CN117589154A - 自移动设备的重定位方法、自移动设备和可读存储介质 - Google Patents
自移动设备的重定位方法、自移动设备和可读存储介质 Download PDFInfo
- Publication number
- CN117589154A CN117589154A CN202410082084.1A CN202410082084A CN117589154A CN 117589154 A CN117589154 A CN 117589154A CN 202410082084 A CN202410082084 A CN 202410082084A CN 117589154 A CN117589154 A CN 117589154A
- Authority
- CN
- China
- Prior art keywords
- self
- mobile device
- pose
- preset
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 74
- 238000005457 optimization Methods 0.000 claims description 59
- 238000006073 displacement reaction Methods 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 27
- 230000001133 acceleration Effects 0.000 claims description 23
- 230000010354 integration Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000004807 localization Effects 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
- 101100468543 Caenorhabditis elegans drag-1 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010408 sweeping Methods 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
- G01C21/005—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
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1656—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with passive imaging devices, e.g. cameras
-
- 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
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)
- Navigation (AREA)
Abstract
本申请公开了一种自移动设备的重定位方法、自移动设备和可读存储介质,该方法包括:在自移动设备基于导航地图执行导航任务过程中,获取自移动设备当前的第一位姿信息,并根据第一位姿信息确定自移动设备的定位状态;若自移动设备处于定位丢失状态,则暂停执行导航任务,并获取自移动设备重定位所需的第二位姿信息;根据第二位姿信息与导航地图进行重定位,得到自移动设备的重定位信息;根据重定位信息,更新自移动设备的导航定位信息,以供自移动设备根据更新后的导航定位信息恢复执行导航任务。上述重定位方法,可以实现在定位丢失后自移动设备自动且快速恢复定位功能,提高了自移动设备在受到人为破坏的极端场景下的自主移动性能。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种自移动设备的重定位方法、自移动设备和计算机可读存储介质。
背景技术
随着自移动设备(如可移动的机器人)的快速发展,自移动设备的应用范围越来越广泛。在实际生产和生活中,自移动设备已经广泛应用于酒店、商超、楼宇、机场等商业场景中,自移动设备在执行导航任务过程中难免会被人干扰,从而导致自移动设备定位丢失。自移动设备在定位丢失后,容易出现横冲直撞导致引发坠楼、撞人等安全事故。目前,自移动设备在遇到人流时通过会进行语音提示、请求主动规避,在定位丢失后会原地等待人工救助,如人工进行手动重定位或拖回起始点重新开机,如此一来,自移动设备需要人工干预才能恢复执行导航任务,降低了自移动设备的自主移动性能。
发明内容
本申请提供了一种自移动设备的重定位方法、自移动设备和计算机可读存储介质,解决了相关技术通过人工干预才能使得自移动设备恢复执行导航任务导致自移动设备的自主移动性能较低的问题。
第一方面,本申请提供了一种自移动设备的重定位方法,所述方法包括:在所述自移动设备基于导航地图执行导航任务过程中,获取所述自移动设备当前的第一位姿信息,并根据所述第一位姿信息确定所述自移动设备的定位状态;若所述自移动设备处于定位丢失状态,则暂停执行所述导航任务,并获取所述自移动设备重定位所需的第二位姿信息;根据所述第二位姿信息与所述导航地图进行重定位,得到所述自移动设备的重定位信息;根据所述重定位信息,更新所述自移动设备的导航定位信息,以供所述自移动设备根据更新后的导航定位信息恢复执行所述导航任务。
第二方面,本申请还提供了一种自移动设备,所述自移动设备包括存储器、处理器、惯性测量单元、轮式编码器里程计、激光雷达以及拍摄装置;
所述惯性测量单元,用于采集所述自移动设备的惯导数据;
所述轮式编码器里程计,用于采集所述自移动设备的里程计数据;
所述激光雷达,用于对所述自移动设备进行定位;
所述拍摄装置,用于采集图像;
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自移动设备的重定位方法。
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自移动设备的重定位方法。
本申请公开了一种自移动设备的重定位方法、自动移动设备和计算机可读存储介质,该重定位方法通过根据第一位姿信息确定定位状态,并在确定自移动设备处于定位丢失状态时,根据定位丢失前的第二位姿信息和导航地图进行重定位,根据重定位得到的重定位信息更新自移动设备的导航定位信息,使得自移动设备根据更新后的导航定位信息恢复执行导航任务,实现自移动设备在定位丢失后自动进行重定位和恢复执行导航任务,无需人工干预,可以提高自移动设备在受到人为破坏的极端场景下的自主移动性能,并且能够降低安全风险和提升运行效率。
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重定位系统的结构示意图;
图2是本申请实施例提供的一种自移动设备的结构示意图;
图3是本申请实施例提供的一种自移动设备的重定位方法的示意性流程图;
图4是本申请实施例提供的第一种确定定位状态的子步骤的示意性流程图;
图5是本申请实施例提供的第二种确定定位状态的子步骤的示意性流程图;
图6是本申请实施例提供的第三种确定定位状态的子步骤的示意性流程图;
图7是本申请实施例提供的第四种确定定位状态的子步骤的示意性流程图;
图8是本申请实施例提供的另一种自移动设备的定位方法的子步骤的示意性流程图;
图9是本申请实施例提供的一种重定位的子步骤的示意性流程图;
图10是本申请实施例提供的一种在挟持场景中检测自移动设备的定位状态的示意性流程图;
图11是本申请实施例提供的一种在推拉或拖拽场景中检测自移动设备的定位状态的示意性流程图;
图12是本申请实施例提供的一种重定位操作的示意性流程图。
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。
在实际应用中,自移动设备在执行导航任务过程中难免会被人干扰,例如会被人挟持、推拉、拖拽等等,从而导致自移动设备定位丢失。自移动设备在定位丢失后,容易出现横冲直撞导致引发坠楼、撞人等安全事故。目前,自移动设备在遇到人流时通过会进行语音提示、请求主动规避,在定位丢失后会原地等待人工救助,如人工进行手动重定位或拖回起始点重新开机,如此一来,自移动设备需要人工干预才能恢复执行导航任务,降低了自移动设备的自主移动性能。
