CN116934851A - 机器人定位方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种机器人定位方法、装置、设备及存储介质。本申请提供的技术方案，包括：基于环境扫描规则，根据当前帧的第一点云集合确定当前帧的第一描述子；根据第一描述子和预设的点云地图的各个关键帧的第二描述子，从点云地图的各个关键帧中确定出与当前帧达到预设匹配条件的候选帧，并确定候选帧的采集位姿为候选位姿；根据点云地图中在候选位姿的预设范围内的点云数据，构建每个候选位姿对应的局部点云地图；将第一点云集合与每个局部点云地图进行配准，根据配准结果和候选位姿确定当前帧的采集位姿。通过上述技术手段，解决了现有技术中先验位姿信息误差大导致定位准确度低的问题，提高定位准确度，提高移动导航效率。

Description

机器人定位方法、装置、设备及存储介质

技术领域

本申请涉及显示屏技术领域，尤其涉及一种机器人定位方法、装置、设备及存储介质。

背景技术

移动机器人或无人车在移动时，通过定位方法为自身导航提供准确的位置信息，以实现安全高效移动。目前的定位方法是以绝对位姿传感器，如全球定位系统(GPS)采集的位姿作为先验信息，并通过配准三维地图中的3D激光点云确定机器人在三维地图中的位姿信息。

针对传统定位方法，发明人发现在该方法过度依赖绝对位姿传感器采集的先验位姿信息。当先验位姿信息误差较大时，使得与该先验位姿信息进行配准得到的点云数据也存在较大误差，导致机器人的定位准确度严重降低，影响机器人的移动导航效率，无法保证机器人的安全高效移动。

发明内容

本申请提供一种机器人定位方法、装置、设备及存储介质，解决了现有技术中先验位姿信息误差大导致定位准确度低的问题，提高定位准确度，提高移动导航效率，保证机器人的高效安全移动。

第一方面，本申请提供了一种机器人定位方法，包括：

基于环境扫描规则，根据当前帧的第一点云集合确定所述当前帧的第一描述子；

根据所述第一描述子和预设的点云地图的各个关键帧的第二描述子，从所述点云地图的各个关键帧中确定出与所述当前帧达到预设匹配条件的候选帧，并确定所述候选帧的采集位姿为候选位姿；

根据所述点云地图中在所述候选位姿的预设范围内的点云数据，构建每个所述候选位姿对应的局部点云地图；

将所述第一点云集合与每个所述局部点云地图进行配准，根据配准结果和所述候选位姿确定所述当前帧的采集位姿。

第二方面，本申请提供了一种机器人定位装置，包括：

描述子生成模块，被配置为基于环境扫描规则，根据当前帧的第一点云集合确定所述当前帧的第一描述子；

候选帧确定模块，被配置为根据所述第一描述子和预设的点云地图的各个关键帧的第二描述子，从所述点云地图的各个关键帧中确定出与所述当前帧达到匹配条件的候选帧，并确定所述候选帧的采集位姿为候选位姿；

局部地图生成模块，被配置为根据所述点云地图中在所述候选位姿的预设范围内的点云数据，构建每个所述候选位姿对应的局部点云地图；

位姿确定模块，被配置为将所述第一点云集合与每个所述局部点云地图进行配准，根据配准结果和所述候选位姿确定所述当前帧的采集位姿。

第三方面，本申请提供了一种机器人定位设备，包括：

一个或多个处理器；存储装置，存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的机器人定位方法。

第四方面，本申请提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的机器人定位方法。

本申请通过环境扫描规则生成的描述子准确表达对应帧的点云集合中各个点云数据的分布特征，将当前帧的第一描述子与点云地图的各个关键帧的第二描述子进行匹配，以从预先采集的各个关键帧中挑选与当前帧的点云数据分布特征相似的候选帧。由于当前帧和候选帧的点云数据分布特征相似，因此当前帧和候选帧的采集位置较为接近，故而确定候选帧的采集位姿为当前帧的候选位姿，以便快速从候选位姿中挑选出最接近当前帧的采集位姿的位姿。通过构建候选位姿周围的局部点云地图，将局部点云地图与当前帧的点云集合进行配准，以确定出最接近当前帧的候选位姿，并对候选位姿进行修正准确得到当前帧的采集位姿。通过上述技术手段，通过当前帧的点云集合和预设的点云地图即可准确确定出当前帧的采集位姿，无需依靠绝对位姿传感器即可精准定位到机器人的位姿，消除了绝对位姿传感器的测量误差对定位准确度的影响，提高定位准确度，提高移动导航效率，保证机器人的高效安全移动。

附图说明

图1是本申请实施例提供的一种机器人定位方法的流程图；

图2是本申请实施例提供的移动机器人采集当前帧的第一点云集合的示意图；

图3是本申请实施例提供的第一描述子生成的流程图；

图4是本申请实施例提供的可扫描区域划分为多个子区域的示意图；

图5是本申请实施例提供的可扫描区域在对应雷达坐标系下的示意图；

图6是本申请实施例提供的确定第一点云数据与第二点云数据是否相匹配的流程图；

图7是本申请实施例提供的确定第一描述矩阵与第二描述矩阵的相似度的流程图；

图8是本申请实施例提供的构建局部点云地图的流程图；

图9是本申请实施例提供的基于点云配准确定当前帧的采集位姿的流程图；

图10是本申请实施例提供的确定当前帧的采集位姿的流程图；

图11是本申请实施例提供的一种机器人定位装置的结构示意图；

图12是本申请实施例提供的一种机器人定位设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

本实施例中提供的机器人定位方法可以由机器人定位设备执行，该机器人定位设备可以通过软件和/或硬件的方式实现，该机器人定位设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。例如机器人定位设备可以是移动机器人本身，可以是移动机器人的处理器。

