CN116358552B - 用于机器人的重定位方法、存储介质及设备 - Google Patents

用于机器人的重定位方法、存储介质及设备

Info

Publication number
CN116358552B
CN116358552B CN202310267535.4A CN202310267535A CN116358552B CN 116358552 B CN116358552 B CN 116358552B CN 202310267535 A CN202310267535 A CN 202310267535A CN 116358552 B CN116358552 B CN 116358552B
Authority
CN
China
Prior art keywords
pose
positioning
robot
matching
task
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
Application number
CN202310267535.4A
Other languages
English (en)
Other versions
CN116358552A (zh
Inventor
请求不公布姓名
李宇浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maiyan Intelligent Technology Beijing Co ltd
Original Assignee
Maiyan Intelligent Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maiyan Intelligent Technology Beijing Co ltd filed Critical Maiyan Intelligent Technology Beijing Co ltd
Priority to CN202310267535.4A priority Critical patent/CN116358552B/zh
Publication of CN116358552A publication Critical patent/CN116358552A/zh
Application granted granted Critical
Publication of CN116358552B publication Critical patent/CN116358552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种用于机器人的自主定位方法、存储介质及设备。该方法包括：执行任务，获取参考轨迹；根据多传感器融合的前端结果与所述参考轨迹进行匹配确定是否得到精确位姿；响应于无法得到所述精确位姿，根据激光传感器击中概率栅格地图中障碍点的权重检测定位是否丢失：响应于定位丢失，进行退化环境检测；响应于退化环境检测导致定位丢失，自旋产生关键帧，将所述关键帧与所述参考轨迹的关键帧进行匹配，计算得到所述精确位姿；在任务完成后根据新的轨迹更新所述参考轨迹。本发明通过结合激光传感器数据，无需在环境中设置标志物，在执行任务后可以自主完成定位，并且每次任务，会开启一条新轨迹，来实现更好的全局定位手段。

