CN114593737A - 控制方法、装置、机器人及存储介质 - Google Patents
控制方法、装置、机器人及存储介质 Download PDFInfo
- Publication number
- CN114593737A CN114593737A CN202210238855.2A CN202210238855A CN114593737A CN 114593737 A CN114593737 A CN 114593737A CN 202210238855 A CN202210238855 A CN 202210238855A CN 114593737 A CN114593737 A CN 114593737A
- Authority
- CN
- China
- Prior art keywords
- pose
- data
- point cloud
- robot
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 132
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013138 pruning Methods 0.000 claims description 9
- 238000010408 sweeping Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- 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
本申请公开了一种机器人的控制方法、装置、机器人以及存储介质。控制方法包括:获取机器人采集的激光点云数据和位姿数据,根据激光点云数据以预设分辨率建立多分辨率栅格地图,根据位姿数据生成多个位姿采样数据,将激光点云数据在位姿采样数据下与多分辨率栅格地图进行匹配得到每个位姿采样数据对应的位姿分值以形成评分树,对评分树进行处理得到机器人的目标位姿。本申请通过将机器人获取的激光点云数据建立多分辨率栅格地图,并对获取的位姿数据生成位姿采样数据,以及将激光点云数据转换到位姿采样数据下,使得激光点云数据能够与位姿匹配,得到目标位姿,有效提高机器人在传感器数据不准或者轮子打滑时候的精准度和鲁棒性。
Description
技术领域
本申请涉及移动机器人技术领域,特别涉及一种机器人的控制方法、控制装置、机器人及计算机可读存储介质。
背景技术
随着机器人科技的快速发展,机器人的应用也越来越广泛,机器人逐渐成为生活中不可或缺的一部分。扫地机器人作为一种加用智能移动机器人越来越受到大家的认可。同步定位与即时建图是评价扫地机器人性能的最重要的指标之一。然而,由于机器人轮子打滑或者传感器数据异常,从而会造成机器人在建立二维栅格地图时产生错误或者地图重叠等问题。
发明内容
有鉴于此,本申请提供一种机器人的控制方法、控制装置、机器人及非失易性计算机可读存储介质。
本申请实施方式的控制方法,包括:
获取所述机器人采集的激光点云数据和位姿数据;
根据所述激光点云数据以预设分辨率建立多分辨率栅格地图;
根据所述位姿数据生成多个位姿采样数据;
将所述激光点云数据在所述位姿采样数据下与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值以形成评分树;
对所述评分树进行处理得到所述机器人的目标位姿。
在某些实施方式中,所述获取所述机器人采集的点云数据和位姿数据,包括:
获取轮式里程计数据和雷达采集的原始点云数据;
根据所述轮式里程计数据对所述原始点云数据进行去畸变处理得到所述激光点云数据,并记录所述位姿数据。
在某些实施方式中,所述根据所述激光点云数据以预设分辨率建立多分辨率栅格地图,包括:
根据所述激光点云数据以所述预设分辨率建立第一分辨率栅格地图;
根据所述激光点云数据以所述预设分辨率的倍数建立第二分辨率栅格地图。
在某些实施方式中,所述根据所述位姿数据生成多个位姿采样数据,包括:
以所述位姿数据为中心确定距离偏离量和角度偏移量;
以所述距离偏移量和所述角度偏移量为基准,根据所述位姿数据和位姿分辨率生成多个所述位姿采样数据。
在某些实施方式中,将所述激光点云数据在所述位姿采样数据下与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值以形成评分树,包括:
依次将所述激光点云数据转换到多个所述位姿采样数据下得到每个所述位姿采样数据的待处理点云数据;
依次将每个所述位姿采样数据的待处理点云数据与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值;
将各个所述位姿采样数据对应的位姿分值以树的形式存储得到所述评分树。
在某些实施方式中,所述对所述评分树进行处理得到所述机器人的目标位姿,包括:
以定界分支算法对所述评分树进行剪枝处理得到所述机器人的目标位姿。