机器人定位设备安装有嵌入式系统，机器人定位设备可以基于嵌入式系统安装有可以执行机器人定位方法的应用程序，因此，机器人定位设备也可以是应用程序本身。

为便于理解，本实施例以移动机器人为执行机器人定位方法的主体为例，进行描述。

在一实施例中，移动机器人在启动之前通过初始化定位确定移动机器人的位姿，从而为后续导航移动机器人提供准确的初始位置。移动机器人进行初始化定位时，通过绝对位姿传感器采集位姿，并将绝对位姿传感器采集的位姿作为先验位姿，根据该先验位姿对应获取预先构建的三维地图中的局部激光点云。通过激光雷达采集当前帧的激光点云，并将当前帧的激光点云与局部激光点云进行配准，根据配准后的相对位姿修正先验位姿，得到移动机器人在三维地图中的位姿。当绝对位姿传感器采集的先验位姿存在误差时，对应获取到的局部激光点云并不是移动机器人周围的激光点云，导致将该局部激光点云与当前帧的激光点云进行配准得到的相对位姿并不能将先验位姿修正到移动机器人的真实位姿，即此时定位到的机器人位姿与真实位姿存在误差。

为解决上述问题，本申请实施例提供了一种机器人定位方法，以准确获取机器人的位姿。

图1给出了本申请实施例提供的一种机器人定位方法的流程图。参考图1，该机器人定位方法具体包括：

S110、基于环境扫描规则，根据当前帧的第一点云集合确定当前帧的第一描述子。

其中，当前帧的第一点云集合包括多个第一点云数据，第一点云数据可理解为移动机器人在当前位姿通过3D激光雷达环绕360°采集到的3D激光点云。示例性的，位姿包括位置和姿态，本实施例中移动机器人的位置与对应配置的激光雷达的位置相同，因此移动机器人采集当前帧的第一点云集合的采集位置即为移动机器人的实际位置，移动机器人采集当期帧的第一点云集合的采集姿态角即为移动机器人的实际姿态，也即移动机器人的朝向。因此当前帧的采集位姿也即本实施例待确定的位姿。

示例性的，图2是本申请实施例提供的移动机器人采集当前帧的第一点云集合的示意图。如图2所示，移动机器人11在开始采集当前帧的第一点云集合时，将3D激光雷达12的采集方向调整为移动机器人正前方，图2中箭头14指向即为移动机器人正前方。3D激光雷达从移动机器人正前方开始扫描，并以自身为中心旋转360°，由于3D激光雷达的扫描距离有限，以3D激光雷达为圆心以3D激光雷达最远扫描距离为半径，可形成3D激光雷达的可扫描区域13。当3D激光雷达在可扫描区域遇到障碍物A和障碍物B时，则生成对应的点云数据A和点云数据B。当3D激光雷达旋转360°扫描完可扫描区域后，得到当前帧的第一点云集合。以图2中的移动机器人的位姿为例，当前帧的采集位置即为移动机器人的位置，当前帧的采集姿态即为3D激光雷达一开始扫描时的朝向，也即移动机器人的姿态，如图2中的箭头14。

其中，环境扫描规则(Scan Context)可理解为将3D激光点云降维成2D平面数据并保留高度信息，以根据保留有高度信息的2D平面数据表征对应的3D激光点云。本实施例通过环境扫描规则将第一点云集合降维成保留有高度信息的2D平面数据，以该保留有高度信息的2D平面数据作为第一点云集合的描述子。由于描述子为二维数据，在进行特征匹配时运算速度相比于3D点云更快。在该实施例中，图3是本申请实施例提供的第一描述子生成的流程图。如图3所示，该第一描述子生成的步骤具体包括S1101-S1103：

S1101、根据环形区域数量和扇形区域数量，将三维激光雷达的感知区域划分为多个子区域。

其中，三维激光雷达的感知区域即为3D激光雷达的可扫描区域。从切向方向(从移动机器人正前方围绕3D激光雷达旋转360°)和径向方向(从3D激光雷达到最远扫描距离)对可扫描区域进行划分。径向方向上根据环形区域数量将可扫描区域等距离划分为多个环形区域，以使每个环形区域的外圆与内圆的间距相等。切向方向上根据扇形区域数量将可扫描区域等角度划分为多个扇形区域，以使每个扇形区域的角弧度相等。任一扇形区域和任一环形区域的重合区域即为可扫描区域的子区域。假设环形区域数量为Nr，扇形区域数量为Ns，最远扫描距离为Lmax，则环形区域的外圆与内圆的间距为Lmax/Nr，扇形区域的角弧度为360°/Ns。

示例性的，图4是本申请实施例提供的可扫描区域划分为多个子区域的示意图。如图4所示，扇形区域数量为12，环形区域数量为11，从可扫描区域13的径向方向上通过环形区域数量将可扫描区域划分成了11个环形区域16，从可扫描区域的切向方向上通过扇形区域数量将可扫描区域划分成了12个扇形区域15。扇形区域和环形区域相交后，将任一扇形区域和任一环形区域相重合的区域划分为可扫描区域的子区域17，即可将可扫描区域划分为12*11个子区域。

