CN117213500B - 基于动态点云与拓扑路网的机器人全局定位方法及系统 - Google Patents
基于动态点云与拓扑路网的机器人全局定位方法及系统 Download PDFInfo
- Publication number
- CN117213500B CN117213500B CN202311473567.6A CN202311473567A CN117213500B CN 117213500 B CN117213500 B CN 117213500B CN 202311473567 A CN202311473567 A CN 202311473567A CN 117213500 B CN117213500 B CN 117213500B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- robot
- map
- topology
- global
- 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 51
- 238000013519 translation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于机器人定位技术领域,具体涉及一种基于动态点云与拓扑路网的机器人全局定位方法及系统,包括:构建室内环境的点云地图;提取所构建点云地图的拓扑结构,得到室内环境的拓扑路网和拓扑点位姿;根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配,确定机器人当前点云的全局位姿;根据当前点云的全局位姿,加载机器人的分块地图;基于实时动态点云进行分块地图的精匹配,得到机器人的全局位姿,完成机器人的全局定位。本发明在室内结构化环境下实现机器人重新上电或位姿发生突变后的重新定位,有效解决重定位问题及机器人回到曾经访问过的位置因环境变化的回环检测及全局定位问题,提高定位的稳定性。
Description
技术领域
本发明属于机器人定位技术领域,具体涉及一种基于动态点云与拓扑路网的机器人全局定位方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
精确稳定的定位是自主导航的前提,在无人驾驶中,全局定位一般指在开机后在建好的地图上定位或在机器人绑定后定位,此时当前帧的位姿可能出现在已有地图中的任意位姿,甚至在已有地图之外。在没有先验信息的前提下,机器人仅依靠自身传感器估计其在已知全局地图中的位姿。传统的全局定位方法主要有三种:一是采用rtk(载波相位差分技术)作为全局约束信息加入到定位中;二是直接在rviz(开源机器人操作系统ROS中的一款三维可视化平台)上手动给予初始位姿;三是直接利用当前帧的所有点云与地图进行暴力搜索匹配。
机器人全局定位时,导航过程中由于某种外部因素 (如人为搬离、外部碰撞等)机器人位姿发生突变,从而导致原有依赖位姿连续变化的定位算法失效。在室内环境下,组合导航失去了全球导航卫星系统(Global Navigation Satellite System,GNSS)信号,无法建立全局约束;在rviz上直接手动获得初始位姿存在一定的局限性,在自动驾驶中是一种不太科学的方法。相似环境下的关键帧不仅会造成冗余,还容易造成误匹配。直接用激光进行匹配的方法速度较慢,不适用于较大场景下的全局定位。
据发明人了解,现有的全局定位存在以下缺陷:(1)缺乏先验知识;即前一瞬间机器人的位置是未知的;(2)在重新定位和闭环检测的时候,即机器人回到某个曾访问过的位置,会发生各种各样的变化,包括光照、视角的变化,同时也有一些动态的物体造成的变化。
发明内容
为了解决上述问题,本发明提出了一种基于动态点云与拓扑路网的机器人全局定位方法及系统,应用于室内环境的全局定位,在室内结构化环境下实现机器人重新上电或位姿发生突变后的重新定位,有效解决在缺乏先验知识下的重定位问题以及机器人回到曾经访问过的位置因环境变化的回环检测及全局定位问题,有效提高定位的稳定性及鲁棒性。
根据一些实施例,本发明的第一方案提供了一种基于动态点云与拓扑路网的机器人全局定位方法,采用如下技术方案:
一种基于动态点云与拓扑路网的机器人全局定位方法,包括:
构建室内环境的点云地图;
提取所构建点云地图的拓扑结构,得到室内环境的拓扑路网和拓扑点位姿;
根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配,确定机器人当前点云的全局位姿;
根据当前点云的全局位姿,加载机器人的分块地图;
基于实时动态点云进行分块地图的精匹配,得到机器人的全局位姿,完成机器人的全局定位。
作为进一步的技术限定,在根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配的过程中,判断拓扑节点的类型,根据拓扑节点类型判断该拓扑节点的特征与匹配节点特征是否相符,完成机器人定位的粗匹配;其中,拓扑节点的类型为转角处、交叉路口或走廊。