为此,本申请的实施例提供一种自移动设备的重定位方法、自移动设备、重定位系统和计算机可读存储介质,通过根据自移动设备所搭载的惯性测量单元(InertialMeasurement Unit,IMU)、轮式编码器里程计(ODOM)、激光雷达以及拍摄装置等传感器的配合,实现在自移动设备在被人挟持、推拉、拖拽等极端场景下的定位状态检测以及在检测到处于定位丢失状态后快速进行重定位和恢复导航任务,确保导航任务正常、流畅进行并有效防止安全事故的发生,解决了相关技术通过人工干预才能使得自移动设备恢复执行导航任务导致自移动设备的自主移动性能较低的问题,提高了自移动设备的自主移动性能。以下将对如何对自移动设备进行重定位作详细说明。
请参阅图1,图1是本申请实施例提供的一种重定位系统10的结构示意图。如图1所示,重定位系统10可以包括自移动设备100和服务器200。其中,自移动设备100与服务器200可以通过蓝牙、4G、5G、6G、WIFI等无线通信方式进行通信。
示例性的,自移动设备100可以是扫地机器人、送餐机器人、扫雪机器人以及迎宾机器人等移动机器人。
示例性的,服务器200可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,在本申请实施例中的自移动设备的重定位方法对应的执行主体可以是自移动设备100,也可以是服务器200。当执行主体为服务器200时,自移动设备100可以将测量到的惯导数据、里程计数据等数据上传至服务器200,由服务器200在检测到自移动设备100处于定位丢失状态时,对自移动设备100进行重定位,根据重定位信息,更新自移动设备的导航定位信息,并将更新后的导航定位信息下发给自移动设备100,以供自移动设备根据更新后的导航定位信息恢复执行导航任务。在本申请实施例中,为了便于说明,将以自移动设备100为执行主体说明如何进行重定位。
请参阅图2,图2是本申请实施例提供的一种自移动设备100的结构示意图。自移动设备100可以包括处理器1001、存储器1002、惯性测量单元1003、轮式编码器里程计1004、激光雷达1005以及拍摄装置1006,其中处理器1001、存储器1002、惯性测量单元1003、轮式编码器里程计1004、激光雷达1005以及拍摄装置1006可以通过总线连接,该总线可以为集成电路(Inter-integrated Circuit,I2C)总线等任意适用的总线。
其中,存储器1002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1001执行任意一实施例所描述的自移动设备的重定位方法。
惯性测量单元1003,用于采集自移动设备100的惯导数据。在本申请实施例中,惯性测量单元1003是用于测量和报告物体的加速度、角速度以及地磁场信息的测量设备。惯性测量单元1003通常包括加速度计、陀螺仪和磁力计等传感器。其中,加速度计用于测量物体的加速度,可以检测物体在三个轴上的线性加速度变化。陀螺仪用于测量物体的角速度,可以检测物体绕三个轴旋转的速度。磁力计用于测量物体所处的磁场,可以提供物体相对于地球磁场的方向信息。通过结合上述传感器的测量数据,惯性测量单元1003可以提供物体的姿态(包括方向和角度)以及加速度和角速度的变化等惯导数据。
轮式编码器里程计1004,用于采集自移动设备100的里程计数据。其中,里程计数据可以包括横轴位移量delt_T(x)、纵轴位移量delt_T(y)和偏航角变化量delt_T(yaw)。在本申请实施例中,里程计数据用于确定自移动设备100的位姿变化量,进而可以根据位姿变化量判断自移动设备100的定位状态。
激光雷达1005,用于对自移动设备100进行定位。例如,可以通过激光雷达1005测量自移动设备100的位置,并生成自移动设备100对应的局部地图。
拍摄装置1006,用于采集自移动设备在基于导航地图执行导航任务过程中的图像。示例性的,拍摄装置1006可以是单目相机,也可以是双目相机,当然也可以是其它类型的相机,在此不作限定。在本申请实施例中,可以以拍摄装置1006为单目相机为例,说明如何采集路径轨迹信息。需要说明的是,单目相机可以通过一个镜头捕捉到的图像来获取场景的信息。虽然单目相机无法直接获取三维深度信息,但是通过使用计算机视觉和图像处理技术,可以从单目相机拍摄的图像中推断出一些三维信息。例如,可以通过使用特征点匹配和运动估计算法,从连续的图像序列中估计相机的运动,从而实现相机定位和建立场景的三维模型。
处理器1001用于提供计算和控制能力,支撑整个自移动设备100的运行。
其中,处理器1001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,在一个实施例中,处理器1001用于运行存储在存储器1002中的计算机程序,以实现如下步骤:
在自移动设备基于导航地图执行导航任务过程中,获取自移动设备当前的第一位姿信息,并根据第一位姿信息确定自移动设备的定位状态;若自移动设备处于定位丢失状态,则暂停执行导航任务,并获取自移动设备重定位所需的第二位姿信息;根据第二位姿信息与导航地图进行重定位,得到自移动设备的重定位信息;根据重定位信息,更新自移动设备的导航定位信息,以供自移动设备根据更新后的导航定位信息恢复执行导航任务。
在一个实施例中,第一位姿信息包括惯导数据,定位丢失状态的致因指示自移动设备受重力方向外力;处理器1001在实现获取自移动设备当前的第一位姿信息,根据第一位姿信息确定自移动设备的定位状态时,用于实现:
基于预设采样周期获取自移动设备的惯导数据,惯导数据包括俯仰角和翻滚角中至少一者;确定惯导数据大于预设角度阈值的异常检测次数;根据异常检测次数确定自移动设备的定位状态,其中,若异常检测次数大于预设次数,则指示自移动设备处于定位丢失状态。
在一个实施例中,定位状态还包括定位正常状态;处理器1001在实现指示自移动设备处于定位丢失状态之后,还用于实现:
若检测到惯导数据不大于预设角度阈值的持续时长大于第一预设时长,则确定自移动设备由定位丢失状态恢复至定位正常状态。
在一个实施例中,第一位姿信息包括里程计数据和惯导数据;处理器1001在实现获取自移动设备当前的第一位姿信息,根据第一位姿信息确定自移动设备的定位状态时,用于实现:
基于预设的采样时间间隔对自移动设备的里程计数据进行采样,得到自移动设备在采样时间间隔内的采样位姿变化量;基于预设的位姿优化时间间隔对自移动设备的里程计数据进行位姿优化,得到自移动设备在位姿优化时间间隔内的优化位姿变化量;根据采样时间间隔与采样位姿变化量,确定自移动设备是否处于自然静止状态;若自移动设备未处于自然静止状态,则根据位姿优化时间间隔内的目标惯导数据,确定自移动设备的定位状态。
在一个实施例中,采样位姿变化量包括第一横轴位移量、第一纵轴位移量和第一偏航角变化量;处理器1001在实现根据采样时间间隔与采样位姿变化量,确定自移动设备是否处于自然静止状态时,用于实现:
若采样时间间隔大于第二预设时长,且采样位姿变化量满足第一预设条件,则确定自移动设备处于自然静止状态,第一预设条件包括第一横轴位移量和第一纵轴位移量均小于第一预设位移量,且第一偏航角变化量小于第一预设角度。
在一个实施例中,定位丢失状态的致因指示自移动设备受水平方向外力;处理器1001在实现根据位姿优化时间间隔内的目标惯导数据,确定自移动设备的定位状态时,用于实现:
获取目标惯导数据中的第二预设时长内的惯导数据,第二预设时长小于或等于位姿优化时间间隔;确定第二预设时长内的惯导数据中加速度模长大于预设加速度阈值的第一比例,以及惯导数据中角速度模长大于预设角速度阈值的第二比例;根据第一比例和第二比例,确定自移动设备的定位状态,其中,若第一比例和第二比例满足第二预设条件,则指示自移动设备处于定位丢失状态,第二预设条件包括第一比例与第二比例均大于预设的比例阈值。
在一个实施例中,处理器1001在实现根据位姿优化时间间隔内的目标惯导数据,确定自移动设备的定位状态时,用于实现:
对第二预设时长内的惯导数据进行位姿积分,得到位姿积分变化量;
若位姿积分变化量满足第三预设条件,则指示自移动设备处于定位丢失状态,其中,第三预设条件包括位姿积分变化量中的第二横轴位移量与第二纵轴位移量均大于第二预设位移量,且位姿积分变化量中的第二偏航角变化量大于第二预设角度。
在一个实施例中,处理器1001在实现指示自移动设备处于定位丢失状态之后,还用于实现:
根据位姿积分变化量对优化位姿变化量进行更新,得到更新后的优化位姿变化量;若更新后的优化位姿变化量满足第四预设条件,则对更新后的优化位姿变化量进行位姿优化,得到当前时刻的优化位姿变化量;根据当前时刻的优化位姿变化量更新上一时刻的优化位姿变化量;其中,第四预设条件包括更新后的优化位姿变化量中的第三横轴位移量或第三纵轴位移量大于第三预设位移量,或更新后的优化位姿变化量中的第三偏航角变化量大于第三预设角度。
在一个实施例中,自移动设备包括激光雷达;处理器1001在实现根据第二位姿信息与导航地图进行重定位,得到自移动设备的重定位信息时,用于实现:
