CN113448326A - 机器人定位方法及装置、计算机存储介质、电子设备 - Google Patents
机器人定位方法及装置、计算机存储介质、电子设备 Download PDFInfo
- Publication number
- CN113448326A CN113448326A CN202010220528.5A CN202010220528A CN113448326A CN 113448326 A CN113448326 A CN 113448326A CN 202010220528 A CN202010220528 A CN 202010220528A CN 113448326 A CN113448326 A CN 113448326A
- Authority
- CN
- China
- Prior art keywords
- robot
- pose
- point cloud
- laser point
- map
- 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 66
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000003379 elimination reaction Methods 0.000 claims abstract description 17
- 230000008030 elimination Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000013506 data mapping Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000009191 jumping Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开涉及人工智能技术领域，提供了一种机器人定位方法、机器人定位装置、计算机存储介质、电子设备，其中，机器人定位方法包括：将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；根据栅格单元内包含的障碍物像素点的个数，确定激光点云中的目标障碍物点云；对目标障碍物点云进行剔除处理；根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示机器人的位姿；基于粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到机器人的当前目标位姿。本公开能够提高机器人的定位精度。
Description
技术领域
本公开涉及人工智能技术领域，特别涉及一种机器人定位方法、机器人定位装置、计算机存储介质及电子设备。
背景技术
随着人工智能技术的快速发展，移动机器人在各个行业得到广泛应用，例如物流、家政、电力、机械加工等行业。移动机器人是指在未知环境或者部分未知环境中，完成环境感知、动态决策与规划、行为控制以及自主移动等功能的装置。对于移动机器人来说，定位就是确定机器人在环境地图中的位姿(包括位置和航向角)，它不仅是移动机器人完成环境地图的基本环节，也是机器人实现自主导航的关键技术。
目前，一般是将机器人扫描到的环境信息跟地图信息进行匹配，以实现机器人的定位。然而，在一些经常发生动态改变的非结构化场景中(例如：存在人员和餐车的移动及未知的障碍物的餐厅)，机器人扫描到的环境信息跟地图信息存在较大差异，匹配结果误差较大，导致机器人定位误差较大，甚至丢失自身位姿。
鉴于此，本领域亟需开发一种新的机器人定位方法及装置。
需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开的目的在于提供一种机器人定位方法、机器人定位装置、计算机存储介质及电子设备，进而至少在一定程度上避免了现有技术中环境动态变化导致机器人定位误差大的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种机器人定位方法，包括：将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云；对所述目标障碍物点云进行剔除处理；根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示所述机器人的位姿；基于所述粒子权重值，对所述粒子对应的当前可能位姿进行加权计算，得到所述机器人的当前目标位姿。
在本公开的示例性实施例中，根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云，包括：当所述栅格单元内包含的障碍物像素点的个数小于第一数量阈值时，确定所述栅格单元内的激光点云为所述目标障碍物点云。
在本公开的示例性实施例中，所述根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云，包括：当所述栅格单元内包含的障碍物像素点的个数大于或等于所述第一数量阈值时，获取所述障碍物像素点的正态分布参数；根据所述障碍物像素点的个数和所述正态分布参数，确定所述栅格单元内包含的激光点云的概率密度分布值；若所述概率密度分布值小于第二数量阈值，确定所述栅格单元内的激光点云为所述目标障碍物点云。
在本公开的示例性实施例中，所述方法还包括：根据预设时间段内的位姿变化量和机器人的历史实际位姿，确定所述机器人的当前预估位姿；将所述当前预估位姿确定为中心坐标，将预设距离确定为裁剪范围；基于所述中心坐标和裁剪范围对全局地图进行裁剪，得到局部地图；对所述局部地图进行栅格化处理，得到所述栅格地图。
在本公开的示例性实施例中，所述方法还包括：获取所述机器人历史时刻在里程计坐标系下的第一位姿；以及，获取所述机器人当前时刻在所述里程计坐标系下的第二位姿；将所述第二位姿与所述第一位姿的差值确定为所述预设时间段内的位姿变化量；利用坐标转换算法将所述位姿变化量转化为地图坐标系下的位姿参数；基于所述位姿参数和所述机器人的历史实际位姿，确定所述机器人的当前预估位姿。
在本公开的示例性实施例中，所述方法还包括：获取粒子群中各粒子对应的可能历史位姿；其中，所述粒子群表示位姿的概率分布；根据所述位姿参数对所述可能历史位姿进行更新，得到粒子群中各粒子对应的当前可能位姿。
