CN117889855A - 移动机器人定位方法、装置、设备以及存储介质 - Google Patents

移动机器人定位方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN117889855A
CN117889855A CN202311687660.7A CN202311687660A CN117889855A CN 117889855 A CN117889855 A CN 117889855A CN 202311687660 A CN202311687660 A CN 202311687660A CN 117889855 A CN117889855 A CN 117889855A
Authority
CN
China
Prior art keywords
point cloud
cloud data
map
matching
region
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.)
Pending
Application number
CN202311687660.7A
Other languages
English (en)
Inventor
李翔
胡立志
胡鲲
卢维
刘新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Huaray Technology Co Ltd
Original Assignee
Zhejiang Huaray Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Huaray Technology Co Ltd filed Critical Zhejiang Huaray Technology Co Ltd
Priority to CN202311687660.7A priority Critical patent/CN117889855A/zh
Publication of CN117889855A publication Critical patent/CN117889855A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching

Landscapes

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

Abstract

本申请公开了一种移动机器人定位方法、装置、设备以及存储介质，该移动机器人定位方法包括：将获取到的点云数据集转换至当前移动场景的目标地图中，目标地图包括高置信度区域和低置信度区域；对高置信度区域中点云数据的匹配权重进行增大处理，和/或对低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重；基于调整后的匹配权重将各点云数据和获取到的当前移动场景的先验地图进行数据匹配处理，得到匹配结果；基于匹配结果进行位姿估计，得到移动机器人的目标位姿。上述方案，能够实现移动机器人的准确定位。

Description

移动机器人定位方法、装置、设备以及存储介质
技术领域
本申请涉及机器人技术领域，特别是涉及一种移动机器人定位方法、装置、设备以及存储介质。
背景技术
随着智能化的快速发展，移动机器人在各行各业得到广泛应用；其中，移动机器人需要在当前作业环境中精确地获取到自身的位姿信息，才能保证准确地执行任务。
目前，在移动机器人的定位技术中，作业环境的频繁变化会增加定位难度，例如作业环境中存在新增或减少物体，亦或者存在移动物体的情况，当前环境信息与目标地图会发生较大的变化；若直接使用当前环境信息与目标地图进行匹配，则匹配误差较大，定位精度不高。
发明内容
本申请至少提供一种移动机器人定位方法、装置、设备以及计算机可读存储介质。
本申请第一方面提供了一种移动机器人定位方法，包括：将获取到的点云数据集转换至当前移动场景的目标地图中，所述目标地图包括高置信度区域和低置信度区域；对所述高置信度区域中点云数据的匹配权重进行增大处理，和/或对所述低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重；基于所述调整后的匹配权重将各点云数据和获取到的所述当前移动场景的先验地图进行数据匹配处理，得到匹配结果；基于所述匹配结果进行位姿估计，得到所述移动机器人的目标位姿。
在一实施例中，所述基于所述匹配结果进行位姿估计，得到所述移动机器人的目标位姿的步骤，包括：若所述高置信度区域中点云数据的数量小于预设的高置信数量阈值，且所述低置信度区域中点云数据的数量大于预设的低置信数量阈值，则将所述匹配结果和获取到的里程计数据进行融合处理，得到所述目标位姿。
