置后，下一位置成为新的当前位置，然后再用相同的方法到达新的下一位置，直到机器人到达目标点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110848667.7A CN114489036B (zh) | 2021-07-25 | 2021-07-25 | 一种基于slam的室内机器人导航控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110848667.7A CN114489036B (zh) | 2021-07-25 | 2021-07-25 | 一种基于slam的室内机器人导航控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114489036A CN114489036A (zh) | 2022-05-13 |
| CN114489036B true CN114489036B (zh) | 2023-07-14 |
Family
ID=81491586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110848667.7A Active CN114489036B (zh) | 2021-07-25 | 2021-07-25 | 一种基于slam的室内机器人导航控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114489036B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115657062B (zh) * | 2022-12-27 | 2023-03-17 | 理工雷科智途(北京)科技有限公司 | 一种设备快速重定位方法、装置及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109900280A (zh) * | 2019-03-27 | 2019-06-18 | 浙江大学 | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101965296B1 (ko) * | 2016-11-30 | 2019-04-19 | 연세대학교 산학협력단 | 파티클 간에 지도를 공유하는 이동체의 위치 추정 및 지도 작성 방법 및 장치 |
| CN106843216B (zh) * | 2017-02-15 | 2019-11-05 | 北京大学深圳研究生院 | 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法 |
| CN109959377A (zh) * | 2017-12-25 | 2019-07-02 | 北京东方兴华科技发展有限责任公司 | 一种机器人导航定位系统及方法 |
| CN110487286B (zh) * | 2019-08-09 | 2022-12-20 | 上海电器科学研究所（集团）有限公司 | 基于点特征投影与激光点云融合的机器人位姿判断方法 |
| CN112284376A (zh) * | 2020-10-10 | 2021-01-29 | 南京工程学院 | 一种基于多传感器融合的移动机器人室内定位建图方法 |
| CN112882056B (zh) * | 2021-01-15 | 2024-04-09 | 西安理工大学 | 基于激光雷达的移动机器人同步定位与地图构建方法 |
-
2021
- 2021-07-25 CN CN202110848667.7A patent/CN114489036B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109900280A (zh) * | 2019-03-27 | 2019-06-18 | 浙江大学 | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| Path navigation for indoor robot with Q-learning;huang,LW;INTELLIGENT AUTOMATION AND SOFT COMPUTING;全文 * |
| 基于RBPF-SLAM算法的研究与实现;王辉;计算机系统应用;第28卷(第7期);全文 * |
| 基于生物激励神经网络的室内实时激光SLAM控制方法;向玉云;信息与控制;第50卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114489036A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107239076B (zh) | 基于虚拟扫描与测距匹配的agv激光slam方法 | |
| CN100504694C (zh) | 一种农业机械的导航控制方法 | |
| CN104914865B (zh) | 变电站巡检机器人定位导航系统及方法 | |
| CN107861508B (zh) | 一种移动机器人局部运动规划方法及装置 | |
| EP4009131A1 (en) | Method of navigating a vehicle and system thereof | |
| CN108362288B (zh) | 一种基于无迹卡尔曼滤波的偏振光slam方法 | |
| CN105955273A (zh) | 室内机器人导航系统及方法 | |
| CN103914068A (zh) | 一种基于栅格地图的服务机器人自主导航方法 | |
| CN103324196A (zh) | 基于模糊逻辑的多机器人路径规划与协调避碰方法 | |
| CN110866927A (zh) | 一种基于垂足点线特征结合的ekf-slam算法的机器人定位与构图方法 | |
| CN113203419B (zh) | 基于神经网络的室内巡检机器人校正定位方法 | |
| CN111060099A (zh) | 一种无人驾驶汽车实时定位方法 | |
| CN114489036B (zh) | 一种基于slam的室内机器人导航控制方法 | |
| Zhu et al. | A hierarchical deep reinforcement learning framework with high efficiency and generalization for fast and safe navigation | |
| CN113310488A (zh) | 一种基于slam的果园机器人导航方法 | |
| CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
| Basiuk et al. | Mobile Robot Position Determining Using Odometry Method | |
| JP2024517360A (ja) | 複合測定モデルを使用して移動物体の拡大状態を追跡するためのシステムおよび方法 | |
| Cheein et al. | Autonomous Simultaneous Localization and Mapping driven by Monte Carlo uncertainty maps-based navigation | |
| CN115655311A (zh) | 一种基于扫描匹配的阿克曼型机器人里程计标定方法 | |
| CN112947481B (zh) | 一种家庭服务机器人自主定位控制方法 | |
| Gao et al. | Design of mobile robot based on cartographer SLAM algorithm | |
| Wang et al. | Agv navigation based on apriltags2 auxiliary positioning | |
| Yang et al. | An improved agv real-time location model based on joint compatibility branch and bound | |
| Zeghmi et al. | A Kalman-particle hybrid filter for improved localization of AGV in indoor environment |
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 |