在某些实施方式中,所述以定界分支算法对所述评分树进行剪枝处理得到所述机器人的目标位姿,包括:
将初始位姿采样数据对应的当前最高位姿分值最为根节点;
在所述评分树不为空的情况下,将节点从所述评分树中弹出;
在所述当前位姿采样数据对应的当前位姿分值大于当前最高位姿分值,且所述当前位姿分值对应的当前节点是叶子节点的情况下,确定当前位姿采样数据为目标采样数据
根据所述目标采样数据确定所述目标位姿。
在某些实施方式中,所述以定界分支算法对所述评分树进行剪枝处理得到所述机器人的目标位姿,包括:
在所述当前位姿分值对应的当前节点不是叶子节点的情况下,将所述当前节点从所述评分树中弹出;
进行下一所述位姿采样数据的处理。
本申请实施方式的机器人的控制装置,包括:
获取模块,用于获取所述机器人采集的激光点云数据和位姿数据;
构建模块,用于根据所述激光点云数据以预设分辨率建立多分辨率栅格地图;
生成模块,用于根据所述位姿数据生成多个位姿采样数据;
匹配模块,用于将所述激光点云数据在所述位姿采样数据下与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值以形成评分树;
处理模块,用于对所述评分树进行处理得到所述机器人的目标位姿。
本申请实施方式的机器人,包括处理器和存储器;所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行上述的控制方法。所述控制方法包括:获取所述机器人采集的激光点云数据和位姿数据;根据所述激光点云数据以预设分辨率建立多分辨率栅格地图;根据所述位姿数据生成多个位姿采样数据;将所述激光点云数据在所述位姿采样数据下与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值以形成评分树;对所述评分树进行处理得到所述机器人的目标位姿。
本申请实施方式的非易失性计算机可读存储介质,包括计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行上述所述的机器人的控制方法。所述控制方法包括:获取所述机器人采集的激光点云数据和位姿数据;根据所述激光点云数据以预设分辨率建立多分辨率栅格地图;根据所述位姿数据生成多个位姿采样数据;将所述激光点云数据在所述位姿采样数据下与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值以形成评分树;对所述评分树进行处理得到所述机器人的目标位姿。
本申请实施方式的机器人的控制方法、装置、机器人及可读存储介质中,通过获取机器人采集的与周围环境相关的激光点云数据以及机器人自身的位姿数据,并通过激光点云数据构建多个多分辨率栅格地图,同时,将位姿数据按照一定的范围和分辨率进行采样,得到位姿采样数据,再将激光点云数据转换至每个位姿采样数据下以和多分辨率栅格地图匹配,得到每个位姿采样数据对应的位姿分值以生成得到评分树,最后再根据评分树从位姿采样数据中选择出最优位姿,并将最优位姿作为机器人的目标位姿。如此,避免了建图定位中机器人因为编码器打滑或者传感器数据异常而造成的定位不准以及建图错误的问题。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请某些实施方式的机器人的控制方法的流程示意图;
图2是本申请某些实施方式的机器人的控制装置的模块示意图;
图3-4是本申请某些实施方式的机器人的控制方法的流程示意图;
图5是本申请某些实施方式的机器人的控制方法的场景示意图;
图6是本申请某些实施方式的机器人的控制方法的流程示意图;
图7是本申请某些实施方式的机器人的控制方法的场景示意图;
图8-11是本申请某些实施方式的机器人的控制方法的流程示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
当前,随着消费需求的个性化以及新技术的突破成熟,带来了智能家居,智慧物流等行业的不断发展,同时移动机器人的市场也日趋扩大。扫地机器人作为一种加用智能移动机器人越来越受到大家的认可。同步定位与即时建图是评价扫地机器人性能的最重要的指标之一。然而,由于机器人轮子打滑或者传感器数据异常,从而会造成机器人在建立二维栅格地图时产生错误或者地图重叠等问题。
相关技术中,扫地机器人为了提高前端匹配的鲁棒性和算法的效率,采样基于相关性匹配的方案,其使用暴力搜索根据当前雷达数据对位姿进行遍历打分,取分数最高对应的位姿作为当前的位姿。然而,分数最高的并不一定是最优位姿,并且,当传感器数据出现错误,在错误的位姿有可能得到最高或者相同高的分数,造成了同一个问题存在多个解,若采用错误的位姿导致机器人构建地图,容易导致整个系统崩溃。
请参阅图1,本申请提供一种机器人的控制方法,包括步骤:
01,获取机器人采集的激光点云数据和位姿数据;