根据第二位姿信息对导航地图进行截取,得到第一局部地图;获取激光雷达输出的激光帧数据对应的第二局部地图;基于第一局部地图与第二局部地图,根据第二位姿信息,确定重定位信息。
在一个实施例中,处理器1001在实现基于第一局部地图与第二局部地图,根据第二位姿信息,确定重定位信息时,用于实现:
根据第一局部地图与第二局部地图,对第二位姿信息进行位姿匹配,得到初始匹配位姿;对初始匹配位姿进行点云匹配或高斯优化,得到目标匹配位姿;根据目标匹配位姿,确定重定位信息。
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。请参阅图3,图3是本申请实施例提供的一种自移动设备的重定位方法的示意性流程图。如图3所示,该自移动设备的重定位方法可以包括步骤S101至步骤S104。
步骤S101、在自移动设备基于导航地图执行导航任务过程中,获取自移动设备当前的第一位姿信息,并根据第一位姿信息确定自移动设备的定位状态。
在一些实施例中,在自移动设备基于导航地图执行导航任务过程中,自移动设备可以获取自移动设备当前的第一位姿信息,并根据第一位姿信息确定自移动设备的定位状态。
示例性的,定位状态可以包括定位丢失状态和定位正常状态。其中,定位丢失状态是指自移动设备受重力方向外力或受水平方向外力导致无法正常定位的状态。可以理解的是,自移动设备被挟持时受到重力方向外力,自移动设备被推拉或被拖拽时受到水平方向外力。
需要说明的是,本申请实施例提供的自移动设备的重定位方法可以应用于自移动设备被挟持的第一场景中,还可以应用于自移动设备被推拉、被拖拽的第二场景中。其中,不同的场景对应的确定自移动设备的定位状态的方式有所不同。以下将分别以第一场景和第二场景为例,说明如何确定自移动设备的定位状态。
请参阅图4,图4是本申请实施例提供的第一种确定定位状态的子步骤的示意性流程图。如图4所示,步骤S101可以包括以下步骤S201至步骤S203。
步骤S201、基于预设采样周期获取自移动设备的惯导数据,惯导数据包括俯仰角和翻滚角中至少一者。
需要说明的是,在自移动设备被挟持的场景中,第一位姿信息可以包括惯导数据。自移动设备可以获取惯性测量单元采集的惯导数据,并根据惯导数据检测自移动设备的定位状态。
示例性的,自移动设备可以基于预设采样周期获取自移动设备的惯导数据,惯导数据包括俯仰角和翻滚角中至少一者。其中,俯仰角可以表示为pi,翻滚角可以表示为ri。预设采样周期可以是N1秒,N1可以根据实际情况设定,具体数值在此不作限定。
步骤S202、确定惯导数据大于预设角度阈值的异常检测次数。
示例性的,自移动设备在基于预设采样周期获取自移动设备的惯导数据之后,可以确定惯导数据大于预设角度阈值的异常检测次数。其中,异常检测次数可以表示为Ne。
示例性的,可以统计惯导数据中的俯仰角和/或翻滚角大于预设角度阈值的异常检测次数Ne。其中,预设角度阈值可以根据实际情况设定,具体数值在此不作限定。例如,当惯导数据中的俯仰角大于预设角度阈值时,将异常检测次数Ne加1。例如,当惯导数据中的翻滚角大于预设角度阈值时,将异常检测次数Ne加1。
需要说明的是,当自移动设备被挟持时,自移动设备的俯仰角和翻滚角会发生明显变化。例如,相对于自移动设备不被挟持时,自移动设备的俯仰角和翻滚角会大于预设角度阈值,因此,可以通过检测自移动设备的俯仰角和/或翻滚角是否大于预设角度阈值,进而确定自移动设备是否因受重力方向外力而处于定位丢失状态。
步骤S203、根据异常检测次数确定自移动设备的定位状态,其中,若异常检测次数大于预设次数,则指示自移动设备处于定位丢失状态。
示例性的,在确定惯导数据大于预设角度阈值的异常检测次数之后,自移动设备可以根据异常检测次数确定自移动设备的定位状态。
例如,当异常检测次数大于预设次数时,指示自移动设备处于定位丢失状态。其中,预设次数可以根据实际情况设定,具体数值在此不作限定。需要说明的是,定位丢失状态的致因指示自移动设备受重力方向外力。
又例如,当异常检测次数小于或等于预设次数时,指示自移动设备处于定位正常状态。
上述实施例,通过检测惯导数据中的俯仰角和/或翻滚角大于预设角度阈值的异常检测次数,并在异常检测次数大于预设次数时,确定自移动设备处于定位丢失状态,可以根据自移动设备的俯仰角和/或翻滚角准确地确定自移动设备是否因受重力方向外力而处于定位丢失状态。
在一些实施例中,在指示自移动设备处于定位丢失状态之后,还可以包括:若检测到惯导数据不大于预设角度阈值的持续时长大于第一预设时长,则确定自移动设备由定位丢失状态恢复至定位正常状态。
示例性的,若检测到惯导数据中的俯仰角和翻滚角均小于或等于预设角度阈值的持续时长大于第一预设时长,则确定自移动设备由定位丢失状态恢复至定位正常状态。其中,第一预设时长可以根据实际情况设定,具体数值在此不作限定。
示例性的,第一预设时长可以是3s。例如,在指示自移动设备处于定位丢失状态之后,继续检测惯导数据大于预设角度阈值的异常检测次数;若检测到惯导数据中的俯仰角和翻滚角均小于或等于预设角度阈值的持续时长大于3s,则可以确定自移动设备由定位丢失状态恢复至定位正常状态。此时,可以执行重定位操作,以恢复执行导航任务。其中,重定位操作包括获取自移动设备重定位所需的第二位姿信息;根据第二位姿信息与导航地图进行重定位,得到自移动设备的重定位信息;根据重定位信息,更新自移动设备的导航定位信息,以供自移动设备根据更新后的导航定位信息恢复执行导航任务。
上述实施例,通过在检测到惯导数据不大于预设角度阈值的持续时长大于第一预设时长时,确定自移动设备由定位丢失状态恢复至定位正常状态,可以实现自移动设备在定位恢复后自动恢复执行导航任务,无需人工干预,从而提高了自移动设备在受到人为破坏的极端场景下的自主移动性能。
请参阅图5,图5是本申请实施例提供的第二种确定定位状态的子步骤的示意性流程图。如图5所示,步骤S101还可以包括以下步骤S301至步骤S304。
步骤S301、基于预设的采样时间间隔对自移动设备的里程计数据进行采样,得到自移动设备在采样时间间隔内的采样位姿变化量。
需要说明的是,在自移动设备被推拉或被拖拽的场景中,第一位姿信息可以包括里程计数据和惯导数据。自移动设备可以获取惯性测量单元采集的惯导数据以及轮式编码器里程计采集的里程计数据,并根据里程计数据和惯导数据检测自移动设备的定位状态。
示例性的,自移动设备可以基于预设的采样时间间隔对自移动设备的里程计数据进行采样,得到自移动设备在采样时间间隔内的采样位姿变化量。其中,采样时间间隔可以表示为delt_t,采样时间间隔delt_t可以根据实际情况设定,具体数值在此不作限定。采样位姿变化量可以表示为delt_T。
需要说明的是,采样位姿变化量delt_T可以是采样时间间隔内位姿在两个时刻与之间的变化量。
示例性的,采样位姿变化量可以包括第一横轴位移量delt_T(x1)、第一纵轴位移量delt_T(y1)和第一偏航角变化量delt_T(yaw1)。
上述实施例,通过基于采样时间间隔对自移动设备的里程计数据进行采样,后续可以根据采样得到的采样位姿变化量与采样时间间隔,确定自移动设备是否处于自然静止状态。
步骤S302、基于预设的位姿优化时间间隔对自移动设备的里程计数据进行位姿优化,得到自移动设备在位姿优化时间间隔内的优化位姿变化量。
示例性的,自移动设备可以基于预设的位姿优化时间间隔对自移动设备的里程计数据进行位姿优化,得到自移动设备在位姿优化时间间隔内的优化位姿变化量。其中,位姿优化时间间隔可以表示为delt_t’,位姿优化时间间隔delt_t’可以根据实际情况设定,具体数值在此不作限定。优化位姿变化量可以表示为delt_T’。
需要说明的是,在本申请实施例中,位姿优化是指对里程计数据进行AMCL(Adaptive Monte Carlo Localization,导航与定位)优化。其中,AMCL优化的具体过程,可以参见相关技术,在此不作赘述。
上述实施例,通过基于位姿优化时间间隔对自移动设备的里程计数据进行位姿优化,后续可以在确定自移动设备未处于自然静止状态时,根据位姿优化时间间隔内的目标惯导数据,确定自移动设备的定位状态。
步骤S303、根据采样时间间隔与采样位姿变化量,确定自移动设备是否处于自然静止状态。
示例性的,在得到自移动设备在采样时间间隔内的采样位姿变化量之后,自移动设备可以根据采样时间间隔与采样位姿变化量,确定自移动设备是否处于自然静止状态。
需要说明的是,在自移动设备被推拉或被拖拽的场景中,为了避免误判,在确定自移动设备是否处于定位丢失状态之前,需要排除自移动设备处于自然静止状态的可能性。