S1102、根据第一点云数据的雷达坐标，确定每个第一点云数据对应的子区域。

在该实施例中，以采集当前帧时3D激光雷达为雷达坐标的原点，以切向方向的角度和径向方向的距离构建当前帧的雷达坐标系，雷达坐标系即为极坐标系，3D激光雷达一开始扫描的方向即机器人正前方为雷达坐标的极轴。每个子区域在雷达坐标系下有对应的坐标范围，子区域对应的环形区域为从原点往最远扫描距离数的第i个环形区域，子区域对应的扇形区域为从极轴开始逆时针数的第j个扇形区域。该子区域的极径范围为(i-1)×Lmax/Nr～i×Lmax/Nr，极角范围为(j-1)×360°/Ns～j×360°/Ns。图5是本申请实施例提供的可扫描区域在对应雷达坐标系下的示意图。如图5所示，第一子区域18对应第9个环形区域和第一个扇形区域，假设Lmax＝11m，则第一子区域的极径范围为8m～9m，极角范围为0～30°。点云数据A、点云数据B和点云数据C为第一点云集合中的第一点云数据。从原点O到点云数据A的线段OA的长度p为点云数据A的极径，线段OA到极轴OX的角度θ为点云数据的极角，即点云数据A的雷达坐标为(p，θ)，点云数据B和点云数据C同理。假设p＝8.5，θ＝20°，则点云数据A处于第一子区域内。而根据点云数据B和点云数据C的雷达坐标，可确定点云数据B和点云数据C均处于第二子区域19内。

需要说明的，由于3D激光雷达采集当前帧的第一点云集合时，当前帧的采集位置为3D激光雷达的位置，因此当前帧的雷达坐标系的原点为当前帧的采集位置，当前帧的雷达坐标系的极轴方向为当前帧的采集姿态。相应的，当前帧的各个子区域的极径范围为对应子区域与当前帧的采集位置的距离，当前帧的各个子区域的极角范围为对应子区域与当期帧的采集姿态的偏移角。通过子区域的极径范围和极角范围可确定该子区域与当前帧的采集姿态之间的位置关系。

S1103、根据每个子区域中第一点云数据的高度值，确定对应子区域的描述值，根据每个子区域的描述值生成当前帧的第一描述矩阵。

示例性的，如果子区域中没有第一点云数据，则确定该子区域的描述值为0；如果子区域中只有一个第一点云数据，则确定该子区域的描述值为该第一点云数据的高度值；如果子区域中有多个第一点云数据，则该子区域的描述值为多个第一点云数据的高度值的平均值。参考图5，第一子区域18中只有点云数据A，则将点云数据A的高度值作为第一子区域的描述值。第二子区域19中有点云数据B和点云数据C，则将点云数据B和点云数据C的平均高度值作为第二子区域的描述值。

在该实施例中，以子区域的描述值作为子区域在对应描述矩阵中的元素，构建一个Nr×Ns的描述矩阵，第i个环形区域和第j个扇形区域对应的子区域的描述值位于描述矩阵中的第i行第j列。可理解为，描述矩阵中的元素可表征第一点云集合在各个子区域中的高度信息，以将三维的点云数据降维至二维的矩阵数据进行描述，在降低了第一点云集合的数据维度的同时，还保留第一点云集合中各个第一点云数据的特征信息，有利于提高后续特征匹配的运算速度。

S120、根据第一描述子和预设的点云地图的各个关键帧的第二描述子，从点云地图的各个关键帧中确定出与当前帧达到预设匹配条件的候选帧，并确定候选帧的采集位姿为候选位姿。

其中，点云地图是指事先通过3D激光雷达采集的关键帧构建的地图数据，关键帧对应多个第二点云数据。关键帧在采集时会对应将关键帧的采集位姿和第二点云数据进行保存，并基于环境扫描规则将第二点云数据生成关键帧的第二描述矩阵，第二描述矩阵即为通过环境扫描规则生成的关键帧的第二描述子。

其中，匹配条件是指第一点云数据与第二点云数据相匹配时所满足的条件。在该实施例中，关键帧和当前帧的最远扫描距离相同，第二描述矩阵的生成方法与第一描述矩阵的生成方法相同，即第二描述矩阵与第一描述矩阵的行列数相等。在关键帧的雷达坐标系下，关键帧的采集位置为对应雷达坐标系的原点，关键帧的采集姿态为对应雷达坐标系的极轴方向。可推得第二描述矩阵的第i行第j列对应的子区域与关键帧的采集位姿之间的位置关系，与第一描述矩阵的第i行第j列对应的子区域与当前帧的采集位姿之间的位置关系相同。如果关键帧和当前帧在相同子区域的描述值相同，则关键帧在该子区域中的第二点云数据与当前帧在该子区域中的第一点云数据可能对于同一障碍点。如果关键帧与当前帧在各个子区域的描述值大部分相同，则关键帧的第二点云数据与当前帧的第一点云数据大部分是相匹配的，进而确定关键帧的采集位姿与当前帧的采集位姿是相近的。因此可根据第一描述矩阵和第二描述矩阵，确定当前帧和关键帧在相同子区域中的第一点云数据与第二点云数据是否相匹配，进而确定当前帧的采集位置和关键帧的采集位置是否相近。

