CN117330083B - 机器人定位方法、机器人和可读存储介质 - Google Patents
机器人定位方法、机器人和可读存储介质 Download PDFInfo
- Publication number
- CN117330083B CN117330083B CN202311631295.8A CN202311631295A CN117330083B CN 117330083 B CN117330083 B CN 117330083B CN 202311631295 A CN202311631295 A CN 202311631295A CN 117330083 B CN117330083 B CN 117330083B
- Authority
- CN
- China
- Prior art keywords
- target
- layer
- confidence
- point cloud
- pose
- 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 44
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Robotics (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种机器人定位方法、机器人和计算机可读存储介质,涉及机器人技术领域。该方法包括:获取每个子图的第一图层中各栅格图块对应的预测位姿,根据第一图层中各栅格图块对应的预测位姿与第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,并从目标子图中第二图层开始,根据目标栅格图块确定其在下一层图层中对应的栅格图块范围,根据栅格图块范围对应的预测位姿与第一点云数据的匹配置信度,确定下一层图层的目标栅格图块,直至分辨率最高的图层;最后根据分辨率最高的图层的目标栅格图块对应的预测位姿进行定位。本申请实施例旨在解决在机器人定位丢失后或机器人刚上电时,无法鲁棒又准确地找回机器人的位姿的问题。
Description
技术领域
本申请涉及机器人技术领域,尤其涉及一种机器人定位方法、机器人和计算机可读存储介质。
背景技术
随着机器人发展和应用的逐步深入,机器人定位定姿为机器人的自主导航定位提供基础,是推进机器人进行广泛应用的核心技术之一。然而,机器人的建图和定位算法中机器人的位姿经常丢失,即机器人定位错误,还可能发生重启等情况,在这些情况下,机器人需要进行精准定位。因此,在机器人定位丢失后或机器人刚上电时,如何鲁棒又准确地找到机器人的位姿成为亟需解决的问题。
发明内容
本申请提供了一种机器人定位方法、机器人和计算机可读存储介质,可以解决在机器人定位丢失后或机器人刚上电时,无法鲁棒又准确地找回机器人的位姿的问题。
第一方面,本申请提供了一种机器人定位方法,所述方法包括:
获取所述机器人当前采集的第一点云数据;
获取所述机器人所处环境对应的环境栅格地图,所述环境栅格地图包括多个子图,基于每个所述子图构建N个具有不同分辨率的图层,每一图层包括有预设数量的栅格图块,从第一图层到第N个图层中,每一栅格图块对应的像素数量逐渐变少;
获取每个所述子图的第一图层中各栅格图块对应的预测位姿,并根据所述第一图层中各栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,其中,所述第一图层为所述N个具有不同分辨率的图层中分辨率最低的图层;
从所述目标子图中第二图层开始,根据所述目标栅格图块确定其在下一层图层中对应的栅格图块范围,根据所述栅格图块范围的多个栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定所述下一层图层的目标栅格图块,直至所述子图的最后一层图层,所述最后一层图层为所述子图中分辨率最高的图层;
根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位。
第二方面,本申请还提供了一种机器人,所述机器人包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的机器人定位方法。
第三方面,本申请还提供了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计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上述的机器人定位方法。
本申请公开了一种机器人定位方法、装置、机器人和计算机可读存储介质,通过每个子图的第一图层中各栅格图块对应的预测位姿来确定目标子图以及对应的目标栅格图块,并从目标子图中第二图层开始,根据目标栅格图块确定其在下一层图层中对应的栅格图块范围,从而确定下一层图层的目标栅格图块,直至分辨率最高的图层;最后根据分辨率最高的图层的目标栅格图块对应的预测位姿进行定位。由此可以在机器人定位丢失后或机器人刚上电时,机器人无需进行移动即可鲁棒又准确地找回机器人的位姿,且机器人进行定位需要的计算资源较少,成本较低。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种机器人定位方法的示意性流程图;
图2(a)是本申请实施例提供的一种环境栅格地图的子图中最后一层图层的环境示意图;
图2(b)是本申请实施例提供的一种环境栅格地图的子图中第一图层的环境示意图;
图2(c)是本申请实施例提供的一种环境栅格地图的子图中第二图层的环境示意图;
图3是本申请实施例提供的一种如何确定最后一层图层的目标栅格图块的示意性流程图;
图4(a)是本申请实施例提供的一种环境栅格地图的子图中第一图层的栅格分布示意图;
图4(b)是本申请实施例提供的一种环境栅格地图的子图中第二图层的栅格分布示意图;
图5是本申请实施例提供的一种机器人的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
现有技术中,对机器人进行定位的方法一般包括以下几种。
(1)、可以通过基于GPS的方法来对机器人进行定位,但是这种方法只能在室外使用,无法应用到室内的移动机器人,且对GPS的定位精度有很高的要求。