Description

用于机器人的重定位方法、存储介质及设备
技术领域
本发明涉及机器人技术领域，尤其是一种用于机器人的自主充电方法、存储介质、设备。
背景技术
机器人作为现代科技的结晶，是一种具有自主持续运行的智能设备。由于商业环境往往是复杂多变的，特别是在人来人往的场景中，在此类场景中工作的服务机器人，往往存在定位丢失的风险，定位一旦丢失，机器人会则会前往错误的工作地点，比如误闯禁区等等，目前针对此类问题，现有的服务机器人解决方案大致有以下几种：
1.通过APP或者云端远程手动设置，强制对齐定位；
2.通过二维码标志或者强有力反光板的方法，在某些容易丢失定位的地点做矫正；
3.通过深度学习的方式，识别场景中部分特殊物品作为参考，对位置进行修正；
4.通过GPS信息进行重定位；
上述的几种方案都有其不足之处，或者不适用于高端商业场景：例如通过APP或者云端远程手动设置的方式，由于机器人扫描出的二维占据栅格地图非常抽象不易理解，所以客户或者运营很难通过远程操作的方式给机器人设定正确的位姿，且该方式需要用户手动操作；通过使用外部辅助特征的方式强制设定标志物，这种方法可以比较高效的对机器人进行重定位，但是对于高端的商业场景，往往不能设置此类标志物，对环境的整体造成破坏；而深度学习中的视觉特征往往会受到光照变化影响，且高端场景往往纹理特征不够丰富，视觉识别辅助定位会造成很大程度的误匹配，导致重定位失败；最后GPS信号在室内的精度不满足要求。
基于此，亟需一种用于机器人的重定位方法，以解决现有技术中存在的问题。
发明内容
本发明的目的是提供一种用于机器人的重定位方法、存储介质及设备，解决现有技术中的问题。
一个方面，提供一种用于机器人的重定位方法，包括：
执行任务，获取参考轨迹；
根据多传感器融合的前端结果与所述参考轨迹进行匹配确定是否得到精确位姿；
响应于无法得到所述精确位姿，根据激光传感器击中概率栅格地图中障碍点的权重检测定位是否丢失：
响应于定位丢失，进行退化环境检测；
响应于退化环境检测导致定位丢失，自旋产生关键帧，将所述关键帧与所述参考轨迹的关键帧进行匹配，计算得到所述精确位姿；
在任务完成后根据新的轨迹更新所述参考轨迹。
在一些实施方式中，所述参考轨迹的初始轨迹是通过控制所述机器人沿着环境和障碍物运行建图获得。
在一些实施方式中，所述根据当前多传感器融合的前端结果生成前端位姿，并根据所述前端位姿与所述参考轨迹确定是否得到精确位姿包括：
根据轮式里程计和惯性测量单元得到初位姿；
根据所述初位姿和激光传感器的数据在所述参考轨迹中回环检测；
在回环检测成功后，通过连续迭代进行回环优化得到所述精确位姿；
在回环检测失败后，确定无法得到精确位姿。
在一些实施方式中，所述连续迭代优化是通过高斯-牛顿法来构建残差的梯度下降函数来获得。
在一些实施方式中，所述根据激光传感器击中概率栅格地图中障碍点的次数检测定位是否丢失，包括：
在概率栅格地图上，累计每个激光点击中概率栅格地图障碍点的次数‘
若单次扫描概率栅格障碍点击中频率低于预设阈值，则定位丢失。
在一些实施方式中，所述退化环境检测包括：
通过轮式里程计计算出的速度与SLAM估计的速度不匹配，判定处于退化环境中导致定位丢失。
在一些实施方式中，所述将所述关键帧与参考轨迹的关键帧进行匹配，计算得到精确位姿，包括：
根据轮式里程计与惯性测量单元得到初位姿；
根据所述初位姿和激光传感器的数据在所述参考轨迹中进行全局回环检测，得到一得分最优位姿，并根据所述得分最优位姿优化历史约束；
在所述得分最优位姿周围通过暴力匹配的搜索以及构建最小二乘优化，得到所述精确位姿。
另一个方面，一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述所述的用于机器人的重定位方法。
又一个方面，提供一种计算机设备，包括处理器和存储器；所述存储器用于存储计算机指令，所述处理器用于运行所述存储器存储的计算机指令，以实现上述所述的用于机器人的重定位方法。
本发明的有益效果在于：
本发明实施例所提供的用于机器人的重定位方法，通过结合激光传感器数据，无需在环境中设置标志物，在执行任务后可以自主完成定位，在运行过程中可对机器人实现重定位，并且每次任务，会开启一条新轨迹，新轨迹会不断的搜索计算与参考轨迹之间的位姿约束关系，来实现更好的全局定位手段。
附图说明
图1为本发明实施例提供的用于机器人的重定位方法测试方法的流程图；
图2为本发明实施例提供的用于机器人的重定位设备的原理框图。