在一些实施例中,根据采样时间间隔与采样位姿变化量,确定自移动设备是否处于自然静止状态,可以包括:若采样时间间隔大于第二预设时长,且采样位姿变化量满足第一预设条件,则确定自移动设备处于自然静止状态;若采样时间间隔大于第二预设时长,且采样位姿变化量未满足第一预设条件,则确定自移动设备未处于自然静止状态。其中,第一预设条件包括第一横轴位移量和第一纵轴位移量均小于第一预设位移量,且第一偏航角变化量小于第一预设角度。
示例性的,第二预设时长可以根据实际情况设定,具体数值在此不作限定。例如,第二预设时长可以是0s。第一预设位移量与第一偏航角变化量可以根据实际情况设定,具体数值在此不作限定,例如,第一预设位移量可以是0.001m,第一偏航角变化量可以是0.005°。
示例性的,当采样时间间隔delt_t大于0s,且第一横轴位移量delt_T(x1)小于0.001m、第一纵轴位移量delt_T(y1)小于0.001m以及第一偏航角变化量delt_T(yaw1)小于0.005°时,可以确定自移动设备处于自然静止状态。
上述实施例,通过根据采样时间间隔与采样位姿变化量中的第一横轴位移量、第一纵轴位移量以及第一偏航角变化量判断自移动设备是否处于自然静止状态,可以准确地确定自移动设备是否处于自然静止状态。
步骤S304、若自移动设备未处于自然静止状态,则根据位姿优化时间间隔内的目标惯导数据,确定自移动设备的定位状态。
示例性的,在确定自移动设备是否处于自然静止状态之后,若自移动设备未处于自然静止状态,则自移动设备可以根据位姿优化时间间隔内的目标惯导数据,确定自移动设备的定位状态,例如,自移动设备可以将位姿优化时间间隔delt_t’内的部分惯导数据确定为目标惯导数据,根据目标惯导数据确定自移动设备的定位状态。以下将对如何根据目标惯导数据确定自移动设备的定位状态作详细说明。
请参阅图6,图6是本申请实施例提供的第三种确定定位状态的子步骤的示意性流程图。如图6所示,步骤S304可以包括以下步骤S3041至步骤S3043。
步骤S3041、获取目标惯导数据中的第二预设时长内的惯导数据,第二预设时长小于或等于位姿优化时间间隔。
示例性的,可以从惯导数据中获取第二预设时长内的惯导数据,其中,第二预设时长小于或等于位姿优化时间间隔delt_t’。
步骤S3042、确定第二预设时长内的惯导数据中加速度模长大于预设加速度阈值的第一比例,以及惯导数据中角速度模长大于预设角速度阈值的第二比例。
需要说明的是,在本申请实施例中,可以根据惯导数据中的加速度与角速度判断自移动设备是否处于定位丢失状态。
示例性的,可以统计第二预设时长内的惯导数据中加速度模长大于预设加速度阈值的第一比例,以及惯导数据中角速度模长大于预设角速度阈值的第二比例。其中,第一比例可以表示为Rgyo,第二比例可以表示为Racc。预设加速度阈值可以根据实际情况设定,具体数值在此不作限定。预设角速度阈值可以根据实际情况设定,具体数值在此不作限定。
示例性的,当预设加速度阈值为0.1,预设角速度阈值为0.1时,可以统计第二预设时长内的惯导数据中加速度模长大于0.1的第一比例Rgyo,以及惯导数据中角速度模长大于0.1的第二比例Racc。
需要说明的是,在自移动设备被推拉或被拖拽时,自移动设备的加速度与角速度的波动较大,并且会持续一段时间,因此可以通过统计惯导数据中加速度模长大于预设加速度阈值的第一比例以及惯导数据中角速度模长大于预设角速度阈值的第二比例,进而根据第一比例和第二比例判断自移动设备是否处于定位丢失状态,提高了准确性。
步骤S3043、根据第一比例和第二比例,确定自移动设备的定位状态,其中,若第一比例和第二比例满足第二预设条件,则指示自移动设备处于定位丢失状态,第二预设条件包括第一比例与第二比例均大于预设的比例阈值。
示例性的,在确定第二预设时长内的惯导数据中加速度模长大于预设加速度阈值的第一比例,以及惯导数据中角速度模长大于预设角速度阈值的第二比例之后,可以根据第一比例和第二比例,确定自移动设备的定位状态。例如,当第一比例和第二比例满足第二预设条件时,可以指示自移动设备处于定位丢失状态。又例如,当第一比例和第二比例未满足第二预设条件时,可以指示自移动设备处于定位正常状态。其中,第二预设条件包括第一比例与第二比例均大于预设的比例阈值。定位丢失状态的致因指示自移动设备受水平方向外力。
需要说明的是,当第一比例与第二比例均大于预设的比例阈值时,说明自移动设备的加速度与角速度的波动较大,并且会持续一段时间,因此可以判定因自移动设备被推拉或被拖拽而受到水平方向外力,即自移动设备处于定位丢失状态。其中,预设的比例阈值可以根据实际情况设定,具体数值在此不作限定。并且,第一比例对应的比例阈值与第二比例对应的比例阈值可以相同,也可以不同,在此不作限定。
上述实施例中,通过在第一比例和第二比例均大于预设的比例阈值时,指示自移动设备处于定位丢失状态,计算过程简单,可以快速且准确地确定自移动设备的定位状态。
请参阅图7,图7是本申请实施例提供的第四种确定定位状态的子步骤的示意性流程图。如图7所示,步骤S304还可以包括以下步骤S3044和步骤S3045。
步骤S3044、对第二预设时长内的惯导数据进行位姿积分,得到位姿积分变化量。
需要说明的是,在本申请实施例中,除了可以根据加速度与角速度判断自移动设备是否处于定位丢失状态,还可以根据位移量以及偏航角变化量判断自移动设备是否处于定位丢失状态。以下将对如何根据位移量以及偏航角变化量判断自移动设备是否处于定位丢失状态。
示例性的,自移动设备可以对第二预设时长内的惯导数据进行位姿积分,得到位姿积分变化量。例如,位姿积分变化量可以表示为delt_T’’。其中,位姿积分delt_T’’的具体过程,可以参见相关技术,在此不作限定。
需要说明的是,通过对第二预设时长内的惯导数据进行位姿积分,可以得到一段时间内位姿的位姿积分变化量,后续可以根据位姿积分变化量检测自移动设备是否处于定位丢失状态。
步骤S3045、若位姿积分变化量满足第三预设条件,则指示自移动设备处于定位丢失状态,其中,第三预设条件包括位姿积分变化量中的第二横轴位移量与第二纵轴位移量均大于第二预设位移量,且位姿积分变化量中的第二偏航角变化量大于第二预设角度。
在一些实施例中,在对第二预设时长内的惯导数据进行位姿积分,得到位姿积分变化量之后,自移动设备可以判断位姿积分变化量是否满足第三预设条件。
示例性的,若位姿积分变化量delt_T’’中的第二横轴位移量delt_T’’(x2)与第二纵轴位移量delt_T’’(y2)均大于第二预设位移量,且位姿积分变化量中的第二偏航角变化量delt_T’’(yaw2)大于第二预设角度,则可以确定位姿积分变化量delt_T’’满足第三预设条件,指示自移动设备处于定位丢失状态。其中,第二预设位移量、第二预设角度可以根据实际情况设定,具体数值在此不作限定。例如,第二预设位移量可以是0.1m,第二预设角度可以是0.1°。
上述实施例,通过在位姿积分变化量中的第二横轴位移量与第二纵轴位移量均大于第二预设位移量,且位姿积分变化量中的第二偏航角变化量大于第二预设角度时,指示自移动设备处于定位丢失状态,计算过程简单,可以快速且准确地确定自移动设备的定位状态。
请参阅图8,图8是本申请实施例提供的另一种自移动设备的定位方法的子步骤的示意性流程图。如图8所示,可以包括以下步骤S3046至步骤S3048。
步骤S3046、根据位姿积分变化量对优化位姿变化量进行更新,得到更新后的优化位姿变化量。
需要说明的是,为了确保优化位姿变化量delt_T’为最新的优化位姿变化量,在对第二预设时长内的惯导数据进行位姿积分,得到位姿积分变化量delt_T’’之后,还可以根据位姿积分变化量delt_T’’对优化位姿变化量delt_T’进行更新。
示例性的,可以令优化位姿变化量delt_T’=delt_T’’,得到更新后的优化位姿变化量delt_T’。
步骤S3047、若更新后的优化位姿变化量满足第四预设条件,则对更新后的优化位姿变化量进行位姿优化,得到当前时刻的优化位姿变化量。
示例性的,在得到更新后的优化位姿变化量delt_T’之后,可以判断更新后的优化位姿变化量delt_T’是否满足第四预设条件。其中,第四预设条件包括更新后的优化位姿变化量中的第三横轴位移量或第三纵轴位移量大于第三预设位移量,或更新后的优化位姿变化量中的第三偏航角变化量大于第三预设角度。
示例性的,若更新后的优化位姿变化量delt_T’中的第三横轴位移量delt_T’(x3)或第三纵轴位移量delt_T’(y3)大于第三预设位移量,或更新后的优化位姿变化量delt_T’中的第三偏航角变化量delt_T’(yaw3)大于第三预设角度,则可以确定更新后的优化位姿变化量delt_T’满足第三预设条件,并对更新后的优化位姿变化量delt_T’进行位姿优化,得到当前时刻t的优化位姿变化量delt_T’。其中,第三预设位移量、第三预设角度可以根据实际情况设定,具体数值在此不作限定。例如,第二预设位移量可以是0.25m,第二预设角度可以是0.15m。