(2)、可以基于视觉的词袋模型提取环境图像特征来对机器人进行重定位,但是这种方法忽略了图像中特征之间的空间关系,可能会导致重要的上下文信息丢失、只依赖于局部特征,无法对全局语义信息进行建模以及基于池化等聚合操作,可能导致信息损失和量化误差。如果机器人启动时面向的是白墙等特征稀少的环境,则无法进行重定位;如果机器人不是在建图时的轨迹附近启动,则很难得到一个可靠的重定位结果,然而机器人不在建图时轨迹附近启动这是一个很常见的情况。
(3)、可以通过一种基于自适应蒙特卡罗方法的全局自动重定位算法(AdaptiveMonte Carlo Localization,AMCL)来对机器人进行重定位,其优点是不受场景限制:AMCL可以在各种场景中进行全局自动重定位,而无需事先标记地图;精度较高。但这种方法的计算复杂度高,且AMCL具体是使用粒子滤波器进行定位,需要大量的计算资源。在机器人的计算能力较弱时,可能会导致算法的运行速度较慢;粒子数目过多或过少:在AMCL算法中,粒子数目的多少会对算法的效率和精度产生影响。如果粒子数目过多,算法的计算复杂度会增加;如果粒子数目过少,算法的精度会降低。因此,需要在实际应用中需要根据具体情况进行调整;且使用该方法需要控制机器人进行旋转或者移动直到找到位姿,而在定位丢失的情况下进行改动作是个比较危险的事情。
针对以上现有技术的缺陷,本申请提出一种机器人定位方法、机器人和计算机可读存储介质。其中,该机器人定位方法可以应用于机器人中,由此可以在机器人定位丢失后或机器人刚上电时,机器人无需进行移动即可鲁棒又准确地找回机器人的位姿,且机器人进行定位需要的计算资源较少,成本较低。
示例性的,机器人可以是任何具备定位功能的机器人,例如送餐机器人、迎宾机器人、维修机器人以及清扫机器人等等。本申请实施例提供的机器人定位方法可以应用在送餐场景、迎宾场景、维修设备场景以及清扫室内卫生场景等等。
如图1所示,机器人定位方法包括步骤S101至步骤S105。
S101、获取机器人当前采集的第一点云数据。
其中,第一点云数据可以为机器人需要进行定位时、当前时刻采集的激光点云数据,具体可以包括多个激光关键帧点云或所有激光帧点云。激光点云指的是由激光雷达设备扫描得到的空间点的数据集,每一个点云都至少包含了二维坐标(XY)。
示例性的,机器人可以包括激光雷达设备,当机器人接收到定位指令时,机器人则控制激光雷达设备开始采集当前时刻的第一点云数据。
其中,激光雷达设备可以为2D激光雷达或3D激光雷达等,为了节省成本,一般采用2D激光雷达。
S102、获取机器人所处环境对应的环境栅格地图,环境栅格地图包括多个子图,基于每个子图构建N个具有不同分辨率的图层,每一图层包括有预设数量的栅格图块,从第一图层到第N个图层中,每一栅格图块对应的像素数量逐渐变少。
在一些实施例中,在获取机器人所处环境对应的环境栅格地图之后,获取初始位姿;根据初始位姿和第一点云数据确定环境栅格地图的第二定位置信度;确定第二定位置信度是否超过第三预设置信度;若第二定位置信度超过第三预设置信度,则确定机器人不需要进行重定位;若第二定位置信度未超过第三预设置信度,则确定机器人需要进行重定位,并获取每个子图的第一图层中各栅格图块对应的预测位姿,并根据各栅格图块对应的预测位姿与第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块。由此可以准确地确定机器人定位是否准确,并在机器人定位不准时对机器人进行重定位处理。
其中,初始位姿可以机器人存储的任意一个位姿信息,比如可以为上一次机器人关闭时的最后一个位姿信息等,在此不做具体限定。第二定位置信度用于表示机器人处于初始位姿时、第一点云数据与环境栅格地图的重合度,其数值范围位于0-1之间。第三预设置信度为预设的置信度阈值,比如可以为0.5,在此不做具体限定。
示例性的,若根据初始位姿和第一点云数据确定环境栅格地图的第二定位置信度为0.8,且第三预设置信度为0.7。此时可以第二定位置信度超过第三预设置信度,则确定此时机器人定位准确,无需进行重定位。
示例性的,若根据初始位姿和第一点云数据确定环境栅格地图的第二定位置信度为0.6,且第三预设置信度为0.7。此时可以第二定位置信度未超过第三预设置信度,则确定此时机器人定位不准确,需要进行重定位,并获取每个子图的第一图层中各栅格图块对应的预测位姿,并根据各栅格图块对应的预测位姿与第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,从而确定准确的位姿信息以进行机器人重定位。
在一些实施例中,基于初始位姿将第一点云数据映射到环境栅格地图中,得到第一点云数据中各点云的第二占据概率;对多个第二占据概率进行求和处理,得到第一点云数据对应的第二总占据概率;根据第一点云数据的点云数量对第二总占据概率进行求均值处理,得到环境栅格地图的第二定位置信度。由此可以准确地确定环境栅格地图的第二定位置信度,从而准确地判断机器人定位是否准确。
其中,第二占据概率用于表示机器人处于初始位姿时,第一点云数据中各点云在环境栅格地图的占据概率;第二总占据概率用于表示机器人处于初始位姿时,第一点云数据中全部点云在环境栅格地图的占据概率之和。
具体地,可以先基于初始位姿把第一点云数据映射到环境栅格地图中,从而计算出一个0~1范围内的定位置信度。其定位置信度的计算方法如下:环境栅格地图中的每个像素值都为一个0~1的数值,用以表征当前像素位置处是障碍物的概率,值越大越黑,因此可以将每一帧的第一点云数据基于初始位姿映射到环境栅格地图中,从而得到每一个点云在这张环境栅格地图中的第二占据概率,并对所有点云的第二占据概率累加得到第二总占据概率,然后再用第二总占据概率除以第一点云数据的点云数量,从而得到一个平均点云占据概率,并将该值作为第二定位置信度。
在一些实施例中,对于每个子图,可以基于分辨率的倒金字塔模型,构建N个具有不同分辨率的图层。
其中,N可以为任意正整数,在此不做具体限定。每一图层包括有预设数量的栅格图块,每一图层的图示内容相同,但是每一图层的栅格图块的数量不同。从第一图层到第N个图层中,每一栅格图块对应的像素数量逐渐变少,每一图层的栅格图块的数量逐渐变多。
示例性的,第一图层为分辨率最低的图层,最后一层为分辨率最高的图层,即为子图原图。
在可选实施例中,最后一层可以是分辨率最高的,即每个栅格图块对应一个像素,此时该图层的栅格图块的数量最多;其上一层的每一栅格图块是由2乘2个像素组成的,即每个栅格图块由四个像素组成;再上一层的每一栅格图块是由4乘4个像素组成的,即每个栅格图块由十六个像素组成,直到第一图层,第一图层的每一栅格图块是由乘/>个像素组成,此时该图层的栅格图块的数量最少。