02,根据激光点云数据以预设分辨率建立多分辨率栅格地图;
03,根据位姿数据生成多个位姿采样数据;
04,将激光点云数据在位姿采样数据下与多分辨率栅格地图进行匹配得到每个位姿采样数据对应的位姿分值以形成评分树;
05,对评分树进行处理得到机器人的目标位姿。
请参阅图2,本申请实施方式提供了一种机器人的控制装置100。控制装置100包括获取模块110、构建模块120、生成模块130、匹配模块140和处理模块150。
其中,01可以由获取模块110实现,02可以由构建模块120实现,03可以由生成模块130实现,04可以由匹配模块140实现,05可以由处理模块150实现。
或者说,获取模块110可以用于获取机器人采集的激光点云数据和位姿数据;构建模块120可以用于根据激光点云数据以预设分辨率建立多分辨率栅格地图。生成模块130可以用于根据位姿数据生成多个位姿采样数据;匹配模块140可以用于将激光点云数据在位姿采样数据下与多分辨率栅格地图进行匹配得到每个位姿采样数据对应的位姿分值以形成评分树,处理模块150可以用于对评分树进行处理得到机器人的目标位姿。
本申请还提供了一种机器人,包括处理器和存储器,存储器存储有计算机程序,当计算机程序被处理器执行时,使得处理器实现上述控制方法,也即是,处理器用于获取机器人采集的激光点云数据和位姿数据,并根据激光点云数据以预设分辨率建立多分辨率栅格地图。以及根据位姿数据生成多个位姿采样数据,再将激光点云数据在位姿采样数据下与多分辨率栅格地图进行匹配得到每个位姿采样数据对应的位姿分值以形成评分树,最后对评分树进行处理得到机器人的目标位姿。
本申请的控制方法、控制装置和机器人中,通过获取机器人采集的与周围环境相关的激光点云数据以及机器人自身的位姿数据,并通过激光点云数据构建多个多分辨率栅格地图,同时,将位姿数据按照一定的范围和分辨率进行采样,得到位姿采样数据,再将激光点云数据转换至每个位姿采样数据下以和多分辨率栅格地图匹配,得到每个位姿采样数据对应的位姿分值以生成得到评分树,最后再根据评分树从位姿采样数据中选择出最优位姿,并将最优位姿作为机器人的目标位姿。如此,避免了建图定位中机器人因为编码器打滑或者传感器数据异常而造成的定位不准以及建图错误的问题。
在一些实施方式中,机器人可以包括但不限于玩具机器人、扫地机器人、多足机器人(例如,双足机器人、四足机器人等)。例如,本实施方式可以以机器人是扫地机器人为例进行说明,也即是说,控制方法和控制装置100应用于但不限于扫地机器人。控制装置可以是预安装于扫地机器人的硬件或软件,并在扫地机器人上启动运行时可以执行控制方法。例如,控制装置100可以是扫地机器人的底层软件代码段或者说是操作系统的一部分。如此,当扫地机器人可以根据摄像头采集的图像数据生成目标行驶空间并沿着目标行驶空间行驶。
在一些实施方式中,控制装置100可以是机器人的一部分。或者说,机器人包括控制装置100。
在一些实施方式中,控制装置100可以是一定方式组装以具有前述功能的分立元件、或者是以集成电路形式存在具有前述功能的芯片、又或者是在计算机上运行时使得计算机具有前述功能的计算机软件代码段。
在一些实施方式中,作为硬件,控制装置100可以是独立或者作为额外增加的外围元件加装到机器人。控制装置100也可以集成到机器人上,例如,控制装置100是机器人的一部分时,控制装置100可以集成到处理器上。
需要说明的是,分辨率是指栅格地图中每个栅格点的分辨率,预设分辨率则是预先设置好的每个栅格点的分辨率。可以理解地,由于激光点云数据表征机器人的周围环境,激光点云数据的面积大小是固定的,将激光点云数据以预设分辨率生成的多栅格地图中,若预设分辨率越大,则栅格地图中的栅格点越少,例如,栅格地图的大小为1m,若栅格的分辨率为0.05,则栅格地图包括20个栅格点,若栅格分辨率为0.1,则栅格地图包括10个栅格点。
位姿数据表征机器人当前位姿的数据(当前位姿为矫正前的位姿,不一定为实际准确的位姿)。位姿数据包括机器人的坐标位置与航向角。位姿采样数据是指以位姿数据的坐标位姿为中心在其周围进行采样得到的数据。
多分辨率栅格地图是指多张不同分辨率的栅格地图。位姿分值表征待处理点云数据与多分辨率栅格地图中的栅格的匹配程度,匹配程度越高,则位姿分值越高。并且,可以理解地,由于分辨率栅格地图包括多个,因此,每个位姿采样数据的位姿分值也包括多个。
目标位姿是根据评分树对位姿采样数据进行筛选得到,也即是,在本申请中,通过对评分树处理,从而根据评分树中的位姿分值确定目标位姿采样数据,并将目标位姿采样数据作为目标位姿。
请参阅图3,在某些实施方式中,在步骤01包括子步骤:
011,获取轮式里程计数据和雷达采集的原始点云数据;
012,根据轮式里程计数据对原始点云数据进行去畸变处理得到激光点云数据,并记录位姿数据。
请进一步地结合图2,在某些实施方式中,子步骤011和012可以由获取模块110实现。或者说,获取模块110可以用于获取轮式里程计数据和雷达采集的原始点云数据,并根据轮式里程计数据对原始点云数据进行去畸变处理得到激光点云数据,并记录位姿数据。