在一实施例中，图6是本申请实施例提供的确定第一点云数据与第二点云数据是否相匹配的流程图。如图6所示，该确定第一点云数据与第二点云数据是否相匹配的步骤具体包括S1201-S1202：

S1201、根据第一描述矩阵与每一关键帧的第二描述矩阵，确定第一描述矩阵与每一第二描述矩阵的相似度。

在一实施例中，将第一描述矩阵中的各个元素与第二描述矩阵中对应位置处的元素进行比较，根据相同元素的数量确定第一描述矩阵与第二描述矩阵的相似度。例如，将第一描述矩阵中的aij与第二描述矩阵中的bij进行比较，如果aij＝bij，则确定aij和bij为相同元素。aij为第一描述矩阵中第i行第j列的描述值，bij为第二描述矩阵中第i行第j列的描述值。如果相同元素的数量越多，则第一描述矩阵与第二描述矩阵的相似度越高。

在另一实施例中，确定第一描述矩阵的列向量与第二描述矩阵对应列的列向量的余弦距离，并确定所有列的平均余弦距离为第一描述矩阵与第二描述矩阵之间的第一描述子距离。示例性的，第一描述矩阵的第i列的列向量可表征第i个扇形区域中各个子区域的第一点云数据的高度信息，同理的，第二描述矩阵的第i列的列向量可表征第i个扇形区域中各个子区域的第二点云数据的高度信息，可通过计算同一列的列向量之间的余弦距离确定同一扇形区域中各个子区域的点云数据的相似性。余弦距离越小则表明关键帧与当前帧在同一扇形区域中各个子区域的点云数据的匹配度越高。例如，计算第一描述矩阵的第j列的列向量[a_1j，a_2j，，a_Nr，j]^T与第二描述矩阵的第j列的列向量[b_1j，b_2j，...，b_Nr，j]^T之间的余弦距离d_j。计算所有列的平均余弦距离 通过平均余弦距离/>表征第一描述矩阵与第二描述矩阵之间的相似度。

S1202、当相似度满足预设相似阈值，确定对应的关键帧与当前帧满足匹配条件，并将对应的关键帧设置为候选帧。

其中，相似阈值可理解为第一点云数据与第二点云数据相匹配时，第一描述矩阵和第二描述矩阵之间的最小相似度。示例性的，当第一描述矩阵和第二描述矩阵之间的相似度大于或等于相似阈值时，确定第一点云数据和第二点云数据相匹配，进而确定关键帧的采集位姿与当前帧的采集位姿相近。例如，第一描述矩阵与第二描述矩阵中的相同元素数量在所有元素中的占比超过预设占比阈值，则确定第一点云数据与第二点云数据相匹配。

在该实施例中，由于第一描述子距离可表征第一点云数据和第二点云数据之间的匹配度，可通过第一描述子距离判断第一点云数据和第二点云数据是否相匹配。在该实施例中，当第一描述子距离满足预设的距离阈值，确定对应的关键帧与当前帧满足匹配条件。其中，距离阈值可理解为第一点云数据与第二点云数据相匹配时，第一描述矩阵和第二描述矩阵之间的最小第一描述子距离。示例性的，当第一描述子距离大于或等于距离阈值，确定第一点云数据和第二点云数据相匹配。

在一实施例中，如果多个关键帧的第二描述矩阵均满足相似阈值，可将该多个满足相似阈值的关键帧全部设置为候选帧，并将该关键帧的采集位姿设置为当前帧的候选位姿，以便从多个候选位姿中选择与当前帧的采集位姿最为相近的位姿，并对该位姿加以修正得到当前帧的采集位姿。在另一实施例中，可从多个满足相似阈值的关键帧中挑选相似度最高的关键帧设置为候选帧，对该候选帧的采集位姿进行修正得到当前帧的采集位姿。需要说明的，由于描述矩阵中的描述值只能表征对应子区域内的点云数据的平均高度信息，而不能表征该子区域内有多少个点云数据以及每个点云数据的高度信息，描述矩阵的信息是不足以完整表达对应帧的所有点云数据。因此通过第一描述矩阵和第二描述矩阵之间的相似度也只能作为第一点云数据和第二点云数据的匹配度的参考，而不能完全照用。相比于选出相似度最高的关键帧的采集位姿作为与当前帧的采集位姿最相近的位姿的技术方案，将满足相似阈值的多个关键帧作为候选帧，进而根据候选帧周围的点云数据确定出与当前帧的采集位姿最相近的位姿的技术方案的准确度更高。

S130、根据点云地图中在候选位姿的预设范围内的点云数据，构建每个候选位姿对应的局部点云地图。

其中，预设范围可理解为候选位姿对应的局部点云地图中点云数据与候选位姿的最远距离。预设范围一般选择大于3D激光雷达的最远扫描距离，因为候选位姿与当前帧的采集位姿可能存在距离偏差，而预设范围大于最远扫描距离，则候选位姿对应的局部点云地图可以包含当前帧的点云数据，保证点云配准的准确度。

在该实施例中，图7是本申请实施例提供的构建局部点云地图的流程图。如图7所示，构建局部点云地图的步骤具体包括S1301-S1302：

S1301、确定以候选位姿为中心和以预设距离为半径的球形区域，从点云地图中获取位于球形区域内的点云数据。

S1302、根据球形区域内的点云数据，构建候选位姿对应的局部点云地图。

示例性的，候选位姿包括位置信息和姿态信息，确定该位置信息为球心的第一地理坐标，根据第一地理坐标和点云地图中各个点云数据的第二地理坐标，计算球心到各个点云数据的距离，并将该距离小于预设距离的点云数据确定为位于球形区域内的第三点云数据。根据第三点云数据构建出在该候选位姿的预设距离以内的局部点云地图。