需要说明的是,从第一图层到第N个图层中,每一栅格图块对应的像素数量可以是等比变化,也可以不是等比变化;每一图层的栅格图块的数量可以是等比变化,也可以不是等比变化。
示例性的,以子图为图2(a)为例进行说明。可以基于每个所述子图构建N个具有不同分辨率的图层,第一图层可以如图2(b)所示,第一图层可以将子图划分为4个栅格图块,第二图层可以如图2(c)所示,第二图层可以将子图划分为16个栅格图块,依次类推,直至最后一层图层,最后一层图层的分辨率最高,每个栅格图块对应一个像素,即为子图原图。
在一些实施例中,获取多个目标帧对应的第二点云数据和位姿信息;根据各目标帧对应的第二点云数据和位姿信息进行图像构建,生成各目标帧对应的子图;根据各目标帧对应的子图生成环境栅格地图。由此可以准确地生成环境栅格地图。
其中,目标帧可以为关键帧或者普通帧,第二点云数据可以为关键帧对应的激光点云数据,位姿信息为采集第二点云数据时对应时刻的机器人位姿。
具体地,获取多个目标帧对应的第二点云数据和的机器人在对应时刻的位姿信息;可以基于slam技术,根据各目标帧对应的第二点云数据和位姿信息进行图像构建,从而生成各目标帧对应的子图;最后通过根据各目标帧对应的子图生成环境栅格地图。
在其他实施例中,也可以是连续采集第二点云数据和与第二点云数据对于的位姿信息,并在采集数量达到预设值、位姿信息的位移变化量达到预设位移值、或者位姿信息的角度变化量达到预设角度值时形成一张新的子图,即对于某一张子图的第一个位姿信息开始,当当前所采集的位姿信息与该位姿信息的采集数量达到预设值、位姿信息的位移变化量达到预设位移值、或者位姿信息的角度变化量时,则可以创立一张新的子图。随后并通过连续的采集形成整个环境栅格地图。
S103、获取每个子图的第一图层中各栅格图块对应的预测位姿,并根据第一图层中各栅格图块对应的预测位姿与第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,其中,第一图层为N个具有不同分辨率的图层中分辨率最低的图层。
其中,一个栅格图块可以包括N个预测位姿。
在可选实施例中,对于一个栅格图块所对应的预测位姿可以是通过穷举法预测得到。具体地,其预测位姿为(x,y,θ),x和y是与栅格图块相关的,但是姿态角θ是穷举得到的,由0到360间隔穷举得到,即以0度开始,360度结尾,然后以一个预设间隔计算,如0.5或者1等等。匹配置信度可以表示机器人处于预测位姿时、第一点云数据与子图的重合度,其数值范围位于0-1之间。
在一些实施例中,对于任意一张子图,根据第一图层中每一栅格图块对应的多个预测位姿中的每一个预测位姿,依次将第一点云数据与子图进行匹配处理,得到各预测位姿的匹配置信度;根据各预测位姿的匹配置信度,确定每一子图对应的目标栅格图块及第一目标位姿;根据每一子图对应的第一目标位姿的匹配置信度,确定目标子图。
其中,目标栅格图块为第一目标位姿对应的栅格图块,第一目标位姿可以为在其对应子图中匹配置信度最高的一个或几个预测位姿。目标子图可以为匹配置信度最高的一个或几个第一目标位姿所对应的子图。
具体地,对于第一张子图,可以根据该子图第一图层中每一栅格图块对应的多个预测位姿中的每一个预测位姿,依次将第一点云数据与子图进行匹配处理,从而快速得到各预测位姿的匹配置信度;以此类推,再对第二张子图进行相同的处理,从而得到每一张子图中对应的各预测位姿的匹配置信度。
在一些实施例中,对于任意一张子图,将各预测位姿的匹配置信度中最大匹配置信度对应的预测位姿作为子图对应的第一目标位姿,并将第一目标位姿对应的栅格图块作为子图对应的目标栅格图块。由此可以快速准确地确定该子图中最优的预测位姿以及其对应的栅格图块。
示例性的,对于子图A,包括预测位姿a、预测位姿b和预测位姿c,其对应的匹配置信度分别为0.5,0.7和0.9。可以确定预测位姿c的匹配置信度最高,则将预测位姿c作为子图A对应的第一目标位姿,并在子图A中找到预测位姿c对应栅格图块作为子图A对应的目标栅格图块。
在一些实施例中,根据各子图对应的第一目标位姿的匹配置信度,从多个第一目标位姿中确定第二目标位姿,并将第二目标位姿对应的子图作为目标子图。
其中,第二目标位姿可以为在多个第一目标位姿中匹配置信度最高的第一目标位姿,或者为在多个第一目标位姿中匹配置信度最高的前几个第一目标位姿,每个第一目标位姿对应不同的子图。
具体地,根据各子图对应的第一目标位姿的匹配置信度,从多个第一目标位姿中确定匹配置信度最高的第一目标位姿,并将匹配置信度最高的第一目标位姿作为第二目标位姿,并将第二目标位姿对应的子图作为目标子图。
示例性的,若包括子图A、子图B和子图C,其对应的第一目标位姿的匹配置信度分别为0.7,0.8和0.9。此时可以确定子图C对应的第一目标位姿的匹配置信度最高,则将子图C作为目标子图。
示例性的,若包括子图A、子图B和子图C,其对应的第一目标位姿的匹配置信度分别为0.7,0.8和0.9。还可以将匹配置信度最高的前几个第一目标位姿作为第二目标位姿,比如将子图B和子图C都作为目标子图,由此可以在后续出现重定位结果不准时,重新确定目标子图。
在一些实施例中,确定各预测位姿的匹配置信度是否低于第一预设置信度;若有预测位姿的匹配置信度低于第一预设置信度,则将该预测位姿筛选掉。由此可以快速将置信度较低的预测位姿筛选出来,避免浪费计算资源进行计算。
其中,第一预设置信度为预设的置信度阈值,比如可以为0.5,在此不做具体限定。
示例性的,若包括预测位姿a、预测位姿b和预测位姿c,其对应的匹配置信度分别为0.9、0.7和0.4,若第一预设置信度为0.5,此时可以确定预测位姿a和预测位姿b的匹配置信度高于第一预设置信度,预测位姿c的匹配置信度低于第一预设置信度,因此可以将预测位姿c筛选掉。
S104、从目标子图中第二图层开始,根据目标栅格图块确定其在下一层图层中对应的栅格图块范围,根据栅格图块范围的多个栅格图块对应的预测位姿与第一点云数据的匹配置信度,确定下一层图层的目标栅格图块,直至子图的最后一层图层,最后一层图层为子图中分辨率最高的图层。
其中,栅格图块范围用于表示上一层图层的目标栅格图块在这一层图层的位置。由于下一层图层的栅格图块的数量必然比当前图层的栅格图块的数量多,因此在当前图层中,栅格图块范围中会包括多个栅格图块。
示例性的,如图3所示,如何确定最后一层图层的目标栅格图块的步骤可以包括S201-S207。