在一实施例中，所述将所述匹配结果和获取到的里程计数据进行融合处理，得到所述目标位姿的步骤，包括：降低所述匹配结果的融合权重，得到调整后的融合权重；基于所述调整后的融合权重将所述匹配结果和所述里程计数据进行融合，得到所述目标位姿。
在一实施例中，在所述将所述匹配结果和获取到的里程计数据进行融合处理，得到所述目标位姿的步骤之前，所述方法还包括：将所述各点云数据进行直线拟合处理，得到若干拟合结果；若各拟合结果之间的方向相匹配，则基于所述里程计数据确定所述目标位姿。
在一实施例中，在所述将获取到的点云数据集转换至当前移动场景的目标地图中的步骤之前，所述方法还包括：基于获取到的前一时刻的里程计数据和当前时刻的里程计数据确定里程计变化量，所述前一时刻早于所述当前时刻；若所述里程计变化量小于或等于预设的里程计变化阈值，则根据所述前一时刻的位姿信息和所述当前时刻的里程计数据进行位姿估计，得到所述当前时刻的目标位姿。
在一实施例中，在所述将获取到的点云数据集转换至当前移动场景的目标地图中的步骤之前，所述方法还包括：获取所述先验地图中的初始点云数据，所述先验地图包括所述高置信度区域和所述低置信度区域；将所述高置信度区域中的初始点云数据和/或所述低置信度区域中的初始点云数据进行似然膨胀，得到似然域地图；对所述似然域地图进行裁剪处理，得到所述目标地图。
在一实施例中，所述对所述似然域地图进行裁剪处理的步骤，包括：基于所述初始点云数据确定所述似然域地图中各物体的坐标；在所述各物体的坐标中选取目标物体坐标作为所述似然域地图的坐标原点，以及基于所述各物体之间的坐标差值调整所述似然域地图的大小。
本申请第二方面提供了一种移动机器人定位装置，包括：转换模块，用于将获取到的点云数据集转换至当前移动场景的目标地图中，所述目标地图包括高置信度区域和低置信度区域；权重调整模块，用于对所述高置信度区域中点云数据的匹配权重进行增大处理，和/或对所述低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重；匹配模块，用于基于所述调整后的匹配权重将各点云数据和获取到的所述当前移动场景的先验地图进行数据匹配处理，得到匹配结果；位姿估计模块，用于基于所述匹配结果进行位姿估计，得到所述移动机器人的目标位姿。
本申请第三方面提供了一种电子设备，包括存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述移动机器人定位方法。
本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述移动机器人定位方法。
上述方案，通过在地图中构建高置信度区域和低置信度区域，在点云数据在和地图匹配的过程中使处于高置信度区域中的点云数据的匹配权重增大和/或使处于低置信度区域中的点云数据的匹配权重减小，由此能够提升匹配过程的准确性，再根据匹配权重调整后的点云数据和地图之间的匹配结果进行位姿估计，得到移动机器人的目标位姿，实现对机器人的定位。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1是本申请的移动机器人定位方法的一示例性实施例的流程示意图；
图2是本申请的移动机器人定位方法的一示例性的机器人作业示意图；
图3是本申请的移动机器人定位方法的一示例性的置信度区域标识示意图；
图4是本申请的移动机器人定位方法中一示例性的特征退化场景示意图；
图5是本申请的移动机器人定位方法中一示例性的物体位置判断示意图；
图6是本申请的一示例性实施例示出的移动机器人定位装置的框图；
图7是本申请电子设备一实施例的结构示意图；
图8是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在现有的移动机器人作业方法中，移动机器人依靠当前移动场景的先验地图在当前移动场景中进行移动，并根据获取到的当前移动场景的点云数据确定移动机器人的位姿信息以保证准确地进行作业。然而，当环境发生变化，例如环境中新增或者减少物体或者环境中存在移动物体时，当前的环境信息与先验地图发生较大的变化，若直接使用机器人检测到的当前点云数据与先验地图进行匹配，则导致匹配结果的误差较大，定位精度不高。
示例性地说明，本申请所使用的移动机器人可以包括但不限于里程计、激光雷达传感器、移动底盘(包括运动控制器、电机、电池、嵌入式计算机等)等部件。该机器人可以在基于仓储环境下生成的二维栅格地图中进行高精度定位。该地图通常包括货架、工作台、房屋支撑架以及需要搬运的货物等物体。本提案移动机器人可以利用里程计、激光数据和先验地图进行自主定位，并实时构建和更新子地图，当环境发生较大变化时，可结合多种传感器的数据确定当前的位姿，从而达到高精度定位的目的。