进一步的,在确定机器人当前点云的全局位姿的过程中,根据当前点云和拓扑节点的类型,得到当前点云的平移矩阵;根据预设分辨率遍历所有姿态角;根据点云对应点间距进行当前点云的匹配,确定当前点云的位置和姿态,得到机器人当前点云的全局位姿。
作为进一步的技术限定,在分块地图的精匹配的过程中,采用ICP(Point CloudRegistration)点云配准匹配法。
进一步的,在ICP点云配准匹配的过程中,把分块地图转换成地图点云,把当前帧的激光变成激光点云,对所得到的地图点云与激光点云进行配准,得到地图点云与激光点云之间的旋转量和平移量,根据所得到的旋转量和平移量进行地图点云的旋转平移,实现地图点云与激光点云的重合,完成分块地图的精匹配。
作为进一步的技术限定,在构建室内环境的点云地图的过程中,通过激光雷达扫描室内的结构化环境,再将惯性传感器(Inertial Measurement Unit,简称IMU)和里程计所获取的信息融入到即时定位与地图构建(Simultaneous Localization And Mapping,简称SLAM)中,完成室内环境点云地图的构建。
作为进一步的技术限定,所提取的点云地图的拓扑结构包括拓扑节点的位置以及拓扑节点之间的连接关系。
根据一些实施例,本发明的第二方案提供了一种基于动态点云与拓扑路网的机器人全局定位系统,采用如下技术方案:
一种基于动态点云与拓扑路网的机器人全局定位系统,包括:
构建模块,其被配置为构建室内环境的点云地图;
提取模块,其被配置为提取所构建点云地图的拓扑结构,得到室内环境的拓扑路网和拓扑点位姿;
粗匹配模块,其被配置为根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配,确定机器人当前点云的全局位姿;
加载模块,其被配置为根据当前点云的全局位姿,加载机器人的分块地图;
定位模块,其被配置为基于实时动态点云进行分块地图的精匹配,得到机器人的全局位姿,完成机器人的全局定位。
根据一些实施例,本发明的第三方案提供了一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方案所述的基于动态点云与拓扑路网的机器人全局定位方法中的步骤。
根据一些实施例,本发明的第四方案提供了一种电子设备,采用如下技术方案:
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方案所述的基于动态点云与拓扑路网的机器人全局定位方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明中拓扑地图与其它地图的信息耦合度低,定位存储空间小,匹配速度快;通过拓扑路网进行粗匹配,采用动态点云地图分块加载进行精匹配,避免加载整张全局地图造成匹配速度慢,通过粗匹配与精匹配的相互配合提高定位鲁棒性。
本发明在室内结构化环境下实现机器人重新上电或位姿发生突变后的重新定位,有效解决在缺乏先验知识下的重定位问题以及机器人回到曾经访问过的位置因环境变化的回环检测及全局定位问题,有效提高定位的稳定性及鲁棒性。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本发明实施例一中的基于动态点云与拓扑路网的机器人全局定位方法的流程图;
图2为本发明实施例一中的基于动态点云与拓扑路网的机器人全局定位方法的详细步骤图;
图3为本发明实施例一中的每帧提取出的节点类别示意图;
图4为本发明实施例一中的拓扑路网与拓扑节点的结构示意图;
图5为本发明实施例一中的拓扑路网的结构示意图;
图6为本发明实施例一中的粗匹配的流程图;
图7为本发明实施例一中的机器人的分块地图示意图;
图8为本发明实施例二中的基于动态点云与拓扑路网的机器人全局定位系统的结构框图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”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,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本发明实施例一介绍了一种基于动态点云与拓扑路网的机器人全局定位方法。
如图1和图2所示的一种基于动态点云与拓扑路网的机器人全局定位方法,包括:
构建室内环境的点云地图;
提取所构建点云地图的拓扑结构,得到室内环境的拓扑路网和拓扑点位姿;
根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配,确定机器人当前点云的全局位姿;
根据当前点云的全局位姿,加载机器人的分块地图;
基于实时动态点云进行分块地图的精匹配,得到机器人的全局位姿,完成机器人的全局定位。
作为一种或多种实施方式,通过激光雷达扫描室内结构化环境,同时将IMU、里程计信息加入到SLAM构图环境中,实现对室内环境地图的构建,并保存高精度地图的二进制pbstream格式;具体的,机器人搭载IMU、激光雷达对船舱内一圈的环境进行扫描,同时录制保存传感器的话题数据(bag包)根据激光雷达、IMU的参数对cartographer算法进行适配建图,得到高精度地图的二进制形式—pbstream。