S201、获取每个子图的第一图层中各栅格图块对应的预测位姿。
S202、根据第一图层中各栅格图块对应的预测位姿与第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块。
S203、在目标子图中,根据当前图层对应的的目标栅格图块确定其在下一层图层中对应的栅格图块范围。
S204、根据下一层图层中对应的栅格图块范围的多个栅格图块对应的预测位姿与第一点云数据的匹配置信度,确定下一层图层的目标栅格图块。
S205、确定下一层图层是否为最后一层图层,若是,转S207,若否,转S206。
S206、将当前图层变为下一层图层。
S207、确定下一层图层的目标栅格图块为最后一层图层的目标栅格图块。
示例性的,如图4(a)所示,此时目标子图中第一图层的栅格图块数量为4个,依次分别为栅格图块1、栅格图块2、栅格图块3和栅格图块4。如图4(b)所示,此时目标子图中第二图层的栅格图块数量为16个,依次分别为栅格图块1、栅格图块2、栅格图块3、栅格图块4、栅格图块5、栅格图块6、栅格图块7、栅格图块8、栅格图块9、栅格图块10、栅格图块11、栅格图块12、栅格图块13、栅格图块14、栅格图块15、栅格图块16。
若目标子图中第一图层的目标栅格图块为栅格图块1,则可以确定第一图层中的栅格图块1在第二图层中的位置,其在第二图层中对应的栅格图块范围为栅格图块1、栅格图块2、栅格图块3和栅格图块4所对应的范围。
然后再根据第二图层中的栅格图块1、栅格图块2、栅格图块3和栅格图块4对应的预测位姿与第一点云数据的匹配置信度,确定第三层图层的目标栅格图块比如为栅格图块3,再可以确定第二图层中的栅格图块3在第三图层中的位置,以此类推,直至子图的最后一层图层,从而确定最后一层图层的目标栅格图块对应的预测位姿。
示例性的,假设目标子图中的最后一层图层为第7层。若目标子图中第一图层的栅格图块数量为个,则第二图层的栅格图块数量可以为/>个,第三图层的栅格图块数量可以为/>个,第四图层的栅格图块数量可以为/>个,第五图层的栅格图块数量可以为/>个,第六图层的栅格图块数量可以为/>个,第七图层即最后一层的栅格图块数量可以为/>个。
因此,可以确定第一图层中的4个的栅格图块中确定第一图层的目标栅格图块(以下简略为第一目标栅格图块),再在第二图层中找到第一目标栅格图块所对应的4个的栅格图块,从而确定第二图层的目标栅格图块(第二目标栅格图块);再在第三图层中找到第二目标栅格图块所对应的4个的栅格图块,从而确定第三图层的目标栅格图块(第三目标栅格图块);再在第四图层中找到第三目标栅格图块所对应的4个的栅格图块,从而确定第四图层的目标栅格图块(第四目标栅格图块);再在第五图层中找到第四目标栅格图块所对应的4个的栅格图块,从而确定第五图层的目标栅格图块(第五目标栅格图块);再在第六图层中找到第五目标栅格图块所对应的4个的栅格图块,从而确定第六图层的目标栅格图块(第六目标栅格图块);再在第七图层中找到第六目标栅格图块所对应的4个的栅格图块,从而确定第七图层的目标栅格图块(即最后一层的目标栅格图块)。
由此可见,通过该方法可以快速遍历各图层,并从中各图层快速确定分辨率最高的图层中对应的目标栅格图块。
S105、根据最后一层图层的目标栅格图块对应的预测位姿,进行定位。
在确定最后一层图层的目标栅格图块对应的预测位姿之后,由于该预测位姿是从多个预测位姿中筛选得到,因此该预测位姿与初始位姿相比更准确,能够利用该预测位姿准确地进行机器人定位。
在一些实施例中,根据最后一层图层的目标栅格图块对应的预测位姿,进行定位之前,根据最后一层图层的目标栅格图块对应的预测位姿和第一点云数据确定环境栅格地图的第一定位置信度;获取置信度标准值,若第一定位置信度高于置信度标准值,则根据最后一层图层的目标栅格图块对应的预测位姿,进行定位。由此可以对最后一层图层的目标栅格图块对应的预测位姿进行校验,从而确定其是否满足机器人定位精度需求。
其中,第一定位置信度用于表示机器人处于最后一层图层的目标栅格图块对应的预测位姿时,第一点云数据与环境栅格地图的重合度,其数值范围位于0-1之间。置信度标准值可以为预设的置信度阈值,也可以通过最后一层图层的目标栅格图块对应的预测位姿的匹配置信度确定。
示例性的,若根据最后一层图层的目标栅格图块对应的预测位姿和第一点云数据确定环境栅格地图的第一定位置信度为0.8;获取置信度标准值为0.7,此时第一定位置信度高于置信度标准值,则可以直接根据最后一层图层的目标栅格图块对应的预测位姿,进行定位。
在一些实施例中,将最后一层图层的目标栅格图块对应的预测位姿的匹配置信度作为置信度标准值;确定置信度标准值是否低于第二预设置信度;若置信度标准值低于第二预设置信度,则确定机器人定位失败。
其中,第二预设置信度为预设的置信度阈值,比如可以为0.5,在此不做具体限定。
由于最后一层图层的目标栅格图块对应的预测位姿为经过多次筛选得到的相对精准的预测位姿,若该预测位姿的匹配置信度低于第二预设置信度,则可以说明该预测位姿仍然不满足机器人定位精度需求,而该预测位姿已经为相对精准的预测位姿,因此可以认为其余预测位姿也无法达到效果,因此认定机器人定位失败。
示例性的,若最后一层图层的目标栅格图块对应的预测位姿的匹配置信度为0.6,则可以认为置信度标准值为0.6,若第二预设置信度为0.7,则可以确定置信度标准值低于第二预设置信度,则确定机器人定位失败。
在一些实施例中,获取置信度标准值之后,若第一定位置信度不高于置信度标准值,则重新确定目标子图以及对应的目标栅格图块,并根据重新确定的所述目标子图中最后一层图层的目标栅格图块对应的预测位姿和第一点云数据确定环境栅格地图的第一定位置信度;若重新确定的第一定位置信度高于置信度标准值,则根据最后一层图层的目标栅格图块对应的预测位姿,进行定位。由此可以在第一定位置信度不满足要求时,重新确定目标子图以及对应的目标栅格图块,以重新确定预测位姿进行定位。
由于环境栅格地图是由多个子图构成的,而在子图的交叠处一般会有重复的点云,因此在利用预测位姿将第一点云数据与环境栅格地图进行匹配时,相比利用预测位姿将第一点云数据与单个子图匹配而言,重复的点云会导致匹配成功的点云数量变多,从而使得其得到的第一定位置信度会比置信度标准值要高,从而可以佐证其是否匹配成功。