请参阅图1，图1是本申请的移动机器人定位方法的一示例性实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S110，将获取到的点云数据集转换至当前移动场景的目标地图中，目标地图包括高置信度区域和低置信度区域。
点云数据集指的是移动机器人在当前移动场景中进行移动时，其激光雷达传感器所采集到的点云数据所形成的集合，可参考图2所示，图2是本申请的移动机器人定位方法的一示例性的机器人作业示意图，其中，机器人的激光雷达传感器可以是2D激光雷达传感器，通过发射激光束来获取当前移动场景的激光数据(即点云数据)。
目标地图可以是当前移动场景的先验地图，还可以是对先验地图进行一定数据处理之后的地图。其中，先验地图可基于实时定位与建图算法(SLAM)进行建立，即本领域熟知的SLAM地图(如栅格地图)；将先验地图中是否容易发生变化的区域分别进行标识，则得到地图中的高置信度区域(不容易发生变化的区域)和低置信度区域(容易发生变化的区域)，而不同的区域的置信度分数也可以设置为不同。可以理解的是，即使经过一定数据处理之后的地图仍具有高置信度区域和低置信度区域的标识。
其中，对于高置信度区域和低置信度区域的判定方法，可以是预设置信度阈值，若某区域的置信度大于或等于置信度阈值，则判定该区域为高置信度区域，反之，则判定该区域为低置信度区域；此外，还可以是直接对某区域赋予高置信度区域或低置信度区域的标识。
进一步地，高置信度区域和低置信度区域可以任意多边形的方式进行框选标识。可参考图3所示，图3是本申请的移动机器人定位方法的一示例性的置信度区域标识示意图，以矩形为例，置信度区域的存储格式可记为[{area：[[0，0]，[100，0]，[100，100]，[0，100]]，confidence：90}]，其中，area表示该置信度区域的顶点坐标，confidence表示该置信度区域的置信度分数。
需要说明的是，移动机器人在当前移动场景中进行移动时，能够同时获取里程计数据和点云数据，但其获取到的点云数据的坐标是相对机器人坐标系的，因此需要对点云数据进行坐标转换，以将点云数据转换到以目标地图为基准的栅格坐标系。
示例性地，基于里程计数据确定移动机器人当前时刻t的估计位姿Xt，记Xt＝[x yθ]T，若根据激光雷达的第k束激光获取到的点云数据相对机器人坐标系的坐标为[xk，sensyk，sens θk，sens]T，则该点云数据在世界坐标系下的坐标为：
其中，和/>为当前时刻t的第k束激光对应的点云数据在世界坐标系下的坐标。
进一步地，将该坐标转换到目标地图中(栅格坐标系)：
其中，是第i个点云数据在栅格坐标系下的坐标，/>是世界坐标系转换到栅格坐标系的变换矩阵，/>是上文记载中第i个点云数据在世界坐标系下的坐标，r是栅格坐标系的栅格分辨率。
通过上述示例性的计算过程，即能够将获取到的点云数据集中的各点云数据转换到以目标地图为基准的栅格坐标系中，相应地，目标地图中则可能出现落入高置信度区域的点云数据和/或落入低置信度区域的点云数据。
步骤S120，对高置信度区域中点云数据的匹配权重进行增大处理，和/或对低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重。
结合前述步骤进行说明，在将点云数据集中的各点云数据转换到目标地图后，即可得知目标地图的高置信度区域中的点云数据和低置信度区域中的点云数据。
可以理解的是，高置信度区域是不易变化的区域，因此处于高置信度区域中的点云数据准确度较高，而低置信度区域是容易变化的区域，因此处于低置信度区域中的点云数据准确度较低；所以，为了提高后续使用点云数据过程中的准确度，将处于高置信度区域中的点云数据的匹配权重进行增大处理，和/或对低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重。其中，点云数据的匹配权重可以是预先设定好的，具体是否执行增大处理和/或减小处理过程取决于高置信度区域和/或低置信度区域中是否存在点云数据；对于各区域中是否存在点云数据的判断，可以是判断各区域中点云的数量是否为0，或者判断各区域中点云的数量是否小于预设的区域数量阈值，在此不做限定，即相当于若某一区域中的点云数据小于区域数量阈值，则仍可判断该区域不存在点云数据。
需要说明的是，目标地图中还可以存在未被标识为高置信度区域或低置信度区域的普通区域，相应地，在点云数据转换到目标地图时，还可能存在点云数据落入普通区域的情况，则根据预先设定好的匹配权重将普通区域中的点云数据进行后续匹配处理。