在某些实施方式中,处理器可以用于获取轮式里程计数据和雷达采集的原始点云数据,并根据轮式里程计数据对原始点云数据进行去畸变处理得到激光点云数据,并记录位姿数据。
机器人还包括有里程计和激光雷达,其中,里程计可用于生成机器人的里程计数据,传感器用于扫描当前机器人周围环境以生成表征周围环境的原始点云数据,也即是,处理器可从里程计中获取到里程计数据,以及从传感器中获取到原始点云数据。
里程计可以为轮式里程计或惯性测量单元(Inertial measurement unit,IMU)。激光可以包括但不限于二维激光雷达和三维激光雷达等距离传感器,例如,在本实施方式中,里程计可以为轮式里程计,激光可以为二维激光雷达,也即是,本实施方式中,采用轮式里程计生成轮式里程计数据,二维激光雷达扫描机器人周围环境以生成得到原始点云数据。
可以理解地,由于激光雷达采集原始点云数据的过程中,随着机器人运动导致一帧原始点云数据中的点不是在同一时刻采集的,导致原始点云数据存在一定的变形,若直接采用原始点云数据以预设分辨率建立多分辨率栅格地图,容易导致多分辨率栅格地图不准确。因此,需要对原始点云数据进行去畸变矫正,以得到准确的激光点云数据。
在本实施方式中,可采用位姿外插法以根据轮式里程计数据对原始点云数据进行去畸变处理,得到激光点云数据,并且,在得到激光点云数据后,记录当前机器人的位姿数据。具体而言,通过轮式里程计数据和时间戳求出原始点云数据中每一个原始点云的运动速度,进而,再对每个原始点云的运动速度进行积分运算,得到每个原始点云去畸变后的位置,并记录去畸变处理后机器人的位姿,如此,得到了激光点云数据和位姿数据。
请参阅图4,在某些实施方式中,在某些实施方式中,步骤02包括子步骤:
021,根据激光点云数据以预设分辨率建立第一分辨率栅格地图;
022,根据激光点云数据以预设分辨率的倍数建立第二分辨率栅格地图。
请进一步地结合图2,在某些实施方式中,021和022可以由构建模块120实现。或者说,构建模块120可以用于根据激光点云数据以预设分辨率建立第一分辨率栅格地图;并根据激光点云数据以预设分辨率的倍数建立第二分辨率栅格地图。
在某些实施方式中,处理器可以用于根据激光点云数据以预设分辨率建立第一分辨率栅格地图;并根据激光点云数据以预设分辨率的倍数建立第二分辨率栅格地图。
预设分辨率的大小不限,预设分辨率的倍数可以为2倍、3倍、4倍、6倍、8倍甚至更多倍,也即是,预设分辨率的倍数不限。例如,请结合图5,在本实施方式中,预设分辨率的倍数可以包括2倍、4倍以及8倍,第一分辨率栅格地图的预设分辨率与激光点云数据中的激光点云相关,根据激光点云数据建立第一分辨率栅格地图中,每个激光点云构建一个栅格点,从而生成第一分辨率栅格地图,则预设分辨率为2倍的第二分辨率栅格地图由以每相邻的两个激光点云构建一个栅格点得到,预设分辨率为4倍的第二分辨率栅格地图是由每相邻的四个激光点云构建一个栅格点得到,预设分辨率为8倍的第二分辨率栅格地图是由每相邻的8个激光点云构建一个栅格点得到。
请参阅图6,在某些实施方式中,步骤03包括子步骤:
031,以位姿数据为中心确定距离偏离量和角度偏移量;
032,以距离偏移量和角度偏移量为基准,根据位姿数据和位姿分辨率生成多个位姿采样数据。
请进一步地结合图2,在某些实施方式中,子步骤031和032可以由生成模块130完成。或者说,生成模块130可以用于以位姿数据为中心确定距离偏离量和角度偏移量,并以距离偏移量和角度偏移量为基准,根据位姿数据和位姿分辨率生成多个位姿采样数据。
在某些实施方式中,处理器可以用于以位姿数据为中心确定距离偏离量和角度偏移量,并以距离偏移量和角度偏移量为基准,根据位姿数据和位姿分辨率生成多个位姿采样数据。
请结合图7,需要说明的是,距离偏移量是指以位姿数据为中心进行采样时的采样距离范围,角度偏移量是指以位姿数据为中心进行采样时的采样角度范围。每个位姿采样数据与位姿数据的距离小于或等于距离偏移量,并且,每个位姿采样数据与位姿数据之间的夹角小于或等于角度偏移量。例如,距离偏移量为1米,角度偏移量为90度,则以位姿数据为中心进行采样时,位姿采样数据与位姿数据的距离小于或等于1米,位姿数据与位姿采样数据之间形成的夹角小于或等于90度。
还需要说明的是,在以位姿数据为中心,以距离偏移量为采样距离范围,以角度偏移量为采样角度范围进行采样时,以位姿分辨率为节点进行遍历采样。位姿分辨率包括平移分辨率和角度分辨率,平移分辨率是指遍历时相邻两个节点之间的距离,角度分辨率是指遍历采样时,相邻位姿采样数据之间的夹角。
例如,在一些示例中,位姿数据为(0,0°),距离偏移量为1米,角度偏移量90度,也即是,位姿数据与位姿采样数据之间,距离偏移量不超过1m,角度偏移不超过90度。若平移分辨率为0.1m,角度分辨率为1度,则以位姿数据为中心根据平移分辨率和角度分辨率进行遍历采样时,得到位姿采样数据(0,1°)、(0.1,1°)、(0.2,1°)……(1,89°)、(1,90°)。