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描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的重定位方法，其主要面向高端场景的商用服务机器人。在高端的商业场景中通常环境相对特殊，不需要过多的人员参与及对环境进行特殊设置，例如设置标志物等，因此机器人可以自主完成精确的重定位操作。
如图1所示，本发明实施例提供一种用于机器人的重定位方法，包括：
步骤102，执行任务，获取参考轨迹；
步骤104，根据多传感器融合的前端结果与所述参考轨迹进行匹配确定是否得到精确位姿；
步骤106，响应于无法得到精确位姿，根据激光传感器击中概率栅格地图中障碍点的权重检测定位是否丢失：
步骤108，响应于定位丢失，进行退化环境检测；
步骤110，响应于退化环境检测导致定位丢失，自旋产生关键帧，将关键帧与参考轨迹的关键帧进行匹配，计算得到精确位姿；
步骤112，在任务完成后根据新的轨迹更新参考轨迹。
本发明实施例所提供的用于机器人的重定位方法，通过结合激光传感器数据，无需在环境中设置标志物，在执行任务后可以自主完成定位，在运行过程中可对机器人实现重定位，并且每次任务，会开启一条新轨迹，新轨迹会不断的搜索计算与参考轨迹之间的位姿约束关系，来实现更好的全局定位手段。
其中，在步骤102中，机器人的下方搭载单线激光雷达传感器。在初始使用时，使用者通过手推或者遥控机器人的方式沿着室内环境与障碍物运行一圈，建图记录的一个轨迹，该轨迹作为参考轨迹，也称之为零号轨迹。该轨迹由诸多已经记录下来的关键帧组成；多个关键帧之间均按顺序构成完整的帧间约束，按照搜索结构，构成回环约束。机器人在运行的过程中，激光雷达传感器的数据构成一帧帧关键帧，关键帧之间存在位置与姿态的变化关系。
在获得执行任务指令后，获取该参考轨迹。该参考轨迹为零号轨迹或者为根据上一次任务执行完成后的轨迹更新后的轨迹。
在步骤104，当前多传感器除了上述的激光雷达传感器之外，还包括惯性测量单元和轮式里程计。通过惯性测量单元可以获取机器人的角速度，通过轮式里程计可以获得线速度。惯性测量单元和轮式里程计可以粗略获取机器人的初位姿。激光雷达传感器数据构成一帧帧关键帧，初位姿结合激光雷达传感器数据在参考轨迹的回环检测，确定当前关键帧在历史轨迹与子图中匹配得分最高的位姿。
若在回环检测无法进行匹配，则确定无法得到精确位姿。在回环检测匹配成功后，通过连续迭代进行回环优化得到所述精确位姿，其中优化是设置多个目标误差，构建梯度下降函数，不断迭代，使误差最小化。
这里的连续迭代优化是通过高斯-牛顿法来构建残差的梯度下降函数来获得，通过进行连续迭代优化，直到消除误差。例如，高斯牛顿方程中的计算方法，其属于本领域人员所熟知的技术，例如雅可比矩阵等，这里不做过多的说明。
在执行任务完成后根据新的轨迹更新所述参考轨迹。由于零号轨迹是指最初的冻结轨迹，机器人建图的轨迹，后续每次运行，地图都会更新，新的轨迹会保存下来，替代零号轨迹成为新的轨迹。可以理解为“记下走过的路”，而在执行下一次任务运行的时候，与上一次运行的保存轨迹，即参考轨迹(冻结轨迹)做匹配，来实现全局的定位优化。
步骤106至步骤112是对定位丢失的判断及重定位的实现。
其中，在步骤106中，所述根据激光传感器击中概率栅格地图中障碍点的次数检测定位是否丢失，包括：
在概率栅格地图上，累计每个激光点击中概率栅格地图障碍点的次数‘
若单次扫描概率栅格障碍点击中频率低于预设阈值，则定位丢失。
下述公式为栅格计算公式，根据激光点集中栅格的整体等分来确定集中频率，该得分越低，表示击中频率低。当得分低于预设阈值时，则表示定位丢失；
其中，T表示该点云的强度，hk表示击中的栅格数值，K表示序列。
在确定机器人定位丢失后，需要判断其是否是退化环境导致的定位丢失。退还环境是传感器测量出错或跟踪失败，因为环境中没有包含充分信息了。可选地，一实施例中，是通过判断轮式里程计计算出的速度与SLAM(同时定位与地图构建)估计的速度是否匹配来判定是否处于退化环境，如下：
Vodom<<Vslam or Vodom>>Vslam
其中，Vodom表示轮式里程计计算出的速度，Vslam为SLAM估计的速度。
在机器人识别到自身定位丢失后，会缓慢自旋，自旋产生关键帧，关键帧会逐步与参考轨迹中的关键帧进行轮式里程计、激光扫描，惯性测量单元的匹配与优化，得到得分最优的位姿：轮式里程计与惯性测量单元通过卡尔曼滤波算法来进行位姿预测，得到初步的位移位姿(初位姿)；在初位姿的基础上，根据所述初位姿和激光传感器的数据在所述参考轨迹中进行全局回环检测，得到一得分最优位姿，并根据所述得分最优位姿优化历史约束；其中，优化是指根据这个精确位姿，对所有的历史约束进行梯度下降方程求解，优化各个约束，提高定位精度。其中，在获取最优位姿是可使用分枝定界加速搜索等现有技术，优化历史约束的输入和输出都是历史轨迹的各个子图与节点之间的约束值，消除历史轨迹误差提供更多参考。