步骤S130，基于调整后的匹配权重将各点云数据和获取到的当前移动场景的先验地图进行数据匹配处理，得到匹配结果。
结合前述步骤进行说明，在将各点云数据和当前移动场景的先验地图进行数据匹配处理的过程中，处于高置信度区域和低置信度区域中的点云数据使用调整后的匹配权重进行数据匹配，处于普通区域中的点云数据使用初始的匹配权重(即预先设定的未经过调整的匹配权重)进行数据匹配，得到匹配结果。其中，具体的数据匹配过程可参考本领域的基于环境特征的地图匹配定位方法(包括但不限于如迭代最近点(ICP)以及正态分布变换(NDT)等算法)，该匹配结果则相当于是依据点云数据和先验地图确定的位姿信息。
示例性地，将点云数据和先验地图进行匹配的过程中，每个点云数据构建的残差方程如下：
其中，ri指的是栅格地图中第i个点云数据所在的栅格的空闲概率，指的是栅格地图中第i个点云数据所在的栅格被物体占据的占据概率，可通过调用本领域的计算函数对Pi G进行计算得到，具体的残差计算过程可参考本领域的点云匹配的计算过程，在此不做赘述。
进一步地，将每个点云残差的初始匹配权重记为w1，同前述步骤的说明，将处于高置信度区域的点云数据的匹配权重进行增大处理，例如S*w1，其中，S为预设的权重增大倍数，S＞1；将处于低置信度区域的点云数据的匹配权重进行减小处理，例如Z*w1，其中，Z为预设的权重减小倍数，1＞Z＞0；处于普通区域中的点云数据的匹配权重则可仍以w1进行匹配处理。
步骤S140，基于匹配结果进行位姿估计，得到移动机器人的目标位姿。
需要说明的是，基于当前的匹配结果进行位姿估计，能够在一定程度上计算出移动机器人的目标位姿，但是在面对容易发生变化的场景时，仅基于点云数据和先验地图的匹配结果所分析出的位姿的准确性可能较低；因此，在某些条件下，可基于匹配结果和里程计数据共同进行位姿估计，得到移动机器人的目标位姿；亦或者是，若参与匹配的点云数据大多数源于低置信度区域中，则表明得到的匹配结果的置信度也较低，在在某些条件下，可舍去该匹配结果，仅通过里程计数据进行位姿估计，得到目标位姿。
可以看出，本申请通过在地图中构建高置信度区域和低置信度区域，在点云数据在和地图匹配的过程中使处于高置信度区域中的点云数据的匹配权重增大和/或使处于低置信度区域中的点云数据的匹配权重减小，由此能够提升匹配过程的准确性，再根据匹配权重调整后的点云数据和地图之间的匹配结果进行位姿估计，得到移动机器人的目标位姿，实现对机器人的定位。
在上述实施例的基础上，本申请实施例对基于匹配结果进行位姿估计，得到移动机器人的目标位姿的步骤进行说明。具体而言，本实施例方法包括以下步骤：
若高置信度区域中点云数据的数量小于预设的高置信数量阈值，且低置信度区域中点云数据的数量大于预设的低置信数量阈值，则将匹配结果和获取到的里程计数据进行融合处理，得到目标位姿。
结合前述实施例进行说明，基于匹配结果进行位姿估计的过程中，需要考虑参与数据匹配处理的点云数据的置信度情况，由此反映出匹配结果的准确度情况。
具体地，若高置信度区域中点云数据的数量小于预设的高置信数量阈值，且低置信度区域中点云数据的数量大于预设的低置信数量阈值，则说明高置信度区域中的点云数据的数量少而低置信度区域中的点云数据的数量多，其匹配结果的准确度较低；因此，仅通过匹配结果确定的机器人的位姿的准确性较低，对当前的匹配结果和里程计数据进行融合处理，得到目标位姿。
示例性地，融合处理的过程可以参考EKF融合算法，EKF融合算法是基于卡尔曼滤波的扩展形式。卡尔曼滤波是一种递归的估计算法，通过对系统状态进行预测和更新，来融合测量数据和模型预测，得到对系统状态的估计。在定位方法中，它通过对多个传感器(包括里程计和激光雷达)的数据进行融合，来估计机器人的位姿和/或其它数据。
在上述实施例的基础上，本申请实施例对将匹配结果和获取到的里程计数据进行融合处理，得到目标位姿的步骤进行说明。具体而言，本实施例方法包括以下步骤：
降低匹配结果的融合权重，得到调整后的融合权重；基于调整后的融合权重将匹配结果和里程计数据进行融合，得到目标位姿。
结合前述实施例进行说明，在前述实施例所举例的情况下，由于低置信度区域中的点云数量较多而高置信度区域中的点云数量较少，因此，在该种情况下计算得到的匹配结果的准确度也较低，所以在将匹配结果和获取到的里程计数据进行融合处理的过程中，降低匹配结果的融合权重，使融合得到的目标位姿和匹配结果之间的关联性降低，防止低置信度区域中的点云数据对目标位姿的准确度产生过度干扰。其中，融合权重类似于匹配权重，是预先设置好的，并能根据实际情况进行动态调整。