在本公开的示例性实施例中，所述激光点云中包含多个激光点；所述将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内，包括：获取机器人坐标系下每个激光点的坐标数据；利用所述坐标转换算法将所述坐标数据转换为所述地图坐标系下的位置坐标；根据所述位置坐标，将所述激光点云投射到所述栅格地图对应的栅格单元内。
根据本公开的第二方面，提供一种机器人定位装置，包括：数据映射模块，用于将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；数据筛选模块，用于根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云；数据剔除模块，用于对所述目标障碍物点云进行剔除处理；数据匹配模块，用于根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示所述机器人的位姿；位姿纠正模块，用于基于所述粒子权重值，对所述粒子对应的当前可能位姿进行加权计算，得到所述机器人的当前目标位姿。
根据本公开的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的机器人定位方法。
根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的机器人定位方法。
由上述技术方案可知，本公开示例性实施例中的机器人定位方法、机器人定位装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的一些实施例所提供的技术方案中，一方面，将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云，并对所述目标障碍物点云进行剔除处理，能够避免复杂场景(例如：餐厅场景)中动态障碍物对定位算法的干扰，保证实际运行环境和机器人存储的地图数据的一致性，有效提高机器人的定位精度，减少位姿丢失的情况。另一方面，根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值(粒子用于表示所述机器人的位姿)，基于所述粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到所述机器人的当前目标位姿，能够对当前预估位姿进行纠正，提高机器人的定位准确度，保证机器人的运行效率。
本公开应当理解的是，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，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开一示例性实施例中机器人定位方法的流程示意图；
图2示出本公开一示例性实施例中机器人定位方法的子流程示意图；
图3示出本公开一示例性实施例中机器人定位方法的子流程示意图；
图4示出本公开一示例性实施例中机器人定位方法的子流程示意图；
图5示出本公开一示例性实施例中机器人定位方法的子流程示意图；
图6示出本公开一示例性实施例中机器人定位方法的整体流程示意图；
图7示出本公开示例性实施例中机器人定位装置的结构示意图；
图8示出本公开示例性实施例中计算机存储介质的结构示意图；
图9示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
目前，一般是将机器人扫描到的环境信息跟地图信息进行匹配，以实现机器人的定位。然而，在一些经常发生动态改变的非结构化场景中(例如：存在人员和餐车的移动及未知的障碍物的餐厅)，机器人扫描到的环境信息跟地图信息存在较大差异，匹配结果误差较大；且里程计信息存在误差，预估位姿不准确，导致定位误差较大；严重情况下定位结果完全不对，机器人丢失自身位姿。
在本公开的实施例中，首先提供了一种机器人定位方法，至少在一定程度上克服现有技术中环境动态变化导致机器人定位误差大的缺陷。
图1示出本公开一示例性实施例中机器人定位方法的流程示意图，该机器人定位方法的执行主体可以是对机器人进行定位处理的服务器。
参考图1，根据本公开的一个实施例的机器人定位方法包括以下步骤：
步骤S110，将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；
步骤S120，根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云；
步骤S130，对所述目标障碍物点云进行剔除处理；
步骤S140，根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示所述机器人的位姿；
步骤S150，基于所述粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到所述机器人的当前目标位姿。
在图1所示实施例所提供的技术方案中，一方面，将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；根据栅格单元内包含的障碍物像素点的个数，确定激光点云中的目标障碍物点云，并对目标障碍物点云进行剔除处理，能够避免复杂场景(例如：餐厅场景)中动态障碍物对定位算法的干扰，保证实际运行环境和机器人存储的地图数据的一致性，有效提高机器人的定位精度，减少位姿丢失的情况。另一方面，根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值(粒子用于表示机器人的位姿)，基于粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到机器人的当前目标位姿，能够对当前预估位姿进行纠正，提高机器人的定位准确度，保证机器人的运行效率。
以下对图1中的各个步骤的具体实现过程进行详细阐述：
在本公开的示例性实施例中，机器人是指在未知环境或者部分未知环境中，完成环境感知、动态决策与规划、行为控制以及自主移动等功能的装置。示例性的，机器人可以是运行在餐厅等人口流动性较大的复杂场所的送餐机器人。需要说明的是，机器人的具体运行环境可以根据实际情况自行设定，均属于本公开的保护范围。
在本公开的示例性实施例中，机器人上可以设置有里程计、陀螺仪、雷达等设备。