请参阅图8,在某些实施方式中,步骤04包括子步骤:
041,依次将激光点云数据转换到多个位姿采样数据下得到每个位姿采样数据的待处理点云数据;
042,依次将每个位姿采样数据的待处理点云数据与多分辨率栅格地图进行匹配得到每个位姿采样数据对应的位姿分值;
043,将各个位姿采样数据对应的位姿分值以树的形式存储得到评分树。
请进一步结合图2,在某些实施方式中,子步骤041、042和043可以由映射模块14实现,或者说,映射模块14可以用于依次将激光点云数据转换到多个位姿采样数据下得到每个位姿采样数据的待处理点云数据,并依次将每个位姿采样数据的待处理点云数据与多分辨率栅格地图进行匹配得到每个位姿采样数据对应的位姿分值,以及将各个位姿采样数据对应的位姿分值以树的形式存储得到评分树。
在某些实施方式中,处理器可以用于依次将激光点云数据转换到多个位姿采样数据下得到每个位姿采样数据的待处理点云数据,并依次将每个位姿采样数据的待处理点云数据与多分辨率栅格地图进行匹配得到每个位姿采样数据对应的位姿分值,以及将各个位姿采样数据对应的位姿分值以树的形式存储得到评分树。
需要说明的是,依次将激光点云数据转换到多个位姿采样数据下是指以每个位姿采样数据为坐标原点建立坐标系,将激光点云数据的每个激光点转换到每个位姿采样数据为坐标原点建立坐标系下。
可以理解地,位姿采样数据是以位姿数据为中心,在一定角度和范围内进行采样得到,目标位姿是位姿采样数据中的一个。而激光点云数据是以机器人为原点通过激光雷达获取的原始点云数据处理后处理得到,激光点云数据与机器人的实际位姿之间的关系是确定的,由激光点云数据处理得到的多分辨率栅格地图与机器人的实际位姿之间的关系也是确定的,因此,将激光点云数据转换到每个位姿采样数据中得到待处理点云数据后,若某个位姿采样数据的待处理点云数据与分辨率栅格地图匹配度越高,则说明该位姿采样数据与机器人的实际位姿越契合。如此,得到各个位姿采样数据的位姿分数,并以树的形式存储位姿分值得到评分树后,可以通过评分树对位姿采样数据挑选,从而将最与机器人实际位姿匹配的位姿采样数据作为目标位姿。
请结合图9,在某些实施方式中,步骤05包括子步骤:
051,以定界分支算法对评分树进行剪枝处理得到机器人的目标位姿。
请进一步地结合图2,在某些实施方式中,子步骤051可以由处理模块150实现,或者说,处理模块150用于以定界分支算法对评分树进行剪枝处理得到机器人的目标位姿。
在某些实施方式中,处理器用于以定界分支算法对评分树进行剪枝处理得到机器人的目标位姿。
需要说明的是,分支定界算法(branch and bound)是一种求解整数规划问题的算法。通常,把全部可行解空间反复地分割为越来越小的子集,称为分支,并且对每个子集内的解集计算一个目标下界(对于最小值问题)称为定界。在每次分枝后,凡是界限超出已知可行解集目标值的那些子集不再进一步分枝,这样,许多子集可不予考虑,这称剪枝。可以理解地,评分树中,位姿分值高的可能包含多个,因此,直接根据评分树得到的最优解可能有多个,因此,需要定界分支算法对评分树进行剪枝处理,从而得到最优解,以将最优解对应的位姿采样数据作为目标位姿。
请结合图10,在某些实施方式中,子步骤051包括:
0511,将初始位姿采样数据对应的当前最高位姿分值最为根节点;
0512,在评分树不为空的情况下,将节点从评分树中弹出;
0513,在当前位姿采样数据对应的当前位姿分值大于当前最高位姿分值,且当前位姿分值对应的当前节点是叶子节点的情况下,确定当前位姿采样数据为目标采样数据;
0514,根据目标采样数据确定目标位姿。
请进一步地结合图2,在某些实施方式中,0511-0514可以由处理模块150实现,或者说,处理模块150可以用于将初始位姿采样数据对应的当前最高位姿分值最为根节点,并在评分树不为空的情况下,将节点从评分树中弹出,处理模块150可以用于在当前位姿采样数据对应的当前位姿分值大于当前最高位姿分值,且当前位姿分值对应的当前节点是叶子节点的情况下,确定当前位姿采样数据为目标采样数据,以及根据目标采样数据确定目标位姿。
在某些实施方式中,处理器可以用于将初始位姿采样数据对应的当前最高位姿分值最为根节点,并在评分树不为空的情况下,将节点从评分树中弹出,处理器可以用于在当前位姿采样数据对应的当前位姿分值大于当前最高位姿分值,且当前位姿分值对应的当前节点是叶子节点的情况下,确定当前位姿采样数据为目标采样数据,以及根据目标采样数据确定目标位姿。
需要说明的是,初始位姿采样数据是指在以位姿数据为中心,以距离偏移量为采样距离范围,以角度偏移量为采样角度范围进行采样时第一个采样的位姿采样数据。当前最高位姿分值是指初始位姿采样数据的待处理点云数据与多个多分辨率栅格地图进行匹配得到的位姿分值。也即是,有多个多分辨率栅格地图,每个初始位姿采样数据就有多少个位姿分值。