最后，在所述得分最优位姿周围通过暴力匹配的搜索以及构建最小二乘法优化，得到所述精确位姿。
得分最优只是多个搜索项中搜索最优，搜索项本身是有误差的，该值并不能代表精确位姿态，通过优化来确定精确位姿。
相应的，如图2所示，本发明的实施例还提供一种计算机设备，包括：处理器21和存储器22；存储器22用于存储计算机指令，处理器21用于运行存储器22存储的计算机指令，以实现前述实施例提供的任一种用于机器人的重定位方法，因此也能实现相应的有益技术效果，前文已经进行了详细的说明，此处不再赘述。
处理器21可以是中央处理单元(Central Processing Unit，CPU)，该处理器21还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器22在一些实施例中可以是硬盘或内存，也可以是外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
相应的，本发明的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述实施例提供的任一种用于机器人的重定位方法，因此也能实现相应的有益技术效果，前文已经进行了详细的说明，此处不再赘述。
计算机可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种用于机器人的重定位方法，其特征在于，包括：
执行任务，获取参考轨迹；
根据多传感器融合的前端结果与所述参考轨迹进行匹配优化确定是否得到精确位姿；
响应于无法得到所述精确位姿，根据激光传感器击中概率栅格地图中障碍点的权重检测定位是否丢失：
响应于定位丢失，进行退化环境检测；
响应于退化环境检测导致定位丢失，自旋产生关键帧，将所述关键帧与所述参考轨迹的关键帧进行匹配，计算得到所述精确位姿；
在任务完成后根据新的轨迹更新所述参考轨迹。
2.如权利要求1所述的方法，其特征在于，所述参考轨迹的初始轨迹是通过控制所述机器人沿着环境和障碍物运行建图获得。
3.如权利要求1或2所述的方法，其特征在于，所述根据多传感器融合的前端结果与所述参考轨迹进行匹配确定是否得到精确位姿，包括：
根据轮式里程计和惯性测量单元得到初位姿；
根据所述初位姿和激光传感器的数据在所述参考轨迹中回环检测；
在回环检测成功后，通过连续迭代进行回环优化得到所述精确位姿；
在回环检测失败后，确定无法得到精确位姿。
4.如权利要求3所述的方法，其特征在于，所述连续迭代优化是通过高斯-牛顿法来构建残差的梯度下降函数来获得。
5.如权利要求1所述的方法，其特征在于，所述根据激光传感器击中概率栅格地图中障碍点的次数检测定位是否丢失，包括：
在概率栅格地图上，累计每个激光点击中概率栅格地图障碍点的次数；
若单次扫描概率栅格障碍点击中频率低于预设阈值，则定位丢失。
6.如权利要求1所述的方法，其特征在于，所述退化环境检测包括：
通过轮式里程计计算出的速度与SLAM估计的速度不匹配，判定处于退化环境中导致定位丢失。
7.如权利要求1所述的方法，其特征在于，所述将所述关键帧与参考轨迹的关键帧进行匹配，计算得到精确位姿，包括：
根据轮式里程计与惯性测量单元得到初位姿；
根据所述初位姿和激光传感器的数据在所述参考轨迹中进行全局回环检测，得到一得分最优位姿，并根据所述得分最优位姿优化历史约束；
在所述得分最优位姿周围通过暴力匹配的搜索以及构建最小二乘优化，得到所述精确位姿。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的用于机器人的重定位方法。
9.一种计算机设备，包括处理器和存储器；所述存储器用于存储计算机指令，所述处理器用于运行所述存储器存储的计算机指令，以实现权利要求1至7中任一项所述的用于机器人的重定位方法。
CN202310267535.4A 2023-03-14 2023-03-14 用于机器人的重定位方法、存储介质及设备 Active CN116358552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310267535.4A CN116358552B (zh) 2023-03-14 2023-03-14 用于机器人的重定位方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310267535.4A CN116358552B (zh) 2023-03-14 2023-03-14 用于机器人的重定位方法、存储介质及设备