具体地,若第一定位置信度不高于置信度标准值,则可以将匹配置信度第二高的第一目标位姿对应的子图作为目标子图,并确定其对应的目标栅格图块,并根据重新确定的所述目标子图中最后一层图层的目标栅格图块对应的预测位姿和第一点云数据确定环境栅格地图的第一定位置信度;若重新确定的第一定位置信度高于置信度标准值,则根据最后一层图层的目标栅格图块对应的预测位姿,进行定位;若重新确定的第一定位置信度不高于置信度标准值,则继续更新目标子图,直至重新确定的第一定位置信度高于置信度标准值为止,或遍历完所有子图为止。
若重新确定的第一定位置信度不高于置信度标准值,还可以从多个第一定位置信度中确定最高的第一定位置信度,并将最高的第一定位置信度对应的预测位姿作为进行机器人定位的位姿。
示例性的,若目标子图包括子图A、子图B和子图C,其对应的第一目标位姿的匹配置信度分别为0.7,0.8和0.9。若子图C对应的第一定位置信度0.8,置信度标准值为0.85,此时子图C对应的第一定位置信度不高于置信度标准值,则将子图B确定目标子图,并确定其对应的目标栅格图块,从而根据重新确定的目标子图中最后一层图层的目标栅格图块对应的预测位姿和第一点云数据确定环境栅格地图的第一定位置信度,即子图B对应的第一定位置信度0.9,此时重新确定的第一定位置信度高于置信度标准值,则根据子图B的最后一层图层的目标栅格图块对应的预测位姿,进行定位。
示例性的,若目标子图包括子图A、子图B和子图C,其对应的第一目标位姿的匹配置信度分别为0.7,0.8和0.9。若子图C对应的第一定位置信度0.8,置信度标准值为0.85,此时子图C对应的第一定位置信度不高于置信度标准值,则将子图B确定目标子图,并确定其对应的目标栅格图块,从而根据重新确定的目标子图中最后一层图层的目标栅格图块对应的预测位姿和第一点云数据确定环境栅格地图的第一定位置信度,即子图B对应的第一定位置信度0.82,因此再将子图A确定目标子图,并确定其对应的目标栅格图块,从而根据重新确定的目标子图中最后一层图层的目标栅格图块对应的预测位姿和第一点云数据确定环境栅格地图的第一定位置信度,即子图A对应的第一定位置信度0.75。此时可以确定最高的第一定位置信度对应的预测位姿为子图B对应的预测位姿,并将该预测位姿作为进行机器人定位的位姿。
在一些实施例中,基于最后一层图层的目标栅格图块对应的预测位姿将第一点云数据映射到环境栅格地图中,得到第一点云数据中各点云的第一占据概率;根据第一占据概率和所述第一点云数据的点云数量,确定环境栅格地图的第一定位置信度。
具体地,对多个第一占据概率进行求和处理,得到第一点云数据对应的第一总占据概率;根据第一点云数据的点云数量对第一总占据概率进行求均值处理,得到环境栅格地图的第一定位置信度。
其中,第一占据概率用于表示机器人处于最后一层图层的目标栅格图块对应的预测位姿时,第一点云数据中各点云在环境栅格地图的占据概率。第一总占据概率用于表示机器人处于最后一层图层的目标栅格图块对应的预测位姿时,第一点云数据中全部点云在环境栅格地图的占据概率之和。
示例性的,可以先基于最后一层图层的目标栅格图块对应的预测位姿把第一点云数据映射到环境栅格地图中,从而计算出一个0~1范围内的定位置信度。其定位置信度的计算方法如下:环境栅格地图中的每个像素值都为一个0~1的数值,用以表征当前像素位置处是障碍物的概率,值越大越黑,因此可以将每一帧的第一点云数据基于最后一层图层的目标栅格图块对应的预测位姿映射到环境栅格地图中,从而得到每一个点云在这张环境栅格地图中的第一占据概率,并对所有点云的第一占据概率累加得到第一总占据概率,然后再用第一总占据概率除以第一点云数据的点云数量,从而得到一个平均点云占据概率,并将该值作为第一定位置信度。
上述实施例,通过每个子图的第一图层中各栅格图块对应的预测位姿来确定目标子图以及对应的目标栅格图块,并从目标子图中第二图层开始,根据目标栅格图块确定其在下一层图层中对应的栅格图块范围,从而确定下一层图层的目标栅格图块,直至分辨率最高的图层;最后根据分辨率最高的图层的目标栅格图块对应的预测位姿进行定位。由此可以在机器人定位丢失后或机器人刚上电时,机器人无需进行移动即可鲁棒又准确地找回机器人的位姿,且机器人进行定位需要的计算资源较少,成本较低。
请参阅图5,图5是本申请实施例提供的一种机器人300的结构示意性框图。在图5中,机器人300包括处理器301和存储器302,其中,处理器301和存储器302通过总线连接,该总线可以为I2C(Inter-integrated Circuit,集成电路)总线等任意适用的总线。
其中,存储器302可以包括存储介质和内存储器。存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一实施例所描述的机器人定位方法。
处理器301用于提供计算和控制能力,支撑整个机器人300的运行。
其中,处理器301可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(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、分立硬件组件等类型的处理器。通用处理器可以是微处理器,或者,通用处理器也可以是任何常规的处理器等。
其中,处理器301用于运行存储在存储器302中的计算机程序,并在执行计算机程序时实现如下步骤:
获取所述机器人当前采集的第一点云数据;获取所述机器人所处环境对应的环境栅格地图,所述环境栅格地图包括多个子图,基于每个所述子图构建N个具有不同分辨率的图层,每一图层包括有预设数量的栅格图块,从第一图层到第N个图层中,每一栅格图块对应的像素数量逐渐变少;获取每个所述子图的第一图层中各栅格图块对应的预测位姿,并根据所述第一图层中各栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,其中,所述第一图层为所述N个具有不同分辨率的图层中分辨率最低的图层;从所述目标子图中第二图层开始,根据所述目标栅格图块确定其在下一层图层中对应的栅格图块范围,根据所述栅格图块范围的多个栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定所述下一层图层的目标栅格图块,直至所述子图的最后一层图层,所述最后一层图层为所述子图中分辨率最高的图层;根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位。