同理，若高置信度区域中点云数据的数量大于或等于高置信数量阈值，和/或低置信度区域中点云数据的数量小于或等于低置信数量阈值，则表征匹配结果的准确度较高；因此，在将匹配结果和获取到的里程计数据进行融合处理的过程中，可以采用匹配结果初始的融合权重或增大处理后的融合权重将匹配结果和里程计数据进行融合，得到目标位姿。
在上述实施例的基础上，本申请实施例对将匹配结果和获取到的里程计数据进行融合处理，得到目标位姿之前的步骤进行说明。具体而言，本实施例方法包括以下步骤：
将各点云数据进行直线拟合处理，得到若干拟合结果；若各拟合结果之间的方向相匹配，则基于里程计数据确定目标位姿。
需要说明的是，在移动机器人的当前移动场景中，除了容易发生变化的场景(被标识为低置信度区域)和不容易发生变化(被标识为高置信度区域)的场景外，还可能存在一种特征退化场景；例如长走廊通道、单独一面墙的场景，可参考图4，图4是本申请的移动机器人定位方法中一示例性的特征退化场景示意图，在特征退化场景中，由于场景中的特征变化不明显，因此可能造成机器人在长走廊中移动时基于点云数据的定位会保持不变，产生较大误差；因此，将特征退化场景也标识为低置信度区域以表征从特征退化场景中获取到的点云数据的置信度较低、准确度不高。
具体地，在融合匹配结果和里程计数据之前，可通过如RANSAC算法对获取到的当前移动场景中的全部点云数据或部分点云数据进行直线拟合处理，得到至少一个拟合结果；若拟合结果的数量为一个，且该拟合结果为一条直线，则可认为移动机器人当前正处于特征退化场景中；或者，若拟合结果的数量为多个，且多个拟合结果中大于预设拟合数量阈值的拟合结果的方向都在同一直线方向上，仍可认为移动机器人当前正处于特征退化场景中；若机器人处于特征退化场景中，且高置信度区域中的点云数量少于预设的融合数量阈值，则仅通过里程计数据进行位姿估计，得到目标位姿；对特征退化场景中获取到的点云数据进行保存或舍弃，无需进行将匹配结果和里程计数据进行融合的过程。
还需说明的是，本实施例的执行过程可设置在“对高置信度区域中点云数据的匹配权重进行增大处理，和/或对低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重”的步骤之前，若分析出点云的直线拟合结果在同一直线方向上，则无需对点云的匹配权重进行调整以及后续的数据匹配处理等，以通过里程计数据确定的位姿作为目标位姿。
在上述实施例的基础上，本申请实施例对将获取到的点云数据集转换至当前移动场景的目标地图中之前的步骤进行说明。具体而言，本实施例方法包括以下步骤：
基于获取到的前一时刻的里程计数据和当前时刻的里程计数据确定里程计变化量，前一时刻早于当前时刻；若里程计变化量小于或等于预设的里程计变化阈值，则根据前一时刻的位姿信息和当前时刻的里程计数据进行位姿估计，得到当前时刻的目标位姿。
需要说明的是，在利用点云数据进行位姿估计之前，还可以先根据机器人的里程计数据进行位姿估计。
若根据前一时刻的里程计数据和当前时刻的里程计数据确定的里程计变化量小于或等于预设的里程计变化阈值，则说明机器人的里程计数据可靠性较高，可仅通过里程计数据确定目标位姿。具体地，获取当前的里程计数据ut和前一时刻的位姿Xt-1＝[x y θ]T，其中x、y分别为机器人在前一时刻的世界坐标系下横纵坐标，即机器人在x轴、y轴对应的二维平面中的位置，θ表示机器人在x轴、y轴所在二维平面的方向。利用预设的运动模型并结合里程计数据ut和前一时刻的位姿Xt-1进行位姿估计，预测出当前时刻的位姿Xt，得到目标位姿。其中，运动模型的数学表达可为：
相应地，在里程计变化量大于里程计变化阈值后，则根据前述实施例的说明，将获取到的点云数据和先验地图进行匹配，得到匹配结果；再根据前述实施例中的判断条件确定是否将匹配结果和里程计数据进行融合，得到目标位姿。相当于通过点云数据的匹配结果和里程计数据之间的融合，对位姿信息进行校正，得到准确的目标位姿。
还需说明的是，除上述可以通过判断里程计变化量和里程计变化阈值之间的数值关系外，还可以通过判断前一时刻的点云数据和当前时刻的点云数据之间的时间差值是否小于或等于预设的时间阈值，以证明相邻两帧点云数据之间的时序关联性；若是，则说明机器人的里程计数据可靠性较高，前一时刻的点云数据和当前时刻的点云数据之间的关联性强，可仅通过里程计数据估计当前时刻的位姿，得到目标位姿；若否，则说明机器人的里程计数据可靠性较低，前一时刻的点云数据和当前时刻的点云数据之间的关联性弱，则按照前述实施例的记载，将点云数据和先验地图的匹配结果与里程计数据进行融合，得到目标位姿。
在上述实施例的基础上，本申请实施例对将获取到的点云数据集转换至当前移动场景的目标地图中之前的步骤进行说明。具体而言，本实施例方法包括以下步骤：
获取先验地图中的初始点云数据，先验地图包括高置信度区域和低置信度区域；将高置信度区域中的初始点云数据和/或低置信度区域中的初始点云数据进行似然膨胀，得到似然域地图；对似然域地图进行裁剪处理，得到目标地图。