S140、将第一点云集合与每个局部点云地图进行配准，根据配准结果和候选位姿确定当前帧的采集位姿。

在一实施例中，如果只有一个候选位姿，则将该候选位姿对应的局部点云地图与第一点云集合进行配准，并根据配准得到的第一点云集合相对于局部点云数据的偏移量对该候选位姿进行修正，得到当前帧的采集位姿。

在另一实施例中，如果有多个候选位姿，则将每个候选位姿对应的局部点云地图分别与第一点云集合进行配准，以筛选出与当前帧的采集位姿最为相近的候选位姿，并基于对应偏移量对该候选位姿进行修正，得到当前帧的采集位姿。在该实施例中，图8是本申请实施例提供的基于点云配准确定当前帧的采集位姿的流程图。如图8所示，该基于点云配准确定当前帧的采集位姿的步骤具体包括S1401-S1402：

S1401、将第一点云集合与每个局部点云地图进行配准，确定第一点云集合与每个局部点云地图之间的匹配分数和相对位姿。

示例性的，将第一点云数据与局部点云地图进行配准，确定出局部点云地图中与第一点云数据相匹配的特征点，并根据各个特征点转换到对应第一点云数据的转换矩阵，确定出第一点云集合相对于局部点云地图的偏移量。根据该偏移量和相匹配的特征点数量确定各个局部点云地图与第一点云集合的匹配分数，匹配分数越高则候选位姿与当前帧的采集位姿越相近。其中，相对位姿即为第一点云集合相对于局部点云地图中的偏移量，其为一个4*4的转换矩阵T。

在该实施例中，如果当前帧和候选帧之间存在较大角度偏差，则第一点云数据与局部点云地图中对应的特征点也会存在较大的角度偏差，使得第一点云数据与局部点云地图进行配准时，花费大量的时间确定第一点云数据的特征点，导致配准效率低。对此，本实施例提出可将当前帧的朝向旋转至候选帧的朝向，以缩小第一点云数据与对应特征点之间的角度偏差，提高配准效率。示例性的，图9是本申请实施例提供的将第一点云集合与局部点云地图进行配准的流程图。如图9所示，将第一点云集合与局部点云地图进行配准的步骤具体包括S14011-S14013：

S14011、将第一描述矩阵的列向量循环右移，并确定每一次移动后的第一描述矩阵与候选帧对应的第二描述矩阵之间的第二描述子距离。

示例性的，当第一描述矩阵的列向量第一次右移后，原先第j列的列向量移动到了第j+1列，而最后一列的列向量移动到了第一列。同理的，当第一描述矩阵的列向量第k次右移后，如果j+k＜Ns，则原先第j列的列向量移动到了到第j+k列，如果j+k＞Ns，则原先第j列的列向量移动到了到第k+j-Ns列。计算每一次右移后的第一描述矩阵的列向量与第二描述矩阵的同一列的列向量的余弦距离，并计算每一次右移后的所有列的平均余弦距离，将每一次右移后的平均余弦距离确定为第二描述子距离。

例如，第k次右移后的第一描述矩阵的第j列的列向量与原始第一描述矩阵的第j-k列的列向量相同，因此计算第k次右移后的第一描述矩阵的第j列的列向量与第二描述矩阵的第j列的列向量之间的余弦矩阵即为，计算原始第一描述矩阵的第j-k列的列向量[a_1j-k，a_2j-k，...，a_Nr，j-k]^T与第二描述矩阵的第j列的列向量[b_1j，b_2j，...，b_Nr，j]^T之间的余弦距离d^k _j，计算所有列的平均余弦距离

可理解的，第k次右移后求得的d^k _j可表征第一描述矩阵的第j列和第二描述矩阵的第j-k列的列向量之间的相似度，第二描述子距离可表征第k次右移后的第一描述矩阵与第二描述矩阵之间的相似度。

S14012、根据第一描述子距离和每一次移动对应的第二描述子距离，确定最小描述子距离和对应的移动次数，并根据最小描述子距离和对应的移动次数确定第一描述矩阵与对应第二描述矩阵之间的描述子偏移角度。

示例性的，将第一描述子距离与第二描述子距离进行比较，确定出最小描述子距离d_min和对应的移动次数。其中，如果最小描述子距离d_min为第一描述子距离，则移动次数为0；如果最小描述子距离为则移动次数为k。

可理解，当等于最小描述子距离d_min时，可将移动k次后的第一描述矩阵与第二描述矩阵看作是近似相同的矩阵，那么原始第一描述矩阵与第二描述矩阵之间存在角度的偏移。由于第一描述矩阵的第j列的列向量移动k次可理解为对应第j个扇形区域逆时针移动到了第j+k个扇形区域，前后两个扇形区域之间的角度间隔为k*360/Ns，因此可推得第一描述矩阵与第二描述矩阵之间的描述子偏移角度β＝k*360/Ns。在将移动k次后的第一描述矩阵与第二描述矩阵看作是近似相同的矩阵后，相当于将当前帧逆时针旋转该描述子偏移角度后，旋转后当前帧的第一点云数据与候选帧的第二点云数据近似相同，即旋转后当前帧的朝向与候选帧的朝向近似相同，因此该描述子偏移角度等同于当前帧的姿态角与对应候选帧的姿态角之间的角度偏差。