示例性的，本公开中的里程计可以是轮式编码器，或者，为了使预设时间段内的位姿变化量更加准确,还可以使用编码器与IMU(Inertial measurement unit，惯性测量单元，简称：IMU)，是测量物体三轴姿态角及加速度的装置)融合的里程计代替单一的编码器里程计。里程计是安装在机器人上以测量行程的装置，能够检测机器人的里程变化情况，估算出机器人运动的变化量，从而能够基于上一时刻的位姿结合里程计估算的变化量来估算出当前时刻机器人的位姿，但是由于里程计存在一定的误差，因此，里程计估算出的位姿不能满足精度要求。通过里程计，可以粗略的获得机器人在当前时刻的位姿观测值。
陀螺仪是用高速回转体的动量矩敏感壳体相对惯性空间绕正交于自转轴的一个或二个轴的角运动检测装置，可以用于检测机器人的偏移角度。
雷达是英文Radar的音译，源于radio detection and ranging的缩写，意思为“无线电探测和测距”，即用无线电的方法发现目标并测定它们的空间位置。因此，雷达也被称为“无线电定位”。雷达是利用电磁波探测目标的电子设备。雷达发射激光信号(或其他电磁波信号)对目标进行照射并接收其回波信号，然后通过计算发射和接收之间的时间差，获得目标至电磁波发射点的距离、距离变化率(径向速度)、方位、高度等信息。
在步骤S201中，根据预设时间段内的位姿变化量和机器人的历史实际位姿，确定机器人的当前预估位姿。
在本公开的示例性实施例中，可以参考图3，图3示出本公开一示例性实施例中机器人定位方法的子流程示意图，具体示出确定机器人的当前预估位姿的子流程示意图，包含步骤S301-步骤S304，以下结合图3对具体的实施方式进行解释。
在步骤S301中，获取机器人历史时刻在里程计坐标系下的第一位姿；以及，获取机器人当前时刻在里程计坐标系下的第二位姿。
在本公开的示例性实施例中，位姿表示机器人的位置和朝向，即二维坐标和角度，可以表示为[横坐标，纵坐标，偏移方向]。历史实际位姿可以是机器人在前一时刻所处的真实位姿。当前预估位姿即机器人当前所处的大致、粗略位姿。
在本公开的示例性实施例中，可以通过机器人上安装的里程计，获取机器人历史时刻(t-1时刻)在里程计坐标系下的第一位姿(Ot-1)；以及，获取机器人当前时刻(t时刻)在里程计坐标系下的第二位姿(Ot)。示例性的，在里程计坐标系下，当机器人历史时刻(t-1时刻)的第一位姿可以表示为Ot-1＝(oxt-1,oyt-1,ort-1)T，当前时刻(t时刻)的第二位姿可以表示为Ot＝(oxt,oyt,ort)T，其中，ox、oy、or分别表示里程计坐标系下机器人的横坐标、纵坐标和偏移方向。
示例性的，在地图坐标系下，机器人的历史实际位姿可以表示为
其中u,v,
分别表示地图坐标系下机器人的横坐标、纵坐标和偏移方向。
在步骤S302中，将第二位姿与第一位姿的差值确定为预设时间段内的位姿变化量。
在本公开的示例性实施例中，将第二位姿与第一位姿的差值确定为预设时间段内的位姿变化量(Ot-Ot-1)。参照上述步骤的相关解释可知，则预设时间段内的位姿变化量可以表示为：
在步骤S303中，利用坐标转换算法将里程计坐标系下的位姿变化量转化为地图坐标系下的位姿参数。
在本公开的示例性实施例中，在得到上述位姿变化量之后，可以利用坐标转换算法将里程计坐标系下的位姿变化量ΔOt转化为地图坐标系下的位姿参数ΔO't，示例性的，可以获取地图坐标系下的坐标转换矩阵
进一步的，可以在位姿变化量ΔOt的基础上乘以坐标变换矩阵Z1，以将里程计坐标系下的位姿变化量转化为地图坐标系下的位姿参数ΔO't：
在步骤S304中，基于位姿参数和机器人的历史实际位姿，确定机器人的当前预估位姿。
在得到上述地图坐标系下的位姿参数ΔO't之后，可以基于上述位姿参数ΔO't和机器人的历史实际位姿pt-1，确定机器人的当前预估位姿p't，示例性的，机器人的当前预估位姿p't可以表示为：
从而，能够获取到机器人当前所处的粗略位置，为后续确定机器人的当前目标位姿提供参考，避免后续数据偏差过大，提高数据可信度。
继续参考图2，在步骤S202中，将当前预估位姿确定为中心坐标，将预设距离确定为裁剪范围，基于中心坐标和裁剪范围对全局地图进行裁剪，得到局部地图。
在获取到上述当前预估位姿p't之后，可以根据上述当前预估位姿p't，对预先构建的全局地图进行裁剪，得到局部地图。其中，上述全局地图是由机器人利用SLAM算法(Simultaneous Localization and Mapping，同步定位与构图算法，简称：SLAM)构建而成的，全局地图中可以包括三部分：障碍物像素、自由像素和未知像素，其中，障碍物像素表示建图时该处存在使机器人不能到达该处的障碍物，比如墙或桌子；自由像素表示构建地图时该处没有障碍物；未知像素表示构建地图时没有扫描到该处的环境信息。
通过对全局地图进行裁剪得到局部地图，能够确定出以当前预估位姿为中心坐标的小范围地图(包含的数据量较少)，避免全局地图中包含的大量无效数据(与机器人的实际位姿偏差较大的数据)对数据处理过程的影响，提高后续的数据处理效率。
在本公开的示例性实施例中，可以将当前预估位姿p't确定为地图的中心坐标，将预设距离(例如：20米)确定为裁剪范围，基于上述中心坐标和裁剪范围对全局地图进行裁剪，得到以当前预估位姿为中心坐标的局部地图。示例性的，可以对全局地图进行裁剪，得到一边长为20米，中心坐标为当前预估位姿p't的正方形局部地图。还可以对全局地图进行裁剪，得到一半径为20米，圆心坐标为当前预估位姿p't的圆形局部地图。具体的裁剪方式和预设距离的具体数值，可以根据实际情况自行设定，属于本公开的保护范围。
在步骤S203中，对局部地图进行栅格化处理，得到栅格地图。
在本公开的示例性实施例中，在裁剪得到上述局部地图之后，可以对上述局部地图进行栅格化处理，得到以当前预估位姿p't为中心坐标的栅格地图。
其中，栅格化处理的具体过程可以是：根据精度要求确定栅格精度；并以所确定的栅格精度对应的栅格，将上述局部地图划分为包含多个地图栅格的栅格地图；其中，栅格的精度不低于精度要求所指示的精度，也就是栅格的面积小于或等于精度要求的平方值；例如，当精度要求为0.5米时，栅格的精度应小于或等于0.5米，也就是栅格的面积小于或等于0.25平方米。
示例性的，可以基于上述全局地图的坐标系，以边长符合精度要求的栅格(栅格边长与栅格精度对应，例如当栅格精度为1米且栅格为正方形时，对应的栅格的边长小于或等于1米)，将局部地图处理成包含多个地图栅格的栅格地图。
当局部地图被划分为地图栅格后，可以根据地图栅格的精度(也即边长)确定出每个地图栅格的覆盖范围。需要说明的是，地图栅格也可以为其他形状，例如：三角形、长方形等，可以根据实际情况自行设定，属于本公开的保护范围。
继续参考图1，在步骤S110中，将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内。