结合前述实施例进行说明，可以理解的是，目标地图可以是先验地图也可以是经过一定预处理的先验地图，本实施例以经过一定预处理的先验地图作为目标地图为例进行说明。
示例性地，先验地图中标识了高置信度区域和低置信度区域，将高置信度区域中的初始点云数据和/或低置信度区域中的初始点云数据进行似然膨胀，分别得到高置信度区域对应的高置信度似然域地图MLH和低置信度区域对应的低置信度似然域地图MLL。其中，似然膨胀是统计学中的一种数据扩展形式，在某些情况下，我们可以通过对统计数据进行扩展来获得更好的参数估计效果。
进一步地，在某一MLH或MLL中，检测到的数值最小的物体坐标为Mmin，数值最大的物体坐标为Mmax，则将该似然域地图的坐标原点更改为Mmin，将该似然域地图的大小更改为Mmax-Mmin，实现对似然域地图的裁剪处理，得到目标地图。由此，使得目标地图无需和先验地图的大小一致，但保证了目标地图和先验地图中各物体的坐标是一致的，也能实现本申请提供的定位方法，并且相对先验地图而言减小了占据的存储空间。
需要说明的是，本申请不对确定物体坐标的具体方法进行限定，示例性地，本申请可基于检测到的物体的点云数据确定物体的坐标，例如根据物体的点云数据确定物体的质心坐标，以物体的质心坐标作为物体的坐标等方法。
结合前述实施例的说明可知，各置信度区域可通过任意多边形的方式进行框选标识，而判断物体是否在某一区域中的方法可以参考图5，图5是本申请的移动机器人定位方法中一示例性的物体位置判断示意图：获取先验地图中第i个物体的坐标Pj，对于该区域对应的多边形Mi而言，过坐标Pj作射线，若该射线与多边形Mi单边的交点个数的总和为偶数，则表征点Pj在该多边形的外部；若该射线与多边形Mi单边的交点个数的总和为奇数，则表征点Pj在该多边形的内部。
在上述实施例的基础上，本申请实施例对似然域地图进行裁剪处理的步骤进行说明。具体而言，本实施例方法包括以下步骤：
基于初始点云数据确定似然域地图中各物体的坐标；在各物体的坐标中选取目标物体坐标作为似然域地图的坐标原点，以及基于各物体之间的坐标差值调整似然域地图的大小。
结合前述实施例进行说明，基于各初始点云数据确定各物体的坐标；对比各物体的坐标之间的数值大小关系，从各物体的坐标中选取目标物体坐标(数值最小的坐标)作为似然域地图的坐标原点；从各物体的坐标中选取数值最大的坐标和目标物体坐标进行差值计算，得到坐标差值；根据该坐标差值调整似然域地图的大小。
进一步需要说明的是，移动机器人定位方法的执行主体可以是移动机器人上的嵌入式计算机或移动机器人定位装置，例如，移动机器人定位方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、电脑、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该移动机器人定位方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
图6是本申请的一示例性实施例示出的移动机器人定位装置的框图。如图6所示，该示例性的移动机器人定位装置600包括：转换模块610、权重调整模块620、匹配模块630和位姿估计模块640。具体地：
转换模块610，用于将获取到的点云数据集转换至当前移动场景的目标地图中，目标地图包括高置信度区域和低置信度区域。
权重调整模块620，用于对高置信度区域中点云数据的匹配权重进行增大处理，和/或对低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重。
匹配模块630，用于基于调整后的匹配权重将各点云数据和获取到的当前移动场景的先验地图进行数据匹配处理，得到匹配结果。
位姿估计模块640，用于基于匹配结果进行位姿估计，得到移动机器人的目标位姿。
在该示例性的移动机器人定位装置中，通过在地图中构建高置信度区域和低置信度区域，在点云数据在和地图匹配的过程中使处于高置信度区域中的点云数据的匹配权重增大和/或使处于低置信度区域中的点云数据的匹配权重减小，由此能够提升匹配过程的准确性，再根据匹配权重调整后的点云数据和地图之间的匹配结果进行位姿估计，得到移动机器人的目标位姿，实现对机器人的定位。
其中，各个模块的功能可参见移动机器人定位方法实施例，此处不再赘述。