还需要说明的是,将初始位姿采样数据对应的当前最高位姿分值最为根节点后,将其余的位姿采样数据的位姿分值设置为子节点或叶子节点。在评分树不为空的情况下是指评分树中还存在其它子节点。叶子节点是指当前节点处于评分树的末端。
请参阅图11,在某些实施方式中,子步骤051还包括:
0515,在当前位姿分值对应的当前节点不是叶子节点的情况下,将当前节点从评分树中弹出;
0516,进行下一位姿采样数据的处理。
请进一步地结合图2,在某些实施方式中,0515-0516可以由处理模块150实现,或者说,处理模块150可以用于在当前位姿分值对应的当前节点不是叶子节点的情况下,将当前节点从评分树中弹出,并进行下一位姿采样数据的处理。
在某些实施方式中,处理器可以用于在当前位姿分值对应的当前节点不是叶子节点的情况下,将当前节点从评分树中弹出,并进行下一位姿采样数据的处理。
具体地,如果当前位姿分值对应的当前节点不是叶子节点,将其设置为节点中的分支,并重新计算整颗评分树中的位姿分值,并进行排序,然后挑选最大的位姿分值作为根节点,并在评分树不为空的情况下,将节点从评分树中弹出,从而再下一位姿采样数据的处理,直至选出目标位姿。
本申请实施方式还提供了一种非易失性计算机可读存储介质,可读存储介质存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行上述的机器人的控制方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种机器人的控制方法,其特征在于,包括:
获取所述机器人采集的激光点云数据和位姿数据;
根据所述激光点云数据以预设分辨率建立多分辨率栅格地图;
根据所述位姿数据生成多个位姿采样数据;
将所述激光点云数据在所述位姿采样数据下与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值以形成评分树;
对所述评分树进行处理得到所述机器人的目标位姿。
2.根据权利要求1所述的控制方法,其特征在于,所述获取所述机器人采集的点云数据和位姿数据,包括:
获取轮式里程计数据和雷达采集的原始点云数据;
根据所述轮式里程计数据对所述原始点云数据进行去畸变处理得到所述激光点云数据,并记录所述位姿数据。
3.根据权利要求1所述的控制方法,其特征在于,所述根据所述激光点云数据以预设分辨率建立多分辨率栅格地图,包括:
根据所述激光点云数据以所述预设分辨率建立第一分辨率栅格地图;
根据所述激光点云数据以所述预设分辨率的倍数建立第二分辨率栅格地图。
4.根据权利要求1所述的控制方法,其特征在于,所述根据所述位姿数据生成多个位姿采样数据,包括:
以所述位姿数据为中心确定距离偏离量和角度偏移量;
以所述距离偏移量和所述角度偏移量为基准,根据所述位姿数据和位姿分辨率生成多个所述位姿采样数据。
5.根据权利要求1所述的控制方法,其特征在于,将所述激光点云数据在所述位姿采样数据下与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值以形成评分树,包括:
依次将所述激光点云数据转换到多个所述位姿采样数据下得到每个所述位姿采样数据的待处理点云数据;
依次将每个所述位姿采样数据的待处理点云数据与所述多分辨率栅格地图进行匹配得到每个所述位姿采样数据对应的位姿分值;
将各个所述位姿采样数据对应的位姿分值以树的形式存储得到所述评分树。
6.根据权利要求1所述的控制方法,其特征在于,所述对所述评分树进行处理得到所述机器人的目标位姿,包括:
以定界分支算法对所述评分树进行剪枝处理得到所述机器人的目标位姿。
7.根据权利要求6所述的控制方法,其特征在于,所述以定界分支算法对所述评分树进行剪枝处理得到所述机器人的目标位姿,包括:
将初始位姿采样数据对应的当前最高位姿分值最为根节点;
在所述评分树不为空的情况下,将节点从所述评分树中弹出;
在所述当前位姿采样数据对应的当前位姿分值大于当前最高位姿分值,且所述当前位姿分值对应的当前节点是叶子节点的情况下,确定当前位姿采样数据为目标采样数据;
根据所述目标采样数据确定所述目标位姿。
8.根据权利要求7所述的控制方法,其特征在于,所述以定界分支算法对所述评分树进行剪枝处理得到所述机器人的目标位姿,包括:
在所述当前位姿分值对应的当前节点不是叶子节点的情况下,将所述当前节点从所述评分树中弹出;
进行下一所述位姿采样数据的处理。
9.一种机器人,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-8任一项所述的机器人的控制方法。