在本公开的示例性实施例中，参照上述步骤的相关解释，机器人上安装的雷达每间隔预设时间段可以进行一次全方位扫描，得到激光点云。示例性的，可以将距离当前时刻最近一次扫描的激光点云确定为当前时刻机器人扫描到的激光点云Xs，进而，将激光点云Xs映射至以当前预估位姿为中心坐标的栅格地图中，以获取到每个激光点在局部栅格地图上所映射的位置坐标X'si。
具体的，首先，可以获取机器人坐标系下每个激光点的坐标数据。激光点云Xs是从机器人的雷达上获取到的周围环境的扫描数据，一帧激光点云Xs由m个激光点组成，Xs＝{Xs1,Xs2,Xs3……Xsi}(i表示一帧激光点云中激光点的序号，i＝1，2，3……m)。激光点是没有方向的，所以机器人坐标系下每个激光点的坐标只包含横坐标u和纵坐标v，即Xsi＝(u,v)T。Xsi是一帧激光点云Xs里的其中一个激光点。
其次，可以利用坐标转换算法将机器人坐标系下每个激光点的坐标数据转换为地图坐标系下的位置坐标。具体的，可以基于坐标变换矩阵
和上述当前预估位姿p't，对激光点云中包含的每个激光点Xsi的坐标进行转换，得到每个激光点在栅格地图中对应的位置坐标X'si，即：
进而，可以根据上述位置坐标，将激光点投射到栅格地图对应的栅格单元内。
在步骤S120中，根据栅格单元内包含的障碍物像素点的个数，确定激光点云中的目标障碍物点云。
在本公开的示例性实施例中，在将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内之后，可以得到激光点云中的每个激光点所对应的位置坐标，进而，可以根据各个位置坐标所处栅格单元内障碍物像素点的个数，确定激光点云中的目标障碍物点云。
其中，目标障碍物点云即目标障碍物对应的点云数据。其中，目标障碍物可以是在构建地图时不存在，但是在地图构建好之后、机器人运行过程中，出现的动态障碍物，例如：餐厅环境中走动的服务人员和餐车等。
具体的，当上述位置坐标所处栅格单元内障碍物像素点的个数小于第一数量阈值(构建地图时预先获取到的障碍物像素点的个数值，可以根据实际情况进行数值设定)时，可以确定栅格单元内的激光点云为目标障碍物点云，即栅格单元内的激光点云对应的障碍物为目标障碍物。从而，能够准确全面的识别出环境中新增的目标障碍物，便于后续对目标障碍物进行剔除处理，保证雷达扫描到的环境信息跟地图信息的一致性。
当栅格单元内障碍物像素点的个数大于或等于第一数量阈值时，可以参考图4，图4示出本公开一示例性实施例中机器人定位方法的子流程示意图，包含步骤S401-S403，以下结合图4对步骤S120进行解释。
在步骤S401中，当栅格单元内包含的障碍物像素点的个数大于或等于第一数量阈值时，获取障碍物像素点的正态分布参数。
在本公开的示例性实施例中，当位置坐标所处栅格单元内障碍物像素点的个数大于或等于上述第一数量阈值时，可以将障碍物像素点的坐标视为随机变量，并获取随机变量的正态分布参数。其中，正态分布参数可以包括均值和协方差。
具体的，均值是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数，它是反映数据集中趋势的一项指标。而在概率论和统计学中，协方差用于衡量两个变量的总体误差。均值
协方差
其中i＝1,2,……,n，n表示栅格单元内障碍物像素点的个数，xi表示栅格单元内各个障碍物像素点的坐标。
在步骤S402中，根据障碍物像素点的个数和正态分布参数，确定栅格单元内包含的激光点云的概率密度分布值。
在本公开的示例性实施例中，在得到上述正态分布参数之后，可以根据上述障碍物像素点的个数和上述正态分布参数，确定栅格单元内包含的激光点云的概率密度分布值。
具体的，激光点云中包含多个激光点，可以基于下述公式5计算各个激光点的概率密度分布值p(X'si)：
其中，p(X'si)为激光点云中的每个激光点的概率密度分布值，X'si为激光点云中的每个激光点，q表示均值，C-1表示协方差矩阵的逆矩阵。
在步骤S403中，若概率密度分布值小于第二数量阈值，确定栅格单元内的激光点云为目标障碍物点云。
在本公开的示例性实施例中，在计算得到上述概率密度分布值之后，若上述概率密度分布值小于第二数量阈值(预先设定的概率密度分布值，可以根据实际情况进行数值更改)，则可以确定栅格单元内的激光点云为目标障碍物点云，即栅格单元内的激光点云对应的障碍物为上述目标障碍物。从而，能够准确全面的识别出环境中新增的目标障碍物，便于后续对目标障碍物进行剔除处理，保证激光雷达扫描到的环境信息跟地图信息的一致性。
在步骤S130中，对目标障碍物点云进行剔除处理。
在本公开的示例性实施例中，在判断出上述激光点云对应的障碍物为目标障碍物时，可以对上述激光点云进行剔除处理，从而，能够避免复杂场景(例如：餐厅场景)中动态障碍物对定位算法的干扰，保证实际运行环境和机器人存储的地图数据的一致性，有效提高机器人的定位精度，减少位姿丢失的情况。
在步骤S140中，根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示机器人的位姿。
在本公开的示例性实施例中，在对上述激光点云进行剔除处理之后，可以将提剔除处理之后的激光点云与上述全局地图的地图数据进行匹配，以确定粒子权重值。其中，激光点云表示机器人扫描到的周围环境信息(例如：物体信息或障碍物信息)，全局地图的地图数据表示预先存储的机器人的运行环境信息(例如：物体信息或障碍物信息)。示例性的，可以将上述剔除处理之后的剩余激光点在全局地图中对应的位置坐标与全局地图的地图数据中包含的物体的位置坐标进行匹配，以得到各个粒子的粒子权重值。
需要说明的是，本公开中可以基于AMCL算法(Adaptive Monte CarloLocalization，自适应蒙特卡罗定位，简称：AMCL)对机器人进行定位，AMCL算法用概率表示位姿不确定性，将机器人位姿表示为所有可能的机器人位姿的概率分布。它采用粒子滤波器来跟踪已知的地图中的机器人位姿。
示例性的，当存在3个粒子(粒子a、粒子b、粒子c)时，则相应的，对应3个的机器人的当前可能位姿(位姿sa、位姿sb、位姿sc)。其中，上述当前可能位姿可以由获取到的各粒子的可能历史位姿和上述位姿变换量来确定，具体的，可以参考图5，图5示出本公开一示例性实施例中机器人定位方法的子流程示意图，具体示出获取机器人的当前可能位姿的流程示意图，包含步骤S501-步骤S502，以下结合图5对具体的实施方式进行解释。
在步骤S501中，获取粒子群中各粒子对应的可能历史位姿。