在一些实施例中,处理器301在实现根据所述第一图层中各栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块时,用于实现:
对于任意一张所述子图,根据所述第一图层中每一栅格图块对应的多个预测位姿中的每一个预测位姿,依次将所述第一点云数据与所述子图进行匹配处理,得到各所述预测位姿的匹配置信度;根据各所述预测位姿的匹配置信度,确定每一所述子图对应的目标栅格图块及第一目标位姿;根据每一所述子图对应的所述第一目标位姿的匹配置信度,确定目标子图。
在一些实施例中,处理器301在实现根据各所述预测位姿的匹配置信度,确定每一所述子图对应的目标栅格图块及第一目标位姿时,用于实现:
对于任意一张所述子图,将各所述预测位姿的匹配置信度中最大匹配置信度对应的预测位姿作为所述子图对应的第一目标位姿,并将所述第一目标位姿对应的栅格图块作为所述子图对应的目标栅格图块。
在一些实施例中,处理器301在实现根据根据每一所述子图对应的所述第一目标位姿的匹配置信度,确定目标子图时,用于实现:
根据各所述子图对应的第一目标位姿的匹配置信度,从多个所述第一目标位姿中确定第二目标位姿,并将所述第二目标位姿对应的子图作为所述目标子图。
在一些实施例中,处理器301还用于实现:
确定各所述预测位姿的匹配置信度是否低于第一预设置信度;若有所述预测位姿的匹配置信度低于第一预设置信度,则将所述预测位姿筛选掉。
在一些实施例中,处理器301在实现根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位之前,用于实现:
根据所述最后一层图层的目标栅格图块对应的预测位姿和所述第一点云数据确定所述环境栅格地图的第一定位置信度;获取置信度标准值,若所述第一定位置信度高于所述置信度标准值,则根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位。
在一些实施例中,处理器301在实现获取置信度标准值时,用于实现:
将所述最后一层图层的目标栅格图块对应的预测位姿的匹配置信度作为所述置信度标准值;
处理器301在实现获取置信度标准值之后,用于实现:
确定所述置信度标准值是否低于第二预设置信度;若所述置信度标准值低于第二预设置信度,则确定所述机器人定位失败
在一些实施例中,处理器301在实现获取置信度标准值之后,用于实现:
若所述第一定位置信度不高于所述置信度标准值,则重新确定目标子图以及对应的目标栅格图块,并根据重新确定的所述目标子图中最后一层图层的目标栅格图块对应的预测位姿和所述第一点云数据确定所述环境栅格地图的第一定位置信度;若重新确定的所述第一定位置信度高于所述置信度标准值,则根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位。
在一些实施例中,处理器301在根据所述最后一层图层的目标栅格图块对应的预测位姿和所述第一点云数据确定所述环境栅格地图的第一定位置信度时,用于实现:
基于所述最后一层图层的目标栅格图块对应的预测位姿将所述第一点云数据映射到所述环境栅格地图中,得到所述第一点云数据中各点云的第一占据概率;根据所述第一占据概率和所述第一点云数据的点云数量,确定所述环境栅格地图的第一定位置信度。
在一些实施例中,处理器301在实现根据所述第一占据概率和所述第一点云数据的点云数量,确定所述环境栅格地图的第一定位置信度时,用于实现:
对多个所述第一占据概率进行求和处理,得到所述第一点云数据对应的第一总占据概率;根据所述第一点云数据的点云数量对所述第一总占据概率进行求均值处理,得到所述环境栅格地图的第一定位置信度。
在一些实施例中,处理器301在实现获取所述机器人所处环境对应的环境栅格地图之后,还用于实现:
获取初始位姿;根据所述初始位姿和所述第一点云数据确定所述环境栅格地图的第二定位置信度;确定所述第二定位置信度是否超过第三预设置信度;若所述第二定位置信度超过第三预设置信度,则确定所述机器人不需要进行重定位;若所述第二定位置信度未超过第三预设置信度,则确定所述机器人需要进行重定位,并获取每个所述子图的第一图层中各栅格图块对应的预测位姿,并根据各栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块。
在一些实施例中,处理器301在实现根据所述初始位姿和所述第一点云数据确定所述环境栅格地图的第二定位置信度时,用于实现:
基于所述初始位姿将所述第一点云数据映射到所述环境栅格地图中,得到所述第一点云数据中各点云的第二占据概率;对多个所述第二占据概率进行求和处理,得到所述第一点云数据对应的第二总占据概率;根据所述第一点云数据的点云数量对所述第二总占据概率进行求均值处理,得到所述环境栅格地图的第二定位置信度。
本申请的实施例中还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序中包括程序指令,处理器执行程序指令,实现本申请实施例提供的任一项机器人定位方法。例如,该计算机程序被处理器加载,可以执行如下步骤:
获取所述机器人当前采集的第一点云数据;获取所述机器人所处环境对应的环境栅格地图,所述环境栅格地图包括多个子图,基于每个所述子图构建N个具有不同分辨率的图层,每一图层包括有预设数量的栅格图块,从第一图层到第N个图层中,每一栅格图块对应的像素数量逐渐变少;获取每个所述子图的第一图层中各栅格图块对应的预测位姿,并根据所述第一图层中各栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,其中,所述第一图层为所述N个具有不同分辨率的图层中分辨率最低的图层;从所述目标子图中第二图层开始,根据所述目标栅格图块确定其在下一层图层中对应的栅格图块范围,根据所述栅格图块范围的多个栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定所述下一层图层的目标栅格图块,直至所述子图的最后一层图层,所述最后一层图层为所述子图中分辨率最高的图层;根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,计算机可读存储介质可以是前述实施例的机器人的内部存储单元,例如机器人的硬盘或内存。计算机可读存储介质也可以是机器人的外部存储设备,例如机器人上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。