10.一种包含计算机程序的非易失性计算机可读存储介质,其特征在于,当所述计算机程序被处理器执行时,使得所述处理器执行权利要求1-8中任一项所述的机器人的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238855.2A CN114593737A (zh) | 2022-03-11 | 2022-03-11 | 控制方法、装置、机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238855.2A CN114593737A (zh) | 2022-03-11 | 2022-03-11 | 控制方法、装置、机器人及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114593737A true CN114593737A (zh) | 2022-06-07 |
Family
ID=81817373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238855.2A Pending CN114593737A (zh) | 2022-03-11 | 2022-03-11 | 控制方法、装置、机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114593737A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116559928A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通(北京)科技有限公司 | 激光雷达的位姿信息确定方法、装置、设备及存储介质 |
CN117075171A (zh) * | 2023-10-18 | 2023-11-17 | 新石器慧通(北京)科技有限公司 | 激光雷达的位姿信息确定方法、装置、设备及存储介质 |
CN117739993A (zh) * | 2024-02-19 | 2024-03-22 | 福勤智能科技(昆山)有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932713A (zh) * | 2019-03-04 | 2019-06-25 | 北京旷视科技有限公司 | 定位方法、装置、计算机设备、可读存储介质和机器人 |
CN110263675A (zh) * | 2019-06-03 | 2019-09-20 | 武汉联一合立技术有限公司 | 一种社区安保机器人的垃圾目标识别系统及其识别方法 |
CN111680747A (zh) * | 2020-06-08 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于占据栅格子图的闭环检测的方法和装置 |
CN113219440A (zh) * | 2021-04-22 | 2021-08-06 | 电子科技大学 | 一种基于轮式里程计的激光雷达点云数据校正方法 |
CN113436260A (zh) * | 2021-06-24 | 2021-09-24 | 华中科技大学 | 基于多传感器紧耦合的移动机器人位姿估计方法和系统 |
CN113587933A (zh) * | 2021-07-29 | 2021-11-02 | 山东山速机器人科技有限公司 | 一种基于分支定界算法的室内移动机器人定位方法 |
-
2022
- 2022-03-11 CN CN202210238855.2A patent/CN114593737A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932713A (zh) * | 2019-03-04 | 2019-06-25 | 北京旷视科技有限公司 | 定位方法、装置、计算机设备、可读存储介质和机器人 |
CN110263675A (zh) * | 2019-06-03 | 2019-09-20 | 武汉联一合立技术有限公司 | 一种社区安保机器人的垃圾目标识别系统及其识别方法 |
CN111680747A (zh) * | 2020-06-08 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于占据栅格子图的闭环检测的方法和装置 |
CN113219440A (zh) * | 2021-04-22 | 2021-08-06 | 电子科技大学 | 一种基于轮式里程计的激光雷达点云数据校正方法 |
CN113436260A (zh) * | 2021-06-24 | 2021-09-24 | 华中科技大学 | 基于多传感器紧耦合的移动机器人位姿估计方法和系统 |