示例性的,可以对更新后的优化位姿变化量进行AMCL优化,得到当前时刻的优化位姿变化量。其中,AMCL优化的具体过程,可以参见相关技术,在此不作赘述。
需要说明的是,在本申请实施例中,通过判断更新后的优化位姿变化量是否满足第四预设条件,并在更新后的优化位姿变化量满足第四预设条件时,对更新后的优化位姿变化量进行位姿优化,得到当前时刻的优化位姿变化量,可以实现在更新后的优化位姿变化量相对原来的优化位姿变化量的变化较大时进行位姿优化,从而可以保证优化位姿变化量始终为最新优化的位姿变化量,进而可以提高确定自移动设备的定位状态的精度。
步骤S3048、根据当前时刻的优化位姿变化量更新上一时刻的优化位姿变化量。
示例性的,在对更新后的优化位姿变化量进行位姿优化,得到当前时刻的优化位姿变化量之后,可以根据当前时刻的优化位姿变化量更新上一时刻的优化位姿变化量。例如,可以根据当前时刻t的优化位姿变化量delt_T’更新上一时刻t-1的优化位姿变化量delt_T’。
上述实施例,通过根据当前时刻的优化位姿变化量更新上一时刻的优化位姿变化量,可以保证优化位姿变化量始终为最新优化的位姿变化量,进而可以提高确定自移动设备的定位状态的精度。
在一些实施例中,在得到自移动设备在采样时间间隔内的采样位姿变化量之后,还可以包括:当采样时间间隔大于第三预设时长时,对采样位姿变化量进行更新。其中,第三预设时长可以根据实际情况设定,具体数值在此不作限定。例如,第三预设时长可以是0.3s。示例性的,当采样时间间隔delt_t大于0.3s时,对采样位姿变化量delt_T进行更新。例如,将当前时刻检测到的采样位姿变化量对原来的采样位姿变化量delt_T进行更新。
需要说明的是,通过在采样时间间隔大于第三预设时长时,对采样位姿变化量进行更新,可以确定采样位姿变化量始终为最新的采样位姿变化量,从而可以确保确定自移动设备是否处于自然静止状态的准确性。
步骤S102、若自移动设备处于定位丢失状态,则暂停执行导航任务,并获取自移动设备重定位所需的第二位姿信息。
示例性的,在根据第一位姿信息确定自移动设备的定位状态之后,若自移动设备处于定位丢失状态,则暂停执行导航任务,并获取自移动设备重定位所需的第二位姿信息。
其中,第二位姿信息可以包括自移动设备在定位丢失前最新的优化位姿变化量,或第二位姿信息可以包括根据自移动设备中的拍摄装置采集的图像生成的位姿。
需要说明的是,自移动设备在基于导航地图执行导航任务过程中,可以获取自移动设备当前的第一位姿信息,基于预设的位姿优化时间间隔对第一位姿信息中的里程计数据进行位姿优化,得到自移动设备在位姿优化时间间隔内的优化位姿变化量。在自移动设备发生定位丢失时,可以获取最新的优化位姿变化量。在本申请实施例中,除了将定位丢失前最新的优化位姿变化量作为第二位姿信息进行重定位,还可以将自移动设备中的拍摄装置采集的图像生成的位姿作为第二位姿信息进行重定位。其中,拍摄装置采集的图像可以使用计算机视觉和图像处理技术进行处理,得到用于辅助定位的位姿。
上述实施例,在确定自移动设备处于定位丢失状态时,及时暂停执行导航任务,可以防止自移动设备失控导致安全事故,能够降低安全风险。通过获取自移动设备重定位所需的第二位姿信息,后续可以基于第二位姿信息进行重定位。
步骤S103、根据第二位姿信息与导航地图进行重定位,得到自移动设备的重定位信息。
示例性的,在获取自移动设备重定位所需的第二位姿信息之后,自移动设备可以根据第二位姿信息与导航地图进行重定位,得到自移动设备的重定位信息。以下将对如何进行重定位作详细说明。
请参阅图9,图9是本申请实施例提供的一种重定位的子步骤的示意性流程图。如图9所示,步骤S103可以包括以下步骤S1031至步骤S1033。
步骤S1031、根据第二位姿信息对导航地图进行截取,得到第一局部地图。
示例性的,可以在地图坐标系中,以第二位姿信息所在的坐标为中心截取导航地图的预设范围内的地图,得到第一局部地图。
步骤S1032、获取激光雷达输出的激光帧数据对应的第二局部地图。
需要说明的是,自移动设备设置有激光雷达,自移动设备可以通过激光雷达检测的激光帧数据生成局部地图。
示例性的,自移动设备可以获取激光雷达输出的激光帧数据对应的第二局部地图。
步骤S1033、基于第一局部地图与第二局部地图,根据第二位姿信息,确定重定位信息。
示例性的,在获取第一局部地图与第二局部地图之后,自移动设备可以基于第一局部地图与第二局部地图,根据第二位姿信息,确定重定位信息。例如,可以对第二位姿信息进行位姿匹配,得到重定位信息。以下将对如何确定重定位信息作详细说明。
在一些实施例中,基于第一局部地图与第二局部地图,根据第二位姿信息,确定重定位信息,可以包括:根据第一局部地图与第二局部地图,对第二位姿信息进行位姿匹配,得到初始匹配位姿;对初始匹配位姿进行点云匹配或高斯优化,得到目标匹配位姿;根据目标匹配位姿,确定重定位信息。
需要说明的是,可以基于模板匹配算法或梯度匹配算法对第二位姿信息进行位姿匹配。以下将以模板匹配算法为例进行说明。
示例性的,可以基于模板匹配算法,将第一局部地图划分成多个区域,依次遍历每个区域并假设自移动设备的第二位姿信息在每个区域中,不断调整第二位姿信息的角度使得第二局部地图与第一局部地图重叠的区域最多,记第二位姿信息的当前位置和当前角度。在遍历完所有的区域后,选择第一局部地图与第二局部地图重叠区域最多的位姿作为初始匹配位姿。
在本申请实施例中,初始匹配位姿为粗匹配得到的位姿,为了提高精度,还可以对初始匹配位姿进行精匹配。示例性的,可以对初始匹配位姿进行点云匹配或高斯优化,得到目标匹配位姿。
需要说明的是,点云匹配(Iterative Closest Point,ICP)的基本原理包括:首先计算两个点云数据中每个点之间的距离,并将每个点云数据中的距离矩阵存储在两个矩阵中;然后,将距离矩阵乘以第一个点云数据中的每个点,并将结果存储在一个新的矩阵中;其次,将新的矩阵中的每个元素减去第一个矩阵中的相应元素,得到两个点之间的误差;最后,找到误差最小的点,并将其作为新的匹配点。高斯优化是指通过最小化目标函数的误差来确定最优参数。在本申请实施例中,可以对初始匹配位姿进行点云匹配或高斯优化,得到目标匹配位姿。其中,点云匹配以及高斯优化的具体过程,可以参见相关技术,在此不作赘述。
示例性的,在得到目标匹配位姿之后,可以将目标匹配位姿确定为重定位信息。
上述实施例,通过先对第二位姿信息进行位姿匹配,在对位姿匹配得到的初始匹配位姿进行点云匹配或高斯优化,得到目标匹配位姿,最后将目标匹配位姿确定为重定位信息,可以实现对第二位姿信息进行粗匹配和精匹配,从而可以提高了重定位信息的精度。
步骤S104、根据重定位信息,更新自移动设备的导航定位信息,以供自移动设备根据更新后的导航定位信息恢复执行导航任务。
示例性的,在得到自移动设备的重定位信息,自移动设备可以根据重定位信息更新自移动设备的导航定位信息,并根据更新后的导航定位信息恢复执行导航任务。
需要说明的是,导航定位信息是指自移动设备在定位丢失之前,在导航地图中的定位信息。通过根据重定位信息更新自移动设备的导航定位信息,可以使得自移动设备根据更新后的导航定位信息恢复执行导航任务,不需要人工干预即可实现自动恢复执行导航任务,可以有效提升了自移动设备的运行效率。
请参阅图10,图10是本申请实施例提供的一种在挟持场景中检测自移动设备的定位状态的示意性流程图。如图10所示,在挟持场景中检测自移动设备的定位状态可以包括以下步骤:
步骤S401、实时缓存N s内最新的惯导数据,并初始化自移动设备的异常检测次数Ne和强制快速重定位次数Nr都为0。
步骤S402、以N1hz帧率获取最新时间间隔1.0/N1s内的惯导数据,记作C1。
步骤S403、遍历C1,计算每帧惯导数据的俯仰角pi和翻滚角ri,统计pi>预设角度阈值p0或者ri>预设角度阈值r0的异常帧数,记作m。
步骤S404、判断m>0,如是,则执行步骤S405,若否,则执行步骤S406。
步骤S405、令Ne=Ne+N1且Ne=min(3*N1,Ne)。
步骤S406、若Ne>0,则Ne=Ne-1,此时若Ne==0,则令强制快速重定位次数Nr=Nr+1。
步骤S407、判断Ne>0,如是,则执行步骤S408,若否,则返回执行步骤S401。
步骤S408、将自移动设备的定位丢失状态设置为true,并对外发布。
请参阅图11,图11是本申请实施例提供的一种在推拉或拖拽场景中检测自移动设备的定位状态的示意性流程图。如图11所示,在推拉或拖拽场景中检测自移动设备的定位状态可以包括以下步骤:
步骤S501、实时缓存N s内的惯导数据,并初始化推拉拖拽的累计检测数目Ndrag=-1。