在本公开的示例性实施例中，可以获取粒子群中各个粒子对应的可能历史位姿。其中，粒子群表示位姿的概率分布。示例性的，粒子a的可能历史位姿可以是la，粒子b的可能历史位姿可以是lb，粒子c的可能历史位姿可以是lc。
在步骤S502中，根据位姿参数对可能历史位姿进行更新，得到粒子群中各粒子对应的当前可能位姿；其中，粒子群表示位姿的概率分布。
在本公开的示例性实施例中，在得到各粒子对应的可能历史位姿之后，可以根据上述位姿参数对各个粒子对应的可能历史位姿进行更新，得到粒子群中各粒子对应的当前可能位姿。示例性的，可以在上述可能历史位姿的基础上加上上述位姿参数ΔO't，得到粒子群中各粒子对应的当前可能位姿。示例性的，可以得到上述粒子a的当前可能位姿为la+ΔO't＝sa,上述粒子b的当前可能位姿为lb+ΔO't＝sb，上述粒子c的当前可能位姿为lc+ΔO't＝sc。
进而，可以将机器人在当前可能位姿sa处扫描到的激光点云与地图数据的匹配度确定为粒子a的权重值wa；将机器人在当前可能位姿sb处扫描到的激光点云与地图数据的匹配度确定为粒子b的权重值wb；将机器人在当前可能位姿sc处扫描到的激光点云与地图数据的匹配度确定为粒子c的权重值wc。
在步骤S150中，基于粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到机器人的当前目标位姿。
在本公开的示例性实施例中，在确定出粒子权重值(wa、wb、wc)之后，可以对粒子对应的当前可能位姿(sa、sb、sc)进行加权计算，得到机器人的当前目标位姿。示例性的，得到的当前目标位姿可以表示为
从而，能够对里程计中记录的存在误差的当前预估位姿进行纠正，提高机器人的定位准确度，保证机器人的运行效率。
在本公开的示例性实施例中，图6示出本公开一示例性实施例中机器人定位方法的整体流程示意图，包含步骤S601-步骤S612，以下结合图6对具体的实施方式进行解释。
在步骤S601中，获取机器人的当前预估位姿；
在步骤S602中，根据当前预估位姿裁剪全局地图，得到局部地图；
在步骤S603中，对得到的局部地图进行栅格化处理；
在步骤S604中，将激光点云转换至栅格地图中，得到各个激光点的位置坐标；
在步骤S605中，判断激光点的位置坐标所在的栅格单元内障碍物像素点的个数是否大于或等于第一数量阈值(N)；
若否(小于第一数量阈值)，则确定栅格单元内的激光点云为目标障碍物点云，跳转至步骤S606，滤除激光点云中的目标障碍物点云；
若是(大于或等于第一数量阈值)，则跳转至步骤S607中，根据上述位置坐标所在的栅格单元内障碍物像素点的个数和栅格单元内的障碍物像素点的正态分布参数计算转换后的各个激光点的概率密度分布值；
在步骤S608中，判断概率密度分布值是否小于第二数量阈值；
若是(小于第二数量阈值)，则则确定栅格单元内的激光点云为目标障碍物点云，跳转至步骤S606，滤除激光点云中的目标障碍物点云；
若否(大于或等于第二数量阈值)，则跳转至步骤S609中，判断数据是否处理完毕；
若否(未处理完毕)，则跳转至步骤S605；
若是(处理完毕)，则跳转至步骤S610中，输出剔除处理之后的激光点云；
在步骤S611中，根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；
在步骤S612中，基于粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到机器人的当前目标位姿。
从而，本公开能够避免复杂场景(例如：餐厅场景)中动态障碍物对定位算法的干扰，保证实际运行环境和机器人存储的地图数据的一致性，有效提高机器人的定位精度和定位速度，减少位姿丢失的情况。
本公开还提供了一种机器人定位装置，图7示出本公开示例性实施例中机器人定位装置的结构示意图；如图7所示，机器人定位装置700可以包括数据映射模块701、数据筛选模块702、数据剔除模块703、数据匹配704和位姿纠正模块705。其中：
数据映射模块701，用于将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内。
在本公开的示例性实施例中，激光点云中包含多个激光点；数据映射模块用于获取机器人坐标系下每个激光点的坐标数据；利用坐标转换算法将坐标数据转换为地图坐标系下的位置坐标；根据位置坐标，将激光点云投射到栅格地图对应的栅格单元内。
数据筛选模块702，用于根据栅格单元内包含的障碍物像素点的个数，确定激光点云中的目标障碍物点云。
在本公开的示例性实施例中，数据筛选模块用于当栅格单元内包含的障碍物像素点的个数小于第一数量阈值时，确定栅格单元内的激光点云为目标障碍物点云。
在本公开的示例性实施例中，数据筛选模块用于当栅格单元内包含的障碍物像素点的个数大于或等于第一数量阈值时，获取障碍物像素点的正态分布参数；根据障碍物像素点的个数和正态分布参数，确定栅格单元内包含的激光点云的概率密度分布值；若概率密度分布值小于第二数量阈值，确定栅格单元内的激光点云为目标障碍物点云。
在本公开的示例性实施例中，数据筛选模块用于根据预设时间段内的位姿变化量和机器人的历史实际位姿，确定机器人的当前预估位姿；将当前预估位姿确定为中心坐标，将预设距离确定为裁剪范围；基于中心坐标和裁剪范围对全局地图进行裁剪，得到局部地图；对局部地图进行栅格化处理，得到栅格地图。
在本公开的示例性实施例中，数据筛选模块用于获取机器人历史时刻在里程计坐标系下的第一位姿；以及，获取机器人当前时刻在里程计坐标系下的第二位姿；将第二位姿与第一位姿的差值确定为预设时间段内的位姿变化量；利用坐标转换算法将位姿变化量转化为地图坐标系下的位姿参数；基于位姿参数和机器人的历史实际位姿，确定机器人的当前预估位姿。
数据剔除模块703，用于对目标障碍物点云进行剔除处理。
在本公开的示例性实施例中，数据剔除模块用于对目标障碍物点云进行剔除处理。
数据匹配模块704，用于根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值。
在本公开的示例性实施例中，数据匹配模块用于根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示机器人的位姿。
位姿纠正模块705，用于基于粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到机器人的当前目标位姿。