作为一种或多种实施方式,所提取的点云地图的拓扑结构只考虑节点间连接关系和节点信息;如图3所示,每帧提取出的节点类别包括交叉路口、转角处、走廊,图中的圆圈和星号均表示不同的拓扑点。
如图4所示的拓扑提取,提取拓扑路网,通过拓扑路网得到的拓扑点分别为N0,N1……N8,得到对应的拓扑地图如图5所示,图5中的数字与图4中的拓扑点一一对应,即图5给出了图4中各个拓扑点之间的连接关系;在所构建的室内环境的点云地图中,将所使用的每一帧激光点云编码成对应的拓扑点描述为集合,并记录下其位姿集合;其中,/>表示第一个拓扑点、/>表示第N个拓扑点;/>表示第一个拓扑点的位置和姿态,/>表示第N个拓扑点的位置和姿态。
作为一种或多种实施方式,结构化场景中存在较多相似环境,易造成误匹配情况,对定位结果造成恶劣影响。在对某一特定环境用cartographer完成建图工作后,建图时激光雷达采集到的每一帧激光点云的位姿也就确定了下来,将其与拓扑地图匹配结合就可以完成在该环境中的定位。
完成拓扑提取之后,需要对其进行聚类,排除异常点和噪点。
假设拓扑地图中各节点分别为,已知前两个经过的节点为/>和/>,在/>节点处转过的角度为/>,/>节点对应的拓扑结构特征为/>,当前时刻的道路拓扑结构特征为/>,拓扑匹配的实质就是用这些条件推算当前时刻所对应的拓扑地图节点序号。拓扑匹配的流程如图6所示。
假设经过的节点分别为N0、N1、……Nk-1,第Ni个节点处的转向角为,结构特征为,当前求解的节点为Nk;求解条件为:
(1)当前节点Nk的前两个节点的序号分别 Nk-2,Nk-1;
(2)当前节点Nk的前一个节点处的转向角为;
(3)当前节点Nk的结构特征为,当前节点Nk的上一个节点Nk-1的结构特征为。
已知地图各个节点的精确位姿(R,t)与拓扑结构点云,拓扑匹配得到的节点序号,及当前帧拓扑结构点云;其中,R表示节点姿态,t表示节点位置。
粗匹配的具体步骤为:
(1)将当前点云位置对齐到角点/交叉点,获取平移矩阵Δt;
(2)按预设分辨率(在本实施例中,分辨率取5°)遍历所有姿态角;
(3)给匹配程度打分:点云对应点间距离小于C则为匹配成功的点,C为固定值,可选择0.5m、0.3m等;得分=匹配成功点数/所有点数;
(4)若最高得分高于阈值则匹配成功,最高分对应旋转矩阵ΔR,对应平移矩阵为Δt;
(5)当前点云位置为,姿态为/>。
当前的位姿表达式可以写成
其中,表示第N个拓扑点的位置和姿态;节点姿态R实际上是一个旋转矩阵,节点位置t实际上是一个平移矩阵,二者的表达式为
其中,为边缘特征点匹配中得到的航向角偏移,x,y,z分别表示三个方向的位移。
作为一种或多种实施方式,根据当前点云的全局位姿,得到当前点云的位置和姿态,根据位置加载实时位置的分块地图,如图7所示,方框外部部分为全局地图,方框内部为当前帧点云所在的分块地图。
作为一种或多种实施方式,在分块地图的精匹配的过程中,采用ICP点云配准匹配法。
在ICP点云配准匹配的过程中,把分块地图转换成地图点云,把当前帧的激光变成激光点云,对所得到的地图点云与激光点云进行配准,得到地图点云与激光点云之间的旋转量和平移量,根据所得到的旋转量和平移量进行地图点云的旋转平移,实现地图点云与激光点云的重合,完成分块地图的精匹配;
具体的,把地图转换成地图点云,再把当前帧的激光变成激光点云/>,使source与targe配准,即找到两者之间的旋转和平移量(即迭代);将其作用到机器人的上一时刻的base_to_map坐标系上,完成了一次定位优化;对/>经过旋转R和平移t,直到/>与/>重合为止,即/>;求能够使其误差最小的R和t;构建最小二乘法,使其误差平方和达到最小,即/>;其中,指地图点云的集合,/>指实时的待配准的点云集合,R指旋转矩阵,t指平移矩阵;/>表示两者的重合程度,等于0表示完全重合;J为最小化目标函数。所采用的最小二乘法为现有的常规方法,在此不再进行赘述。
ICP匹配的流程如下:
(1)寻找中每一个点云,对应在/>中的最临近点,构成点云集合C;
(2)分别选找和/>的中心点(即横纵坐标分别求和再除以点云数量);
(3)通过奇异值分解(Singular Value Decomposition,即SVD)计算旋转量R;
(4)根据所得到的旋转量R,求出平移量t,即;
(5)迭代,通过得到新的点云A1,重复(1)~(4),寻找A1中每一个点云,对应在/>中的最临近点。
(6)得到点云An及其最近点集Cn的平均距离dst,当dst小于设定的阈值时,跳出循环。
本实施例中的拓扑地图与其它地图的信息耦合度低,定位存储空间小,匹配速度快;通过拓扑路网进行粗匹配,采用动态点云地图分块加载进行精匹配,避免加载整张全局地图造成匹配速度慢,通过粗匹配与精匹配的相互配合提高定位鲁棒性;在室内结构化环境下实现机器人重新上电或位姿发生突变后的重新定位,有效解决在缺乏先验知识下的重定位问题以及机器人回到曾经访问过的位置因环境变化的回环检测及全局定位问题,有效提高定位的稳定性及鲁棒性。