请参阅图7，图7是本申请电子设备一实施例的结构示意图。电子设备700包括存储器701和处理器702，处理器702用于执行存储器701中存储的程序指令，以实现上述任一移动机器人定位方法实施例中的步骤。在一个具体的实施场景中，电子设备700可以包括但不限于：微型计算机、服务器，此外，电子设备700还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器702用于控制其自身以及存储器701以实现上述任一移动机器人定位方法实施例中的步骤。处理器702还可以称为CPU(Central Processing Unit，中央处理单元)。处理器702可能是一种集成电路芯片，具有信号的处理能力。处理器702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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器702可以由集成电路芯片共同实现。
上述方案，通过在地图中构建高置信度区域和低置信度区域，在点云数据在和地图匹配的过程中使处于高置信度区域中的点云数据的匹配权重增大和/或使处于低置信度区域中的点云数据的匹配权重减小，由此能够提升匹配过程的准确性，再根据匹配权重调整后的点云数据和地图之间的匹配结果进行位姿估计，得到移动机器人的目标位姿，实现对机器人的定位。
请参阅图8，图8是本申请计算机可读存储介质一实施例的结构示意图。计算机可读存储介质810存储有能够被处理器运行的程序指令811，程序指令811用于实现上述任一移动机器人定位方法实施例中的步骤。
上述方案，通过在地图中构建高置信度区域和低置信度区域，在点云数据在和地图匹配的过程中使处于高置信度区域中的点云数据的匹配权重增大和/或使处于低置信度区域中的点云数据的匹配权重减小，由此能够提升匹配过程的准确性，再根据匹配权重调整后的点云数据和地图之间的匹配结果进行位姿估计，得到移动机器人的目标位姿，实现对机器人的定位。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种移动机器人定位方法，其特征在于，所述方法包括：
将获取到的点云数据集转换至当前移动场景的目标地图中，所述目标地图包括高置信度区域和低置信度区域；
对所述高置信度区域中点云数据的匹配权重进行增大处理，和/或对所述低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重；
基于所述调整后的匹配权重将各点云数据和获取到的所述当前移动场景的先验地图进行数据匹配处理，得到匹配结果；
基于所述匹配结果进行位姿估计，得到所述移动机器人的目标位姿。
2.根据权利要求1所述的方法，其特征在于，所述基于所述匹配结果进行位姿估计，得到所述移动机器人的目标位姿的步骤，包括：
若所述高置信度区域中点云数据的数量小于预设的高置信数量阈值，且所述低置信度区域中点云数据的数量大于预设的低置信数量阈值，则将所述匹配结果和获取到的里程计数据进行融合处理，得到所述目标位姿。
3.根据权利要求2所述的方法，其特征在于，所述将所述匹配结果和获取到的里程计数据进行融合处理，得到所述目标位姿的步骤，包括：
降低所述匹配结果的融合权重，得到调整后的融合权重；
基于所述调整后的融合权重将所述匹配结果和所述里程计数据进行融合，得到所述目标位姿。
4.根据权利要求2所述的方法，其特征在于，在所述将所述匹配结果和获取到的里程计数据进行融合处理，得到所述目标位姿的步骤之前，所述方法还包括：
将所述各点云数据进行直线拟合处理，得到若干拟合结果；
若各拟合结果之间的方向相匹配，则基于所述里程计数据确定所述目标位姿。
5.根据权利要求1所述的方法，其特征在于，在所述将获取到的点云数据集转换至当前移动场景的目标地图中的步骤之前，所述方法还包括：
基于获取到的前一时刻的里程计数据和当前时刻的里程计数据确定里程计变化量，所述前一时刻早于所述当前时刻；
若所述里程计变化量小于或等于预设的里程计变化阈值，则根据所述前一时刻的位姿信息和所述当前时刻的里程计数据进行位姿估计，得到所述当前时刻的目标位姿。
6.根据权利要求1所述的方法，其特征在于，在所述将获取到的点云数据集转换至当前移动场景的目标地图中的步骤之前，所述方法还包括：
获取所述先验地图中的初始点云数据，所述先验地图包括所述高置信度区域和所述低置信度区域；
将所述高置信度区域中的初始点云数据和/或所述低置信度区域中的初始点云数据进行似然膨胀，得到似然域地图；
对所述似然域地图进行裁剪处理，得到所述目标地图。
7.根据权利要求6所述的方法，其特征在于，所述对所述似然域地图进行裁剪处理的步骤，包括：
基于所述初始点云数据确定所述似然域地图中各物体的坐标；
在所述各物体的坐标中选取目标物体坐标作为所述似然域地图的坐标原点，以及基于所述各物体之间的坐标差值调整所述似然域地图的大小。
8.一种移动机器人定位装置，其特征在于，包括：