在本公开的示例性实施例中，位姿纠正模块用于获取粒子群中各粒子对应的可能历史位姿；其中，粒子群表示位姿的概率分布；根据位姿参数对可能历史位姿进行更新，得到粒子群中各粒子对应的当前可能位姿。
上述机器人定位装置中各模块的具体细节已经在对应的机器人定位方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图8所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930以及显示单元940。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图1中所示的：步骤S110，将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；步骤S120，根据栅格单元内包含的障碍物像素点的个数，确定激光点云中的目标障碍物点云；步骤S130，对目标障碍物点云进行剔除处理；步骤S140，根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示机器人的位姿；步骤S150，基于粒子权重值，对粒子对应的当前可能位姿进行加权计算，得到机器人的当前目标位姿。
存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种机器人定位方法，其特征在于，包括：
将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；
根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云；
对所述目标障碍物点云进行剔除处理；
根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示所述机器人的位姿；
基于所述粒子权重值，对所述粒子对应的当前可能位姿进行加权计算，得到所述机器人的当前目标位姿。
2.根据权利要求1所述的方法，其特征在于，根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云，包括：
当所述栅格单元内包含的障碍物像素点的个数小于第一数量阈值时，确定所述栅格单元内的激光点云为所述目标障碍物点云。
3.根据权利要求2所述的方法，其特征在于，所述根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云，包括：
当所述栅格单元内包含的障碍物像素点的个数大于或等于所述第一数量阈值时，获取所述障碍物像素点的正态分布参数；
根据所述障碍物像素点的个数和所述正态分布参数，确定所述栅格单元内包含的激光点云的概率密度分布值；
若所述概率密度分布值小于第二数量阈值，确定所述栅格单元内的激光点云为所述目标障碍物点云。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据预设时间段内的位姿变化量和机器人的历史实际位姿，确定所述机器人的当前预估位姿；
将所述当前预估位姿确定为中心坐标，将预设距离确定为裁剪范围；
基于所述中心坐标和裁剪范围对全局地图进行裁剪，得到局部地图；
对所述局部地图进行栅格化处理，得到所述栅格地图。
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：
获取所述机器人历史时刻在里程计坐标系下的第一位姿；以及，获取所述机器人当前时刻在所述里程计坐标系下的第二位姿；
将所述第二位姿与所述第一位姿的差值确定为所述预设时间段内的位姿变化量；
利用坐标转换算法将所述位姿变化量转化为地图坐标系下的位姿参数；
基于所述位姿参数和所述机器人的历史实际位姿，确定所述机器人的当前预估位姿。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取粒子群中各粒子对应的可能历史位姿；其中，所述粒子群表示位姿的概率分布；
根据所述位姿参数对所述可能历史位姿进行更新，得到粒子群中各粒子对应的当前可能位姿。
7.根据权利要求1至3任一所述的方法，其特征在于，所述激光点云中包含多个激光点；
所述将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内，包括：
获取机器人坐标系下每个激光点的坐标数据；
利用所述坐标转换算法将所述坐标数据转换为所述地图坐标系下的位置坐标；
根据所述位置坐标，将所述激光点云投射到所述栅格地图对应的栅格单元内。
8.一种机器人定位装置，其特征在于，包括：
数据映射模块，用于将机器人扫描到的周围环境的激光点云投射到栅格地图对应的栅格单元内；
数据筛选模块，用于根据所述栅格单元内包含的障碍物像素点的个数，确定所述激光点云中的目标障碍物点云；
数据剔除模块，用于对所述目标障碍物点云进行剔除处理；
数据匹配模块，用于根据剔除处理之后的激光点云与地图数据的匹配度，确定粒子权重值；其中，粒子用于表示所述机器人的位姿；
位姿纠正模块，用于基于所述粒子权重值，对所述粒子对应的当前可能位姿进行加权计算，得到所述机器人的当前目标位姿。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的机器人定位方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的机器人定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010220528.5A CN113448326B (zh) | 2020-03-25 | 2020-03-25 | 机器人定位方法及装置、计算机存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010220528.5A CN113448326B (zh) | 2020-03-25 | 2020-03-25 | 机器人定位方法及装置、计算机存储介质、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113448326A true CN113448326A (zh) | 2021-09-28 |
| CN113448326B CN113448326B (zh) | 2024-09-24 |
Family