实施例二
本发明实施例二介绍了一种基于动态点云与拓扑路网的机器人全局定位系统。
如图8所示的一种基于动态点云与拓扑路网的机器人全局定位系统,包括:
构建模块,其被配置为构建室内环境的点云地图;
提取模块,其被配置为提取所构建点云地图的拓扑结构,得到室内环境的拓扑路网和拓扑点位姿;
粗匹配模块,其被配置为根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配,确定机器人当前点云的全局位姿;
加载模块,其被配置为根据当前点云的全局位姿,加载机器人的分块地图;
定位模块,其被配置为基于实时动态点云进行分块地图的精匹配,得到机器人的全局位姿,完成机器人的全局定位。
详细步骤与实施例一提供的基于动态点云与拓扑路网的机器人全局定位方法相同,在此不再赘述。
实施例三
本发明实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例一所述的基于动态点云与拓扑路网的机器人全局定位方法中的步骤。
详细步骤与实施例一提供的基于动态点云与拓扑路网的机器人全局定位方法相同,在此不再赘述。
实施例四
本发明实施例四提供了一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例一所述的基于动态点云与拓扑路网的机器人全局定位方法中的步骤。
详细步骤与实施例一提供的基于动态点云与拓扑路网的机器人全局定位方法相同,在此不再赘述。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
Claims (8)
1.一种基于动态点云与拓扑路网的机器人全局定位方法,其特征在于,包括:
构建室内环境的点云地图;
提取所构建点云地图的拓扑结构,得到室内环境的拓扑路网和拓扑点位姿;
根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配,确定机器人当前点云的全局位姿;
根据当前点云的全局位姿,加载机器人的分块地图;
基于实时动态点云进行分块地图的精匹配,得到机器人的全局位姿,完成机器人的全局定位;
在根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配的过程中,判断拓扑节点的类型,根据拓扑节点类型判断该拓扑节点的特征与匹配节点特征是否相符,完成机器人定位的粗匹配;其中,拓扑节点的类型为转角处、交叉路口或走廊;
确定机器人当前点云的全局位姿的过程中,根据当前点云和拓扑节点的类型,得到当前点云的平移矩阵;根据预设分辨率遍历所有姿态角;根据点云对应点间距进行当前点云的匹配,确定当前点云的位置和姿态,得到机器人当前点云的全局位姿。
2.如权利要求1中所述的一种基于动态点云与拓扑路网的机器人全局定位方法,其特征在于,在分块地图的精匹配的过程中,采用ICP点云配准匹配法。
3.如权利要求2中所述的一种基于动态点云与拓扑路网的机器人全局定位方法,其特征在于,在ICP点云配准匹配的过程中,把分块地图转换成地图点云,把当前帧的激光变成激光点云,对所得到的地图点云与激光点云进行配准,得到地图点云与激光点云之间的旋转量和平移量,根据所得到的旋转量和平移量进行地图点云的旋转平移,实现地图点云与激光点云的重合,完成分块地图的精匹配。
4.如权利要求1中所述的一种基于动态点云与拓扑路网的机器人全局定位方法,其特征在于,在构建室内环境的点云地图的过程中,通过激光雷达扫描室内的结构化环境,再将惯性传感器和里程计所获取的信息融入到即时定位与地图构建中,完成室内环境点云地图的构建。
5.如权利要求1中所述的一种基于动态点云与拓扑路网的机器人全局定位方法,其特征在于,所提取的点云地图的拓扑结构包括拓扑节点的位置以及拓扑节点之间的连接关系。
6.一种基于动态点云与拓扑路网的机器人全局定位系统,其特征在于,包括:
构建模块,其被配置为构建室内环境的点云地图;
提取模块,其被配置为提取所构建点云地图的拓扑结构,得到室内环境的拓扑路网和拓扑点位姿;
粗匹配模块,其被配置为根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配,确定机器人当前点云的全局位姿;
加载模块,其被配置为根据当前点云的全局位姿,加载机器人的分块地图;
定位模块,其被配置为基于实时动态点云进行分块地图的精匹配,得到机器人的全局位姿,完成机器人的全局定位;
在根据所得到的拓扑路网和拓扑点位姿进行机器人定位的粗匹配的过程中,判断拓扑节点的类型,根据拓扑节点类型判断该拓扑节点的特征与匹配节点特征是否相符,完成机器人定位的粗匹配;其中,拓扑节点的类型为转角处、交叉路口或走廊;