转换模块，用于将获取到的点云数据集转换至当前移动场景的目标地图中，所述目标地图包括高置信度区域和低置信度区域；
权重调整模块，用于对所述高置信度区域中点云数据的匹配权重进行增大处理，和/或对所述低置信度区域中点云数据的匹配权重进行减小处理，得到调整后的匹配权重；
匹配模块，用于基于所述调整后的匹配权重将各点云数据和获取到的所述当前移动场景的先验地图进行数据匹配处理，得到匹配结果；
位姿估计模块，用于基于所述匹配结果进行位姿估计，得到所述移动机器人的目标位姿。
9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至7任一项所述的方法。
CN202311687660.7A 2023-12-07 2023-12-07 移动机器人定位方法、装置、设备以及存储介质 Pending CN117889855A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311687660.7A CN117889855A (zh) 2023-12-07 2023-12-07 移动机器人定位方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311687660.7A CN117889855A (zh) 2023-12-07 2023-12-07 移动机器人定位方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN117889855A true CN117889855A (zh) 2024-04-16

Family

ID=90651477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311687660.7A Pending CN117889855A (zh) 2023-12-07 2023-12-07 移动机器人定位方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN117889855A (zh)

Similar Documents

Publication Publication Date Title
CN111536964B (zh) 机器人定位方法及装置、存储介质
CN110893617B (zh) 障碍物检测方法、装置及存储装置
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
CN111665842B (zh) 一种基于语义信息融合的室内slam建图方法及系统
CN111765882B (zh) 激光雷达定位方法及其相关装置
CN111445531B (zh) 一种多目相机导航方法、装置、设备及存储介质
US11045953B2 (en) Relocalization method and robot using the same
CN112106111A (zh) 一种标定方法、设备、可移动平台及存储介质
CN113052907B (zh) 一种动态环境移动机器人的定位方法
CN110736456A (zh) 稀疏环境下基于特征提取的二维激光实时定位方法
CN114119659A (zh) 一种多传感器融合的目标跟踪方法
CN116645396A (zh) 轨迹确定方法、装置、计算机可读存储介质及电子设备
CN110426714B (zh) 一种障碍物识别方法
CN114528941A (zh) 传感器数据融合方法、装置、电子设备及存储介质
CN112418316B (zh) 机器人重定位方法、装置、激光机器人及可读存储介质
CN111553342B (zh) 一种视觉定位方法、装置、计算机设备和存储介质
CN112308917A (zh) 一种基于视觉的移动机器人定位方法
CN111474560A (zh) 一种障碍物定位方法、装置及设备
CN117889855A (zh) 移动机器人定位方法、装置、设备以及存储介质
CN115979288A (zh) 一种航向角确定方法、电子设备和存储介质
CN112344966B (zh) 一种定位失效检测方法、装置、存储介质及电子设备
CN112068547B (zh) 一种基于amcl的机器人定位方法、装置和机器人
CN114564014A (zh) 物体信息确定方法、移动机器人系统及电子设备
CN113325415A (zh) 车辆雷达数据和相机数据的融合方法及系统
CN112598736A (zh) 一种基于地图构建的视觉定位方法及装置

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