ID=77807507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010220528.5A Active CN113448326B (zh) | 2020-03-25 | 2020-03-25 | 机器人定位方法及装置、计算机存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113448326B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066989A (zh) * | 2021-11-16 | 2022-02-18 | 杭州云象商用机器有限公司 | 机器人定位方法、装置、设备及可读存储介质 |
| CN114170285A (zh) * | 2021-11-24 | 2022-03-11 | 深圳一清创新科技有限公司 | 一种基于正态分布变换的建图方法、装置及智能车 |
| CN114199251A (zh) * | 2021-12-03 | 2022-03-18 | 江苏集萃智能制造技术研究所有限公司 | 一种机器人的防碰撞定位方法 |
| CN114383622A (zh) * | 2021-12-27 | 2022-04-22 | 广州视源电子科技股份有限公司 | 机器人定位方法、机器人及计算机可读存储介质 |
| CN114964204A (zh) * | 2021-11-19 | 2022-08-30 | 丰疆智能(深圳)有限公司 | 地图构建方法、地图使用方法、装置、设备和存储介质 |
| CN115115697A (zh) * | 2022-06-27 | 2022-09-27 | 广州高新兴机器人有限公司 | 一种3d激光定位点云地图处理方法、装置及机器人 |
| CN115220437A (zh) * | 2021-10-20 | 2022-10-21 | 达闼科技（北京）有限公司 | 机器人出入电梯的方法、系统、电子设备及存储介质 |
| CN116363178A (zh) * | 2023-02-27 | 2023-06-30 | 西安电子科技大学 | 针对点云特征的多任务优化方法 |
| WO2024230403A1 (zh) * | 2023-05-08 | 2024-11-14 | 中兴通讯股份有限公司 | Agv位姿确定方法和装置、及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558856A (zh) * | 2013-11-21 | 2014-02-05 | 东南大学 | 动态环境下服务动机器人导航方法 |
| 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 |
| CN109579849A (zh) * | 2019-01-14 | 2019-04-05 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
| WO2019080924A1 (zh) * | 2017-10-26 | 2019-05-02 | 广州极飞科技有限公司 | 导航图配置方法、避障方法以及装置、终端、无人飞行器 |
| CN110530368A (zh) * | 2019-08-22 | 2019-12-03 | 浙江大华技术股份有限公司 | 一种机器人定位方法及设备 |
| CN110823171A (zh) * | 2019-11-15 | 2020-02-21 | 北京云迹科技有限公司 | 一种机器人定位方法、装置及存储介质 |
-
2020
- 2020-03-25 CN CN202010220528.5A patent/CN113448326B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558856A (zh) * | 2013-11-21 | 2014-02-05 | 东南大学 | 动态环境下服务动机器人导航方法 |
| WO2019080924A1 (zh) * | 2017-10-26 | 2019-05-02 | 广州极飞科技有限公司 | 导航图配置方法、避障方法以及装置、终端、无人飞行器 |
| 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 |
| CN109579849A (zh) * | 2019-01-14 | 2019-04-05 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
| CN110530368A (zh) * | 2019-08-22 | 2019-12-03 | 浙江大华技术股份有限公司 | 一种机器人定位方法及设备 |
| CN110823171A (zh) * | 2019-11-15 | 2020-02-21 | 北京云迹科技有限公司 | 一种机器人定位方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 孙自飞;钱堃;马旭东;戴先中;: "多传感器的移动机器人可定位性估计与自定位", 智能系统学报, no. 04, 25 August 2017 (2017-08-25) * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115220437A (zh) * | 2021-10-20 | 2022-10-21 | 达闼科技（北京）有限公司 | 机器人出入电梯的方法、系统、电子设备及存储介质 |
| CN114066989A (zh) * | 2021-11-16 | 2022-02-18 | 杭州云象商用机器有限公司 | 机器人定位方法、装置、设备及可读存储介质 |
| CN114964204A (zh) * | 2021-11-19 | 2022-08-30 | 丰疆智能(深圳)有限公司 | 地图构建方法、地图使用方法、装置、设备和存储介质 |
| CN114170285A (zh) * | 2021-11-24 | 2022-03-11 | 深圳一清创新科技有限公司 | 一种基于正态分布变换的建图方法、装置及智能车 |
| CN114170285B (zh) * | 2021-11-24 | 2025-07-11 | 深圳一清创新科技有限公司 | 一种基于正态分布变换的建图方法、装置及智能车 |
| CN114199251B (zh) * | 2021-12-03 | 2023-09-15 | 江苏集萃智能制造技术研究所有限公司 | 一种机器人的防碰撞定位方法 |