确定机器人当前点云的全局位姿的过程中,根据当前点云和拓扑节点的类型,得到当前点云的平移矩阵;根据预设分辨率遍历所有姿态角;根据点云对应点间距进行当前点云的匹配,确定当前点云的位置和姿态,得到机器人当前点云的全局位姿。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现了如权利要求1-5任一项所述的基于动态点云与拓扑路网的机器人全局定位方法的步骤。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现了如权利要求1-5任一项所述的基于动态点云与拓扑路网的机器人全局定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473567.6A CN117213500B (zh) | 2023-11-08 | 2023-11-08 | 基于动态点云与拓扑路网的机器人全局定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473567.6A CN117213500B (zh) | 2023-11-08 | 2023-11-08 | 基于动态点云与拓扑路网的机器人全局定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117213500A CN117213500A (zh) | 2023-12-12 |
CN117213500B true CN117213500B (zh) | 2024-02-13 |
Family
ID=89035670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311473567.6A Active CN117213500B (zh) | 2023-11-08 | 2023-11-08 | 基于动态点云与拓扑路网的机器人全局定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117213500B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111998846A (zh) * | 2020-07-24 | 2020-11-27 | 中山大学 | 基于环境几何与拓扑特征的无人系统快速重定位方法 |
CN113325389A (zh) * | 2021-08-03 | 2021-08-31 | 北京理工大学 | 一种无人车激光雷达定位方法、系统及存储介质 |
CN114526739A (zh) * | 2022-01-25 | 2022-05-24 | 中南大学 | 移动机器人室内重定位方法、计算机装置及产品 |
CN115164906A (zh) * | 2022-09-02 | 2022-10-11 | 深圳鹏行智能研究有限公司 | 定位方法、机器人和计算机可读存储介质 |
CN116481517A (zh) * | 2023-06-25 | 2023-07-25 | 深圳市普渡科技有限公司 | 扩展建图方法、装置、计算机设备和存储介质 |
CN116642492A (zh) * | 2023-05-24 | 2023-08-25 | 中国科学院上海微系统与信息技术研究所 | 一种移动机器人重定位方法、装置及移动机器人 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10885666B2 (en) * | 2019-02-06 | 2021-01-05 | Ford Global Technologies, Llc | Hybrid metric-topological camera-based localization |
WO2021007716A1 (en) * | 2019-07-12 | 2021-01-21 | Beijing Voyager Technology Co., Ltd. | Systems and methods for positioning |
US20220269281A1 (en) * | 2021-02-23 | 2022-08-25 | Ran Cheng | Method and system for generating a topological graph map |
-
2023
- 2023-11-08 CN CN202311473567.6A patent/CN117213500B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111998846A (zh) * | 2020-07-24 | 2020-11-27 | 中山大学 | 基于环境几何与拓扑特征的无人系统快速重定位方法 |
CN113325389A (zh) * | 2021-08-03 | 2021-08-31 | 北京理工大学 | 一种无人车激光雷达定位方法、系统及存储介质 |
CN114526739A (zh) * | 2022-01-25 | 2022-05-24 | 中南大学 | 移动机器人室内重定位方法、计算机装置及产品 |
CN115164906A (zh) * | 2022-09-02 | 2022-10-11 | 深圳鹏行智能研究有限公司 | 定位方法、机器人和计算机可读存储介质 |