S14013、根据每一候选帧的描述子偏移角度对第一点云集合进行转换，并将转换后的第一点云集合与对应候选帧的局部点云地图进行匹配，确定出第一点云集合与对应局部点云地图之间的匹配分数和相对位姿。

示例性的，一个候选帧对应一个描述子偏移角度，根据描述子偏移角度对第一点云集合进行旋转，以将当前帧的朝向旋转至对应候选帧的朝向。将旋转后的第一点云集合与该候选帧的局部点云地图进行配准，确定出第一点云数据的特征点，并根据各个转换点转换到各个第一点云数据的转换矩阵，得到相对位姿和匹配分数。需要说明的，确定出第一点云数据的特征点，计算特征点与旋转前的第一点云数据之间的转换矩阵，该转换矩阵涵盖了描述子偏移角度，因此后续将相对位姿叠加候选帧的采集位姿即可得到当前帧的采集位姿。

S1402、根据局部点云地图对应的匹配分数、相对位姿和候选位姿，确定当前帧的采集位姿。

在该实施例中，图10是本申请实施例提供的确定当前帧的采集位姿的流程图。如图10所示，该确定当前帧的采集位姿的步骤具体包括S14021-S14022：

S14021、将每个局部点云地图对应的匹配分数进行比较，确定出匹配分数最高的局部点云地图。

S14022、将匹配分数最高的局部点云地图对应的相对位姿和候选位姿进行叠加，得到当前帧的采集位姿。

示例性的，由于局部点云地图与第一点云集合的匹配分数越高，对应候选位姿与当前帧的采集位姿越相近，因此可将各个局部点云地图与第一点云集合的匹配分数进行比较，确定匹配分数最高的局部点云地图的候选位姿最接近当前帧的采集位姿。然后通过该匹配分数最高的局部点云地图与第一点云集合的相对位姿也即转换矩阵T对该匹配分数最高的局部点云地图的候选位姿Twi进行转换，得到当前帧的采集位姿Twj，Twj＝Twi×T，也即得到移动机器人当前的位姿。

综上，本申请实施例提供的机器人定位方法，通过环境扫描规则生成的描述子准确表达对应帧的点云集合中各个点云数据的分布特征，将当前帧的第一描述子与点云地图的各个关键帧的第二描述子进行匹配，以从预先采集的各个关键帧中挑选与当前帧的点云数据分布特征相似的候选帧。由于当前帧和候选帧的点云数据分布特征相似，因此当前帧和候选帧的采集位置较为接近，故而确定候选帧的采集位姿为当前帧的候选位姿，以便快速从候选位姿中挑选出最接近当前帧的采集位姿的位姿。通过构建候选位姿周围的局部点云地图，将局部点云地图与当前帧的点云集合进行配准，以确定出最接近当前帧的候选位姿，并对候选位姿进行修正准确得到当前帧的采集位姿。通过上述技术手段，通过当前帧的点云集合和预设的点云地图即可准确确定出当前帧的采集位姿，无需依靠绝对位姿传感器即可精准定位到机器人的位姿，消除了绝对位姿传感器的测量误差对定位准确度的影响，提高定位准确度，提高移动导航效率，保证机器人的高效安全移动。

在上述实施例的基础上，图11为本申请实施例提供的一种机器人定位装置的结构示意图。参考图11，本实施例提供的机器人定位装置具体包括：描述子生成模块21、候选帧确定模块22、局部地图生成模块23和位姿确定模块24。

其中，描述子生成模块，被配置为基于环境扫描规则，根据当前帧的第一点云集合确定当前帧的第一描述子；

候选帧确定模块，被配置为根据第一描述子和预设的点云地图的各个关键帧的第二描述子，从点云地图的各个关键帧中确定出与当前帧达到匹配条件的候选帧，并确定候选帧的采集位姿为候选位姿；

局部地图生成模块，被配置为根据点云地图中在候选位姿的预设范围内的点云数据，构建每个候选位姿对应的局部点云地图；

位姿确定模块，被配置为将第一点云集合与每个局部点云地图进行配准，根据配准结果和候选位姿确定当前帧的采集位姿。

在上述实施例的基础上，第一点云集合包括多个第一点云数据；描述子生成模块包括：子区域划分单元，被配置为根据环形区域数量和扇形区域数量，将三维激光雷达的感知区域划分为多个子区域；点云数据分配单元，被配置为根据第一点云数据的雷达坐标，确定每个第一点云数据对应的子区域；描述矩阵生成单元，被配置为根据每个子区域中第一点云数据的高度值，确定对应子区域的描述值，根据每个子区域的描述值生成当前帧的第一描述矩阵。

在上述实施例的基础上，候选帧确定模块包括：相似度确定单元，被配置为根据第一描述矩阵与每一关键帧的第二描述矩阵，确定第一描述矩阵与每一第二描述矩阵的相似度

；候选帧确定单元，被配置为当相似度满足预设相似阈值，确定对应的关键帧与当前帧满足匹配条件，并将对应的关键帧设置为候选帧。

在上述实施例的基础上，相似度确定单元包括：第一距离确定子单元，被配置为确定第一描述矩阵的列向量与第二描述矩阵对应列的列向量的余弦距离，并确定所有列的平均余弦距离为第一描述矩阵与第二描述矩阵之间的第一描述子距离。