以上,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,可轻易想到各种等效的修改或替换,这些修改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权利要求的保护范围为准。
Claims (13)
1.一种机器人定位方法,其特征在于,所述方法包括:
获取所述机器人当前采集的第一点云数据;
获取所述机器人所处环境对应的环境栅格地图,所述环境栅格地图包括多个子图,基于每个所述子图构建N个具有不同分辨率的图层,每一图层包括有预设数量的栅格图块,从第一图层到第N个图层中,每一栅格图块对应的像素数量逐渐变少;
获取初始位姿,并根据所述初始位姿和所述第一点云数据确定所述环境栅格地图的第二定位置信度;
确定所述第二定位置信度是否超过第三预设置信度;
若所述第二定位置信度未超过第三预设置信度,获取每个所述子图的第一图层中各栅格图块对应的预测位姿,并根据所述第一图层中各栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,其中,所述第一图层为所述N个具有不同分辨率的图层中分辨率最低的图层;
从所述目标子图中第二图层开始,根据所述目标栅格图块确定其在下一层图层中对应的栅格图块范围,根据所述栅格图块范围的多个栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定所述下一层图层的目标栅格图块,直至所述子图的最后一层图层,所述最后一层图层为所述子图中分辨率最高的图层;
根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位;
所述根据所述初始位姿和所述第一点云数据确定所述环境栅格地图的第二定位置信度,包括:
基于所述初始位姿将所述第一点云数据映射到所述环境栅格地图中,得到所述第一点云数据中各点云的第二占据概率;
对多个所述第二占据概率进行求和处理,得到所述第一点云数据对应的第二总占据概率;
根据所述第一点云数据的点云数量对所述第二总占据概率进行求均值处理,得到所述环境栅格地图的第二定位置信度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一图层中各栅格图块对应的预测位姿与所述第一点云数据的匹配置信度,确定目标子图以及对应的目标栅格图块,包括:
对于任意一张所述子图,根据所述第一图层中每一栅格图块对应的多个预测位姿中的每一个预测位姿,依次将所述第一点云数据与所述子图进行匹配处理,得到各所述预测位姿的匹配置信度;
根据各所述预测位姿的匹配置信度,确定每一所述子图对应的目标栅格图块及第一目标位姿;
根据每一所述子图对应的所述第一目标位姿的匹配置信度,确定目标子图。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述预测位姿的匹配置信度,确定每一所述子图对应的目标栅格图块及第一目标位姿,包括:
对于任意一张所述子图,将各所述预测位姿的匹配置信度中最大匹配置信度对应的预测位姿作为所述子图对应的第一目标位姿,并将所述第一目标位姿对应的栅格图块作为所述子图对应的目标栅格图块。
4.根据权利要求2所述的方法,其特征在于,所述根据每一所述子图对应的所述第一目标位姿的匹配置信度,确定目标子图,包括:
根据各所述子图对应的第一目标位姿的匹配置信度,从多个所述第一目标位姿中确定第二目标位姿,并将所述第二目标位姿对应的子图作为所述目标子图。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定各所述预测位姿的匹配置信度是否低于第一预设置信度;
若有所述预测位姿的匹配置信度低于第一预设置信度,则将所述预测位姿筛选掉。
6.根据权利要求1所述的方法,其特征在于,所述根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位之前,还包括:
根据所述最后一层图层的目标栅格图块对应的预测位姿和所述第一点云数据确定所述环境栅格地图的第一定位置信度;
获取置信度标准值,若所述第一定位置信度高于所述置信度标准值,则根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位。
7.根据权利要求6所述的方法,其特征在于,所述获取置信度标准值包括:
将所述最后一层图层的目标栅格图块对应的预测位姿的匹配置信度作为所述置信度标准值;
所述获取置信度标准值之后,包括:
确定所述置信度标准值是否低于第二预设置信度;
若所述置信度标准值低于第二预设置信度,则确定所述机器人定位失败。
8.根据权利要求6所述的方法,其特征在于,所述获取置信度标准值之后,还包括:
若所述第一定位置信度不高于所述置信度标准值,则重新确定目标子图以及对应的目标栅格图块,并根据重新确定的所述目标子图中最后一层图层的目标栅格图块对应的预测位姿和所述第一点云数据确定所述环境栅格地图的第一定位置信度;
若重新确定的所述第一定位置信度高于所述置信度标准值,则根据所述最后一层图层的目标栅格图块对应的预测位姿,进行定位。
9.根据权利要求6所述的方法,其特征在于,所述根据所述最后一层图层的目标栅格图块对应的预测位姿和所述第一点云数据确定所述环境栅格地图的第一定位置信度,包括:
基于所述最后一层图层的目标栅格图块对应的预测位姿将所述第一点云数据映射到所述环境栅格地图中,得到所述第一点云数据中各点云的第一占据概率;
根据所述第一占据概率和所述第一点云数据的点云数量,确定所述环境栅格地图的第一定位置信度。
10.根据权利要求9所述的方法,其特征在于,所述根据所述第一占据概率和所述第一点云数据的点云数量,确定所述环境栅格地图的第一定位置信度,包括:
对多个所述第一占据概率进行求和处理,得到所述第一点云数据对应的第一总占据概率;
根据所述第一点云数据的点云数量对所述第一总占据概率进行求均值处理,得到所述环境栅格地图的第一定位置信度。
11.根据权利要求1所述的方法,其特征在于,所述确定所述第二定位置信度是否超过第三预设置信度之后,还包括:
若所述第二定位置信度超过第三预设置信度,则确定所述机器人不需要进行重定位。
12.一种机器人,其特征在于,所述机器人包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于在执行所述计算机程序时实现如权利要求1至11任一项所述的机器人定位方法。