CN116642492A (zh) * | 2023-05-24 | 2023-08-25 | 中国科学院上海微系统与信息技术研究所 | 一种移动机器人重定位方法、装置及移动机器人 |
CN116481517A (zh) * | 2023-06-25 | 2023-07-25 | 深圳市普渡科技有限公司 | 扩展建图方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Jianyu Wang ; Yan Li ; Wei Liu ; 等.A Point Cloud Connectivity Reduction Algorithm Based on Distance Thresholds.2020 Chinese Automation Congress .2021,全文. * |
基于扫描匹配的室外环境SLAM方法;赵一路;陈雄;韩建达;;机器人;32(05);全文 * |
面向多约束的室内消防路径查询方法研究;齐彤华,周小平,王佳;消防科学与技术;第41卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117213500A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112268559B (zh) | 复杂环境下融合slam技术的移动测量方法 | |
CN113781582B (zh) | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 | |
Johannsson et al. | Temporally scalable visual SLAM using a reduced pose graph | |
Lenac et al. | Fast planar surface 3D SLAM using LIDAR | |
Betge-Brezetz et al. | Uncertain map making in natural environments | |
JP2019518222A (ja) | リアルタイムオンラインエゴモーション推定を有するレーザスキャナ | |
CN111402339B (zh) | 一种实时定位方法、装置、系统及存储介质 | |
JPWO2007069724A1 (ja) | 三次元形状データの位置合わせ方法と装置 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN113985429A (zh) | 基于三维激光雷达的无人机环境扫描与重构方法 | |
CN115407357A (zh) | 基于大场景的低线束激光雷达-imu-rtk定位建图算法 | |
Cao et al. | Accurate localization of autonomous vehicles based on pattern matching and graph-based optimization in urban environments | |
CN115962773A (zh) | 一种移动机器人同步定位与地图构建方法、装置和设备 | |
CN117213500B (zh) | 基于动态点云与拓扑路网的机器人全局定位方法及系统 | |
CN116753969A (zh) | 一种高动态环境下的激光惯性slam方法 | |
CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
CN113532421B (zh) | 一种基于子图更新和反光板优化的动态激光slam方法 | |
CN116124161A (zh) | 一种基于先验地图的LiDAR/IMU融合定位方法 | |
CN114777775A (zh) | 一种多传感器融合的定位方法及系统 | |
Selkäinaho | Adaptive autonomous navigation of mobile robots in unknown environments | |
Sun et al. | Indoor Li-DAR 3D mapping algorithm with semantic-based registration and optimization | |
Tong et al. | 3D SLAM for planetary worksite mapping | |
CN117451035B (zh) | 一种激光slam自适应自动更新地图的方法及系统 | |
Du et al. | GNSS-Assisted LiDAR Odometry and Mapping for Urban Environment | |
CN116698017B (zh) | 面向室内大尺度复杂场景的物体级环境建模方法及系统 |
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 |