在上述实施例的基础上，候选帧确定单元包括：匹配判断子单元，被配置为当第一描述子距离满足预设的距离阈值，确定对应的关键帧与当前帧满足匹配条件。

在上述实施例的基础上，局部地图生成模块包括：点云数据获取单元，被配置为确定以候选位姿为中心和以预设距离为半径的球形区域，从点云地图中获取位于球形区域内的点云数据；地图构建单元，被配置为根据球形区域内的点云数据，构建候选位姿对应的局部点云地图。

在上述实施例的基础上，位姿确定模块包括：配准单元，被配置为将第一点云集合与每个局部点云地图进行配准，确定第一点云集合与每个局部点云地图之间的匹配分数和相对位姿；位姿确定单元，被配置为根据局部点云地图对应的匹配分数、相对位姿和候选位姿，确定当前帧的采集位姿。

在上述实施例的基础上，配准单元包括：第二距离确定子单元，被配置为将第一描述矩阵的列向量循环右移，并确定每一次移动后的第一描述矩阵与候选帧对应的第二描述矩阵之间的第二描述子距离；偏移角度确定子单元，被配置为根据第一描述子距离和每一次移动对应的第二描述子距离，确定最小描述子距离和对应的移动次数，并根据最小描述子距离和对应的移动次数确定第一描述矩阵与对应第二描述矩阵之间的描述子偏移角度；配准子单元，被配置为根据每一候选帧的描述子偏移角度对第一点云集合进行转换，并将转换后的第一点云集合与对应候选帧的局部点云地图进行匹配，确定出第一点云集合与对应局部点云地图之间的匹配分数和相对位姿。

在上述实施例的基础上，位姿确定单元包括：比较子单元，被配置为将每个局部点云地图对应的匹配分数进行比较，确定出匹配分数最高的局部点云地图；位姿确定子单元，被配置为将匹配分数最高的局部点云地图对应的相对位姿和候选位姿进行叠加，得到当前帧的采集位姿。

上述，本申请实施例提供的机器人定位装置，通过环境扫描规则生成的描述子准确表达对应帧的点云集合中各个点云数据的分布特征，将当前帧的第一描述子与点云地图的各个关键帧的第二描述子进行匹配，以从预先采集的各个关键帧中挑选与当前帧的点云数据分布特征相似的候选帧。由于当前帧和候选帧的点云数据分布特征相似，因此当前帧和候选帧的采集位置较为接近，故而确定候选帧的采集位姿为当前帧的候选位姿，以便快速从候选位姿中挑选出最接近当前帧的采集位姿的位姿。通过构建候选位姿周围的局部点云地图，将局部点云地图与当前帧的点云集合进行配准，以确定出最接近当前帧的候选位姿，并对候选位姿进行修正准确得到当前帧的采集位姿。通过上述技术手段，通过当前帧的点云集合和预设的点云地图即可准确确定出当前帧的采集位姿，无需依靠绝对位姿传感器即可精准定位到机器人的位姿，消除了绝对位姿传感器的测量误差对定位准确度的影响，提高定位准确度，提高移动导航效率，保证机器人的高效安全移动。

本申请实施例提供的机器人定位装置可以用于执行上述实施例提供的机器人定位方法，具备相应的功能和有益效果。

图12是本申请实施例提供的一种机器人定位设备的结构示意图，参考图12，该机器人定位设备包括：处理器31、存储器32、通信装置33、输入装置34及输出装置35。该机器人定位设备中处理器31的数量可以是一个或者多个，该机器人定位设备中的存储器32的数量可以是一个或者多个。该机器人定位设备的处理器31、存储器32、通信装置33、输入装置34及输出装置35可以通过总线或者其他方式连接。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例的机器人定位方法对应的程序指令/模块(例如，机器人定位装置中的描述子生成模块21、候选帧确定模块22、局部地图生成模块23和位姿确定模块24)。存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信装置33用于进行数据传输。

处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的机器人定位方法。

输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。

上述提供的机器人定位设备可用于执行上述实施例提供的机器人定位方法，具备相应的功能和有益效果。

本申请实施例还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种机器人定位方法，该机器人定位方法包括：基于环境扫描规则，根据当前帧的第一点云集合确定当前帧的第一描述子；根据第一描述子和预设的点云地图的各个关键帧的第二描述子，从点云地图的各个关键帧中确定出与当前帧达到预设匹配条件的候选帧，并确定候选帧的采集位姿为候选位姿；根据点云地图中在候选位姿的预设范围内的点云数据，构建每个候选位姿对应的局部点云地图；将第一点云集合与每个局部点云地图进行配准，根据配准结果和候选位姿确定当前帧的采集位姿。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的机器人定位方法，还可以执行本申请任意实施例所提供的机器人定位方法中的相关操作。

上述实施例中提供的机器人定位装置、存储介质及机器人定位设备可执行本申请任意实施例所提供的机器人定位方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的机器人定位方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (12)

1.一种机器人定位方法，其特征在于，包括：

基于环境扫描规则，根据当前帧的第一点云集合确定所述当前帧的第一描述子；

根据所述第一描述子和预设的点云地图的各个关键帧的第二描述子，从所述点云地图的各个关键帧中确定出与所述当前帧达到预设匹配条件的候选帧，并确定所述候选帧的采集位姿为候选位姿；