步骤S502、以激光帧率N1获取一帧激光数据,记录当前激光时刻为t1,并计算当前激光时刻t1自移动设备相对于里程计坐标系下的位姿T1。
步骤S503、判断amcl定位是否已初始化,若否,则执行步骤S504,若是,则执行步骤S505。
步骤S504、初始化amcl定位状态。并令最新位姿优化时里程计位姿Tlast_update=T1,最新更新时刻tlast_update=t1,以及最新间隔检测时里程计Tlast_check=T1和最新间隔检测时刻tlast_check=t1。
步骤S505、如果Ndrag>0,则令Ndrag=Ndrag-1,此时若Ndrag==0,对外发布推拉拖拽状态标志,并令强制快速重定位次数Nr=Nr+1。
步骤S506、计算距离上次最新位姿优化在里程计坐标系下的优化位姿变化量delt_T’和位姿优化时间间隔delt_t’,计算距离上次最新检测在里程计坐标系下的采样位姿变化量为delt_T和采样时间间隔delt_t。
步骤S507、若delt_t>0.3s,则令Tlast_check=T1,tlast_check=t1。
步骤S508、设置推拉拖拽标志f_drag=false,若delt_t>0.0&&delt_T(x1)<0.001&&delt_T(y1)<0.001&&delt_T(yaw1)<0.005,则对获取位姿优化时间间隔delt_t’内最多最新1s内的惯导数据进行积分计算得到位姿积分变化量delt_T’’,并分别计算角速度模长>0.1和加速度-g模长>0.1的惯导数目占比为Rgyo和Racc。
步骤S509、若(delt_T’’(x2)>0.1&&delt_T’’(y2)>0.1&&delt_T’’(yaw2)>0.1)||(Racc>0.1&&Rgyo>0.1),则令f_drag=true,delt_T’=delt_T’’,Ndrag=Ndrag+N1且Ndrag=min(Ndrag,2N1);否则不做任何特殊处理。
步骤S510、若delt_T’(x3)>0.25||delt_T’(y3)>0.25||delt_T’(yaw3)>0.15||f_drag=true,则基于优化位姿变化量delt_T’进行AMCL粒子优化,输出优化后的位姿变化量和转换坐标tf,并令Tlast_update=T1,tlast_update=t1。
请参阅图12,图12是本申请实施例提供的一种重定位操作的示意性流程图。如图12所示,重定位操作可以包括以下步骤:
步骤S601、以N1 hz帧率轮询,获取一帧激光数据和自移动设备的当前帧位姿。
步骤S602、计算当前帧位姿与最新历史帧位姿之间的优化位姿变化量delt_T。
步骤S603、判断delt_T>T0||Nr>0,若否,则执行步骤S604,若是,则执行步骤S605。其中,T0表示预设的前后帧位姿变化量的阈值,阈值T0中的横轴与纵轴的位移变化量为2.5m,偏航角变化量yaw为150°。
步骤S604、将最新历史帧位姿更新为当前帧位姿。
步骤S605、令Nr=Nr+1,并保存最新的优化位姿变化量或者当前视觉辅助定位生成的位姿作为第二位姿。
步骤S606、以第二位姿为中心截取l*l m范围内的第一局部地图与当前激光帧对应的第二局部地图进行快速匹配,选取相似得分最高且大于阈值的位姿作为初始匹配位姿输出。
步骤S607、对初始匹配位姿进行点云ICP或高斯优化,得到目标匹配位姿,初始化导航定位amcl模块。
步骤S608、将定位丢失状态设置为false对外发布,并将Nr=0。
步骤S609、发布定位正常状态允许导航任务继续执行。
本申请实施例提供的一种自移动设备的重定位方法,通过根据第一位姿信息确定定位状态,并在确定自移动设备处于定位丢失状态时,根据定位丢失前的第二位姿信息和导航地图进行重定位,根据重定位得到的重定位信息更新自移动设备的导航定位信息,使得自移动设备根据更新后的导航定位信息恢复执行导航任务,实现自移动设备在定位丢失后自动进行重定位和恢复执行导航任务,无需人工干预,降低运维成本,可以提高自移动设备在受到人为破坏的极端场景下的自主移动性能,并且能够降低安全风险和提升运行效率。
本申请的实施例中还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序中包括程序指令,处理器执行上述程序指令,以实现本申请实施例提供的任一项自移动设备的重定位方法。
例如,该程序被处理器加载,可以执行如下步骤:
在自移动设备基于导航地图执行导航任务过程中,获取自移动设备当前的第一位姿信息,并根据第一位姿信息确定自移动设备的定位状态;若自移动设备处于定位丢失状态,则暂停执行导航任务,并获取自移动设备重定位所需的第二位姿信息;根据第二位姿信息与导航地图进行重定位,得到自移动设备的重定位信息;根据重定位信息,更新自移动设备的导航定位信息,以供自移动设备根据更新后的导航定位信息恢复执行导航任务。
其中,计算机可读存储介质可以是前述实施例的自移动设备的内部存储单元,例如自移动设备的硬盘或内存。计算机可读存储介质也可以是自移动设备的外部存储设备,例如自移动设备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 Card,SD Card),闪存卡(Flash Card)等。
进一步地,计算机可读存储介质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程序等;存储数据区可存储根据各程序所创建的数据等。
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)
1.一种自移动设备的重定位方法,其特征在于,所述方法包括:
在所述自移动设备基于导航地图执行导航任务过程中,获取所述自移动设备当前的第一位姿信息,并根据所述第一位姿信息确定所述自移动设备的定位状态;
若所述自移动设备处于定位丢失状态,则暂停执行所述导航任务,并获取所述自移动设备重定位所需的第二位姿信息;
根据所述第二位姿信息与所述导航地图进行重定位,得到所述自移动设备的重定位信息;
根据所述重定位信息,更新所述自移动设备的导航定位信息,以供所述自移动设备根据更新后的导航定位信息恢复执行所述导航任务。
2.根据权利要求1所述的自移动设备的重定位方法,其特征在于,所述第一位姿信息包括惯导数据,所述定位丢失状态的致因指示所述自移动设备受重力方向外力;所述获取所述自移动设备当前的第一位姿信息,根据所述第一位姿信息确定所述自移动设备的定位状态,包括:
基于预设采样周期获取所述自移动设备的惯导数据,所述惯导数据包括俯仰角和翻滚角中至少一者;
确定所述惯导数据大于预设角度阈值的异常检测次数;
根据所述异常检测次数确定所述自移动设备的定位状态,其中,若所述异常检测次数大于预设次数,则指示所述自移动设备处于所述定位丢失状态。
3.根据权利要求2所述的自移动设备的重定位方法,其特征在于,所述定位状态还包括定位正常状态;所述指示所述自移动设备处于所述定位丢失状态之后,所述方法还包括:
若检测到所述惯导数据不大于所述预设角度阈值的持续时长大于第一预设时长,则确定所述自移动设备由所述定位丢失状态恢复至所述定位正常状态。
4.根据权利要求1所述的自移动设备的重定位方法,其特征在于,所述第一位姿信息包括里程计数据和惯导数据;所述获取所述自移动设备当前的第一位姿信息,根据所述第一位姿信息确定所述自移动设备的定位状态,包括:
基于预设的采样时间间隔对所述自移动设备的里程计数据进行采样,得到所述自移动设备在所述采样时间间隔内的采样位姿变化量;
基于预设的位姿优化时间间隔对所述自移动设备的里程计数据进行位姿优化,得到所述自移动设备在所述位姿优化时间间隔内的优化位姿变化量;
根据所述采样时间间隔与所述采样位姿变化量,确定所述自移动设备是否处于自然静止状态;
若所述自移动设备未处于所述自然静止状态,则根据所述位姿优化时间间隔内的目标惯导数据,确定所述自移动设备的定位状态。
5.根据权利要求4所述的自移动设备的重定位方法,其特征在于,所述采样位姿变化量包括第一横轴位移量、第一纵轴位移量和第一偏航角变化量;所述根据所述采样时间间隔与所述采样位姿变化量,确定所述自移动设备是否处于自然静止状态,包括:
若所述采样时间间隔大于第二预设时长,且所述采样位姿变化量满足第一预设条件,则确定所述自移动设备处于所述自然静止状态,所述第一预设条件包括所述第一横轴位移量和所述第一纵轴位移量均小于第一预设位移量,且所述第一偏航角变化量小于第一预设角度。
6.根据权利要求4所述的自移动设备的重定位方法,其特征在于,所述定位丢失状态的致因指示所述自移动设备受水平方向外力;所述根据所述位姿优化时间间隔内的目标惯导数据,确定所述自移动设备的定位状态,包括:
获取所述目标惯导数据中的第二预设时长内的惯导数据,所述第二预设时长小于或等于所述位姿优化时间间隔;