CN113587933A (zh) * | 2021-07-29 | 2021-11-02 | 山东山速机器人科技有限公司 | 一种基于分支定界算法的室内移动机器人定位方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116559928A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通(北京)科技有限公司 | 激光雷达的位姿信息确定方法、装置、设备及存储介质 |
CN116559928B (zh) * | 2023-07-11 | 2023-09-22 | 新石器慧通(北京)科技有限公司 | 激光雷达的位姿信息确定方法、装置、设备及存储介质 |
CN117075171A (zh) * | 2023-10-18 | 2023-11-17 | 新石器慧通(北京)科技有限公司 | 激光雷达的位姿信息确定方法、装置、设备及存储介质 |
CN117075171B (zh) * | 2023-10-18 | 2024-01-16 | 新石器慧通(北京)科技有限公司 | 激光雷达的位姿信息确定方法、装置、设备及存储介质 |
CN117739993A (zh) * | 2024-02-19 | 2024-03-22 | 福勤智能科技(昆山)有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
CN117739993B (zh) * | 2024-02-19 | 2024-04-30 | 福勤智能科技(昆山)有限公司 | 一种机器人定位方法、装置、机器人及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3629057B1 (en) | Method and apparatus for calibrating relative pose and medium | |
CN114593737A (zh) | 控制方法、装置、机器人及存储介质 | |
US11313684B2 (en) | Collaborative navigation and mapping | |
CN107677279B (zh) | 一种定位建图的方法及系统 | |
US11002840B2 (en) | Multi-sensor calibration method, multi-sensor calibration device, computer device, medium and vehicle | |
CN107888828B (zh) | 空间定位方法及装置、电子设备、以及存储介质 | |
CN112179330A (zh) | 移动设备的位姿确定方法及装置 | |
CN110873883B (zh) | 融合激光雷达和imu的定位方法、介质、终端和装置 | |
CN111680747B (zh) | 用于占据栅格子图的闭环检测的方法和装置 | |
CN109407073A (zh) | 反射值地图构建方法和装置 | |
JP2020034559A (ja) | 動的障害物の位置校正方法、装置、機器、及び記憶媒体 | |
EP2721884A1 (en) | Location-aided recognition | |
CN112556685B (zh) | 导航路线的显示方法、装置和存储介质及电子设备 | |
CN110969649A (zh) | 一种激光点云与地图的匹配评价方法、介质、终端和装置 | |
CN112652062B (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
CN111832579B (zh) | 地图兴趣点数据处理方法、装置、电子设备以及可读介质 | |
CN110930444B (zh) | 一种基于双边优化的点云匹配方法、介质、终端和装置 | |
Moreno et al. | A constant-time SLAM back-end in the continuum between global mapping and submapping: application to visual stereo SLAM | |
CN113592015B (zh) | 定位以及训练特征匹配网络的方法和装置 | |
CN111368860A (zh) | 重定位方法及终端设备 | |
CN114088103B (zh) | 车辆定位信息的确定方法和装置 | |
CN113009908A (zh) | 一种无人设备的运动控制方法、装置、设备及存储介质 | |
CN113704374B (zh) | 空间飞行器轨迹拟合方法、装置及终端 | |
CN113160406B (zh) | 道路三维重建方法、装置、存储介质及电子设备 | |
CN114577216A (zh) | 导航地图构建方法、装置、机器人及存储介质 |
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 |