| CN114199251A (zh) * | 2021-12-03 | 2022-03-18 | 江苏集萃智能制造技术研究所有限公司 | 一种机器人的防碰撞定位方法 |
| CN114383622A (zh) * | 2021-12-27 | 2022-04-22 | 广州视源电子科技股份有限公司 | 机器人定位方法、机器人及计算机可读存储介质 |
| CN114383622B (zh) * | 2021-12-27 | 2024-04-19 | 广州视源电子科技股份有限公司 | 机器人定位方法、机器人及计算机可读存储介质 |
| CN115115697A (zh) * | 2022-06-27 | 2022-09-27 | 广州高新兴机器人有限公司 | 一种3d激光定位点云地图处理方法、装置及机器人 |
| CN116363178A (zh) * | 2023-02-27 | 2023-06-30 | 西安电子科技大学 | 针对点云特征的多任务优化方法 |
| CN116363178B (zh) * | 2023-02-27 | 2024-01-30 | 西安电子科技大学 | 针对点云特征的多任务优化方法 |
| WO2024230403A1 (zh) * | 2023-05-08 | 2024-11-14 | 中兴通讯股份有限公司 | Agv位姿确定方法和装置、及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113448326B (zh) | 2024-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113448326B (zh) | 机器人定位方法及装置、计算机存储介质、电子设备 | |
| CN110927740B (zh) | 一种移动机器人定位方法 | |
| JP4650750B2 (ja) | 三次元形状データの記憶・表示方法と装置および三次元形状の計測方法と装置 | |
| Bai et al. | Using Sky‐pointing fish‐eye camera and LiDAR to aid GNSS single‐point positioning in urban canyons | |
| CN109116867A (zh) | 一种无人机飞行避障方法、装置、电子设备及存储介质 | |
| EP2597485B1 (en) | Rapid lidar image correlation for ground navigation | |
| CN110889808A (zh) | 一种定位的方法、装置、设备及存储介质 | |
| Bonetto et al. | irotate: Active visual slam for omnidirectional robots | |
| CN114140761A (zh) | 点云配准方法、装置、计算机设备和存储介质 | |
| CN110988949A (zh) | 定位方法、定位装置、计算机可读存储介质与可移动设备 | |
| CN115112122B (zh) | 基于多传感器融合的定位方法、系统、设备及存储介质 | |
| CN108628318A (zh) | 拥堵环境检测方法、装置、机器人及存储介质 | |
| Dill et al. | 3D Multi‐copter navigation and mapping using GPS, inertial, and LiDAR | |
| Dill et al. | Seamless indoor-outdoor navigation for unmanned multi-sensor aerial platforms | |
| CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
| CN113177980A (zh) | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 | |
| Wang et al. | A Path Planning Algorithm for UAV 3D Surface Inspection Based on Normal Vector Filtering and Integrated Viewpoint Evaluation | |
| CN110794434B (zh) | 一种位姿的确定方法、装置、设备及存储介质 | |
| EP4459570A1 (en) | Associating measurement points to spline points in determinations of a free space boundary in a vehicle assistance system | |
| Almanza-Ojeda et al. | Occupancy map construction for indoor robot navigation | |
| Lee et al. | Development of advanced grid map building model based on sonar geometric reliability for indoor mobile robot localization | |
| Ma et al. | Outdoor Positioning Based on ROS LiDAR Navigation Compared with RTK GPS Accuracy | |
| WO2021087785A1 (zh) | 地形检测方法、可移动平台、控制设备、系统及存储介质 | |
| O’Connor et al. | Low-latency GNSS multipath simulation and building wall detection in urban environments | |
| Zheng et al. | Indoor Mobile Robot Map Construction Based on Improved Cartographer Algorithm |
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 |