确定所述第二预设时长内的惯导数据中加速度模长大于预设加速度阈值的第一比例,以及所述惯导数据中角速度模长大于预设角速度阈值的第二比例;
根据所述第一比例和所述第二比例,确定所述自移动设备的定位状态,其中,若所述第一比例和所述第二比例满足第二预设条件,则指示所述自移动设备处于所述定位丢失状态,所述第二预设条件包括所述第一比例与所述第二比例均大于预设的比例阈值。
7.根据权利要求6所述的自移动设备的重定位方法,其特征在于,所述根据所述位姿优化时间间隔内的目标惯导数据,确定所述自移动设备的定位状态,包括:
对所述第二预设时长内的惯导数据进行位姿积分,得到位姿积分变化量;
若所述位姿积分变化量满足第三预设条件,则指示所述自移动设备处于所述定位丢失状态,其中,所述第三预设条件包括所述位姿积分变化量中的第二横轴位移量与第二纵轴位移量均大于第二预设位移量,且所述位姿积分变化量中的第二偏航角变化量大于第二预设角度。
8.根据权利要求7所述的自移动设备的重定位方法,其特征在于,所述指示所述自移动设备处于所述定位丢失状态之后,所述方法还包括:
根据所述位姿积分变化量对所述优化位姿变化量进行更新,得到更新后的优化位姿变化量;
若所述更新后的优化位姿变化量满足第四预设条件,则对所述更新后的优化位姿变化量进行位姿优化,得到当前时刻的优化位姿变化量;
根据所述当前时刻的优化位姿变化量更新上一时刻的优化位姿变化量;
其中,所述第四预设条件包括所述更新后的优化位姿变化量中的第三横轴位移量或第三纵轴位移量大于第三预设位移量,或所述更新后的优化位姿变化量中的第三偏航角变化量大于第三预设角度。
9.根据权利要求1至8任一项所述的自移动设备的重定位方法,其特征在于,所述自移动设备包括激光雷达;所述根据所述第二位姿信息与所述导航地图进行重定位,得到所述自移动设备的重定位信息,包括:
根据所述第二位姿信息对所述导航地图进行截取,得到第一局部地图;
获取所述激光雷达输出的激光帧数据对应的第二局部地图;
基于所述第一局部地图与所述第二局部地图,根据所述第二位姿信息,确定所述重定位信息。
10.根据权利要求9所述的自移动设备的重定位方法,其特征在于,所述基于所述第一局部地图与所述第二局部地图,根据所述第二位姿信息,确定所述重定位信息,包括:
根据所述第一局部地图与所述第二局部地图,对所述第二位姿信息进行位姿匹配,得到初始匹配位姿;
对所述初始匹配位姿进行点云匹配或高斯优化,得到目标匹配位姿;
根据所述目标匹配位姿,确定所述重定位信息。
11.根据权利要求9所述的自移动设备的重定位方法,其特征在于,所述第二位姿信息包括所述自移动设备在定位丢失前最新的优化位姿变化量,或所述第二位姿信息包括根据所述自移动设备中的拍摄装置采集的图像生成的位姿。
12.一种自移动设备,其特征在于,所述自移动设备包括存储器、处理器、惯性测量单元、轮式编码器里程计、激光雷达以及拍摄装置;
所述惯性测量单元,用于采集所述自移动设备的惯导数据;
所述轮式编码器里程计,用于采集所述自移动设备的里程计数据;
所述激光雷达,用于对所述自移动设备进行定位;
所述拍摄装置,用于采集图像;
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权利要求1至11任一项所述的自移动设备的重定位方法。
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使所述处理器实现如权利要求1至11任一项所述的自移动设备的重定位方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410633252.1A CN118670376A (zh) | 2024-01-19 | 2024-01-19 | 检测定位状态的方法、自移动设备和可读存储介质 |
CN202410082084.1A CN117589154B (zh) | 2024-01-19 | 2024-01-19 | 自移动设备的重定位方法、自移动设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410082084.1A CN117589154B (zh) | 2024-01-19 | 2024-01-19 | 自移动设备的重定位方法、自移动设备和可读存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410633252.1A Division CN118670376A (zh) | 2024-01-19 | 2024-01-19 | 检测定位状态的方法、自移动设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117589154A true CN117589154A (zh) | 2024-02-23 |
CN117589154B CN117589154B (zh) | 2024-05-24 |
Family
ID=89917041
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410082084.1A Active CN117589154B (zh) | 2024-01-19 | 2024-01-19 | 自移动设备的重定位方法、自移动设备和可读存储介质 |
CN202410633252.1A Pending CN118670376A (zh) | 2024-01-19 | 2024-01-19 | 检测定位状态的方法、自移动设备和可读存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410633252.1A Pending CN118670376A (zh) | 2024-01-19 | 2024-01-19 | 检测定位状态的方法、自移动设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117589154B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090000500A (ko) * | 2007-06-28 | 2009-01-07 | 삼성전자주식회사 | 이동 로봇의 리로케이션 방법 및 장치 |
TW201107712A (en) * | 2009-08-25 | 2011-03-01 | Tele Atlas Bv | Method of creating an audience map |
US20130138247A1 (en) * | 2005-03-25 | 2013-05-30 | Jens-Steffen Gutmann | Re-localization of a robot for slam |
CN107193279A (zh) * | 2017-05-09 | 2017-09-22 | 复旦大学 | 基于单目视觉和imu信息的机器人定位与地图构建系统 |
CN108931245A (zh) * | 2018-08-02 | 2018-12-04 | 上海思岚科技有限公司 | 移动机器人的局部自定位方法及设备 |
CN109144056A (zh) * | 2018-08-02 | 2019-01-04 | 上海思岚科技有限公司 | 移动机器人的全局自定位方法及设备 |
JP2019016089A (ja) * | 2017-07-05 | 2019-01-31 | カシオ計算機株式会社 | 自律移動装置、自律移動方法及びプログラム |
CN112414391A (zh) * | 2019-08-20 | 2021-02-26 | 北京京东乾石科技有限公司 | 一种机器人的重定位方法及装置 |
WO2022121640A1 (zh) * | 2020-12-07 | 2022-06-16 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、机器人和可读存储介质 |
CN114675628A (zh) * | 2020-12-10 | 2022-06-28 | 尚科宁家(中国)科技有限公司 | 自移动机器人的重定位方法及自移动机器人 |
CN115220438A (zh) * | 2021-10-25 | 2022-10-21 | 达闼科技(北京)有限公司 | 机器人导航脱困方法、机器人、电子设备和存储介质 |
CN115436968A (zh) * | 2022-09-23 | 2022-12-06 | 福建(泉州)哈工大工程技术研究院 | 一种基于激光雷达的位图化重定位方法 |