根据所述点云地图中在所述候选位姿的预设范围内的点云数据，构建每个所述候选位姿对应的局部点云地图；

将所述第一点云集合与每个所述局部点云地图进行配准，根据配准结果和所述候选位姿确定所述当前帧的采集位姿。

2.根据权利要求1所述的机器人定位方法，其特征在于，所述第一点云集合包括多个第一点云数据；

相应的，所述基于环境扫描规则，根据当前帧的第一点云集合确定所述当前帧的第一描述子，包括：

根据环形区域数量和扇形区域数量，将三维激光雷达的感知区域划分为多个子区域；

根据所述第一点云数据的雷达坐标，确定每个所述第一点云数据对应的子区域；

根据每个所述子区域中第一点云数据的高度值，确定对应子区域的描述值，根据每个子区域的描述值生成所述当前帧的第一描述矩阵。

3.根据权利要求2所述的机器人定位方法，其特征在于，所述根据所述第一描述子和预设的点云地图的各个关键帧的第二描述子，从所述点云地图的各个关键帧中确定出达到预设匹配条件的候选帧，包括：

根据所述第一描述矩阵与每一所述关键帧的第二描述矩阵，确定所述第一描述矩阵与每一第二描述矩阵的相似度；

当所述相似度满足预设相似阈值，确定对应的关键帧与所述当前帧满足所述匹配条件，并将对应的关键帧设置为所述候选帧。

4.根据权利要求3所述的机器人定位方法，其特征在于，所述将所述第一描述矩阵与每一所述关键帧的第二描述矩阵进行比较，确定所述第一描述矩阵与每一第二描述矩阵的相似度，包括：

确定所述第一描述矩阵的列向量与所述第二描述矩阵对应列的列向量的余弦距离，并确定所有列的平均余弦距离为所述第一描述矩阵与所述第二描述矩阵之间的第一描述子距离。

5.根据权利要求4所述的机器人定位方法，其特征在于，所述当所述相似度满足预设相似阈值，确定对应的关键帧与所述当前帧满足所述匹配条件，包括：

当所述第一描述子距离满足预设的距离阈值，确定对应的关键帧与所述当前帧满足所述匹配条件。

6.根据权利要求1-5任一所述的机器人定位方法，其特征在于，所述根据所述点云地图中在所述候选位姿的预设范围内的点云数据，构建每个所述候选位姿对应的局部点云地图，包括：

确定以所述候选位姿为中心和以预设距离为半径的球形区域，从所述点云地图中获取位于所述球形区域内的点云数据；

根据所述球形区域内的点云数据，构建所述候选位姿对应的局部点云地图。

7.根据权利要求1所述的机器人定位方法，其特征在于，所述将所述第一点云集合与每个所述局部点云地图进行配准，根据配准结果和所述候选位姿确定所述当前帧的采集位姿，包括：

将所述第一点云集合与每个所述局部点云地图进行配准，确定所述第一点云集合与每个所述局部点云地图之间的匹配分数和相对位姿；

根据所述局部点云地图对应的匹配分数、相对位姿和候选位姿，确定所述当前帧的采集位姿。

8.根据权利要求7所述的机器人定位方法，其特征在于，所述将所述第一点云集合与每个所述局部点云地图进行配准，确定所述第一点云集合与每个所述局部点云地图之间的匹配分数和相对位姿，包括：

将所述第一描述矩阵的列向量循环右移，并确定每一次移动后的第一描述矩阵与所述候选帧对应的第二描述矩阵之间的第二描述子距离；

根据第一描述子距离和每一次移动对应的第二描述子距离，确定最小描述子距离和对应的移动次数，并根据所述最小描述子距离和对应的移动次数确定所述第一描述矩阵与对应第二描述矩阵之间的描述子偏移角度；

根据每一候选帧的描述子偏移角度对所述第一点云集合进行转换，并将转换后的第一点云集合与对应候选帧的局部点云地图进行匹配，确定出所述第一点云集合与对应局部点云地图之间的匹配分数和相对位姿。

9.根据权利要求7或8所述的机器人定位方法，其特征在于，所述根据所述局部点云地图对应的匹配分数、相对位姿和候选位姿，确定所述当前帧的采集位姿，包括：

将每个所述局部点云地图对应的匹配分数进行比较，确定出匹配分数最高的局部点云地图；

将匹配分数最高的局部点云地图对应的相对位姿和候选位姿进行叠加，得到所述当前帧的采集位姿。

10.一种机器人定位装置，其特征在于，包括：

描述子生成模块，被配置为基于环境扫描规则，根据当前帧的第一点云集合确定所述当前帧的第一描述子；

候选帧确定模块，被配置为根据所述第一描述子和预设的点云地图的各个关键帧的第二描述子，从所述点云地图的各个关键帧中确定出与所述当前帧达到匹配条件的候选帧，并确定所述候选帧的采集位姿为候选位姿；

局部地图生成模块，被配置为根据所述点云地图中在所述候选位姿的预设范围内的点云数据，构建每个所述候选位姿对应的局部点云地图；

位姿确定模块，被配置为将所述第一点云集合与每个所述局部点云地图进行配准，根据配准结果和所述候选位姿确定所述当前帧的采集位姿。

11.一种机器人定位设备，其特征在于，包括：一个或多个处理器；存储装置，存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9任一所述的机器人定位方法。

12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9任一所述的机器人定位方法。