Publications (2)

Publication Number Publication Date
CN116358552A CN116358552A (zh) 2023-06-30
CN116358552B true CN116358552B (zh) 2025-08-05

Family

ID=86913026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310267535.4A Active CN116358552B (zh) 2023-03-14 2023-03-14 用于机器人的重定位方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116358552B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106885574A (zh) * 2017-02-15 2017-06-23 北京大学深圳研究生院 一种基于重跟踪策略的单目视觉机器人同步定位与地图构建方法
CN111024100A (zh) * 2019-12-20 2020-04-17 深圳市优必选科技股份有限公司 一种导航地图更新方法、装置、可读存储介质及机器人

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111765884B (zh) * 2020-06-18 2023-06-23 京东科技信息技术有限公司 机器人重定位方法、装置、电子设备及存储介质
CN111931589B (zh) * 2020-07-15 2024-06-21 京东科技信息技术有限公司 机器人的重定位方法及装置、存储介质、电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106885574A (zh) * 2017-02-15 2017-06-23 北京大学深圳研究生院 一种基于重跟踪策略的单目视觉机器人同步定位与地图构建方法
CN111024100A (zh) * 2019-12-20 2020-04-17 深圳市优必选科技股份有限公司 一种导航地图更新方法、装置、可读存储介质及机器人

Also Published As

Publication number Publication date
CN116358552A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
KR102297478B1 (ko) 주변 신호를 이용한 궤적 매칭
Badino et al. Visual topometric localization
CN116127405B (zh) 一种融合点云地图、运动模型和局部特征的位置识别方法
CN110455291B (zh) 用于利用磁场异常进行户内定位-寻找的方法和装置
KR20180052636A (ko) 자동 맵 생성으로 ｇｐｓ 거부 지역이나 부정확 지역에서에서 모바일기기 내비게이션, 추적 및 포지셔닝
AU2016202515A1 (en) Adaptive mapping with spatial summaries of sensor data
CN114119886A (zh) 高精地图点云重建方法、装置、车辆、设备和存储介质
CN112015187B (zh) 一种用于智能移动机器人的语义地图构建方法及系统
US20230358546A1 (en) Map matching trajectories
Boche et al. Visual-inertial SLAM with tightly-coupled dropout-tolerant GPS fusion
JP7382915B2 (ja) 自走式点検ロボット
CN114995376A (zh) 自动引导小车导航及地图更新方法和系统
CN113984055A (zh) 室内导航定位方法和相关装置
KR20210003065A (ko) 데이터 수집 방법 및 시스템
CN116358552B (zh) 用于机器人的重定位方法、存储介质及设备
US11898869B2 (en) Multi-agent map generation
Alliez et al. Indoor localization and mapping: Towards tracking resilience through a multi-slam approach
CN108712725A (zh) 一种基于啮齿类动物模型与wifi指纹的slam方法
CN116698046B (zh) 一种物业室内服务机器人建图定位和回环检测方法及系统
CN118565457A (zh) 一种基于观测方向的栅格地图构建方法、装置及智能移动设备
CN117419733A (zh) 用于识别周围环境的有错地图的方法
CN112630745B (zh) 一种基于激光雷达的环境建图方法和装置
CN120871277B (zh) 一种楼层位置的定位和标注方法
CN118405152B (zh) 一种目标定位方法、装置、电子设备及存储介质
CN119687934B (zh) Agv导航方法、装置、设备、介质及程序产品

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