CN115830576A (zh) * | 2022-12-12 | 2023-03-21 | 深圳市优必选科技股份有限公司 | 移动机器人重定位方法、装置和移动机器人 |
CN115855082A (zh) * | 2022-12-07 | 2023-03-28 | 北京理工大学 | 一种基于点云先验地图的双模式快速重定位方法 |
CN116380039A (zh) * | 2023-03-20 | 2023-07-04 | 华南理工大学 | 一种基于固态激光雷达和点云地图的移动机器人导航系统 |
CN116382275A (zh) * | 2023-03-27 | 2023-07-04 | 深圳市正浩创新科技股份有限公司 | 自移动设备的状态识别方法、自移动设备及存储介质 |
CN116412824A (zh) * | 2021-12-30 | 2023-07-11 | 追觅创新科技(苏州)有限公司 | 自移动设备的重定位方法、设备及存储介质 |
CN117387593A (zh) * | 2023-09-20 | 2024-01-12 | 深圳优地科技有限公司 | 重定位方法、装置、电子设备和计算机可读存储介质 |
-
2024
- 2024-01-19 CN CN202410082084.1A patent/CN117589154B/zh active Active
- 2024-01-19 CN CN202410633252.1A patent/CN118670376A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138247A1 (en) * | 2005-03-25 | 2013-05-30 | Jens-Steffen Gutmann | Re-localization of a robot for slam |
KR20090000500A (ko) * | 2007-06-28 | 2009-01-07 | 삼성전자주식회사 | 이동 로봇의 리로케이션 방법 및 장치 |
TW201107712A (en) * | 2009-08-25 | 2011-03-01 | Tele Atlas Bv | Method of creating an audience map |
CN107193279A (zh) * | 2017-05-09 | 2017-09-22 | 复旦大学 | 基于单目视觉和imu信息的机器人定位与地图构建系统 |
JP2019016089A (ja) * | 2017-07-05 | 2019-01-31 | カシオ計算機株式会社 | 自律移動装置、自律移動方法及びプログラム |
CN108931245A (zh) * | 2018-08-02 | 2018-12-04 | 上海思岚科技有限公司 | 移动机器人的局部自定位方法及设备 |
CN109144056A (zh) * | 2018-08-02 | 2019-01-04 | 上海思岚科技有限公司 | 移动机器人的全局自定位方法及设备 |
CN112414391A (zh) * | 2019-08-20 | 2021-02-26 | 北京京东乾石科技有限公司 | 一种机器人的重定位方法及装置 |
WO2022121640A1 (zh) * | 2020-12-07 | 2022-06-16 | 深圳市优必选科技股份有限公司 | 机器人重定位方法、装置、机器人和可读存储介质 |
CN114675628A (zh) * | 2020-12-10 | 2022-06-28 | 尚科宁家(中国)科技有限公司 | 自移动机器人的重定位方法及自移动机器人 |
CN115220438A (zh) * | 2021-10-25 | 2022-10-21 | 达闼科技(北京)有限公司 | 机器人导航脱困方法、机器人、电子设备和存储介质 |
CN116412824A (zh) * | 2021-12-30 | 2023-07-11 | 追觅创新科技(苏州)有限公司 | 自移动设备的重定位方法、设备及存储介质 |
CN115436968A (zh) * | 2022-09-23 | 2022-12-06 | 福建(泉州)哈工大工程技术研究院 | 一种基于激光雷达的位图化重定位方法 |
CN115855082A (zh) * | 2022-12-07 | 2023-03-28 | 北京理工大学 | 一种基于点云先验地图的双模式快速重定位方法 |
CN115830576A (zh) * | 2022-12-12 | 2023-03-21 | 深圳市优必选科技股份有限公司 | 移动机器人重定位方法、装置和移动机器人 |
CN116380039A (zh) * | 2023-03-20 | 2023-07-04 | 华南理工大学 | 一种基于固态激光雷达和点云地图的移动机器人导航系统 |
CN116382275A (zh) * | 2023-03-27 | 2023-07-04 | 深圳市正浩创新科技股份有限公司 | 自移动设备的状态识别方法、自移动设备及存储介质 |
CN117387593A (zh) * | 2023-09-20 | 2024-01-12 | 深圳优地科技有限公司 | 重定位方法、装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN118670376A (zh) | 2024-09-20 |
CN117589154B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112567201B (zh) | 距离测量方法以及设备 | |
US10077054B2 (en) | Tracking objects within a dynamic environment for improved localization | |
CN110084832B (zh) | 相机位姿的纠正方法、装置、系统、设备和存储介质 | |
CN107478220B (zh) | 无人机室内导航方法、装置、无人机及存储介质 | |
CN106814753B (zh) | 一种目标位置矫正方法、装置及系统 | |
KR20220088387A (ko) | 도로의 울퉁불퉁한 구역의 검측방법, 장치, 전자기기, 저장매체, 컴퓨터 프로그램 및 차량 | |
WO2018149324A1 (zh) | 一种检测方法及终端设备 | |
WO2022193508A1 (zh) | 位姿优化方法、装置、电子设备、计算机可读存储介质、计算机程序及程序产品 | |
CN111915675B (zh) | 基于粒子漂移的粒子滤波点云定位方法及其装置和系统 | |
EP3938870A1 (en) | Fixed holograms in mobile environments | |
WO2023142353A1 (zh) | 一种位姿预测方法及装置 | |
EP3227634B1 (en) | Method and system for estimating relative angle between headings | |
CN113610702B (zh) | 一种建图方法、装置、电子设备及存储介质 | |
CN117589154B (zh) | 自移动设备的重定位方法、自移动设备和可读存储介质 | |
CN116772858A (zh) | 车辆定位方法、装置、定位设备及存储介质 | |
CN117029802A (zh) | 一种基于深度学习的多模态slam方法 | |
CN115727871A (zh) | 一种轨迹质量检测方法、装置、电子设备和存储介质 | |
JP2022190173A (ja) | 位置推定装置 | |
CN115686058A (zh) | 一种无人机的航向估计方法、装置、设备和介质 | |
CN108322698A (zh) | 基于多摄像机和惯性测量单元融合的系统和方法 | |
CN113870367A (zh) | 相机外参的生成方法、装置、设备、存储介质和程序产品 | |
CN113946151A (zh) | 针对自动驾驶车辆的数据处理方法、装置和自动驾驶车辆 | |
JP2017219324A (ja) | 加速度信号を用いた吊り下げ移動物体の位置・姿勢推定方法及び推定装置 | |
JP6653151B2 (ja) | 進行方向推定システム | |
CN115583243B (zh) | 确定车道线信息的方法、车辆控制方法、装置和设备 |
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 |