13.一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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的机器人定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311631295.8A CN117330083B (zh) | 2023-12-01 | 2023-12-01 | 机器人定位方法、机器人和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311631295.8A CN117330083B (zh) | 2023-12-01 | 2023-12-01 | 机器人定位方法、机器人和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117330083A CN117330083A (zh) | 2024-01-02 |
CN117330083B true CN117330083B (zh) | 2024-04-19 |
Family
ID=89277820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311631295.8A Active CN117330083B (zh) | 2023-12-01 | 2023-12-01 | 机器人定位方法、机器人和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117330083B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116958241A (zh) * | 2023-07-05 | 2023-10-27 | 驭势科技(北京)有限公司 | 定位的准确性确定方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817426A (zh) * | 2021-01-28 | 2022-07-29 | 中强光电股份有限公司 | 地图建构装置及方法 |
-
2023
- 2023-12-01 CN CN202311631295.8A patent/CN117330083B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116958241A (zh) * | 2023-07-05 | 2023-10-27 | 驭势科技(北京)有限公司 | 定位的准确性确定方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
TOF激光雷达反射率信息增强的机器人定位方法研究;陆先念;《中国优秀硕士学位论文全文数据库信息科技辑》(第1期);I136-962-第36-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117330083A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
US20220028163A1 (en) | Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images | |
US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
CN108319655B (zh) | 用于生成栅格地图的方法和装置 | |
CN110874100A (zh) | 用于使用视觉稀疏地图进行自主导航的系统和方法 | |
US9465976B1 (en) | Feature reduction based on local densities for bundle adjustment of images | |
CN108280866B (zh) | 道路点云数据处理方法及系统 | |
US9466107B2 (en) | Bundle adjustment based on image capture intervals | |
CN111680747B (zh) | 用于占据栅格子图的闭环检测的方法和装置 | |
CN111308500B (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN108961385B (zh) | 一种slam构图方法及装置 | |
CN112381026A (zh) | 航道岸线检测方法、系统、装置和存储介质 | |
WO2020181508A1 (zh) | 一种数字地表模型的构建方法及处理设备、系统 | |
CN115326051A (zh) | 一种基于动态场景的定位方法、装置、机器人及介质 | |
CN114648640A (zh) | 一种目标物单体化方法、装置、设备及存储介质 | |
CN115482255A (zh) | 障碍物追踪方法、装置、设备及存储介质 | |
CN117330083B (zh) | 机器人定位方法、机器人和可读存储介质 | |
CN112433193B (zh) | 一种基于多传感器的模位置定位方法及系统 | |
CN113077475B (zh) | 视觉定位方法、装置、系统、移动机器人及存储介质 | |
CN113610883B (zh) | 点云处理系统和方法、计算机设备和存储介质 | |
CN116091365B (zh) | 基于三角面的三维模型缺口修复方法、装置、设备及介质 | |
CN113029167B (zh) | 一种地图数据处理方法、地图数据处理装置及机器人 | |
EP3229173A1 (en) | Method and apparatus for determining a traversable path | |
CN116734871A (zh) | 地图构建方法、定位方法、数据采集车辆及车辆 | |
CN114764829A (zh) | 移动机器人的控制方法、装置和电子设备 |
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 |