一种基于自适应蒙特卡罗定位的机器人定位方法技术

本发明专利技术提供一种基于自适应蒙特卡罗定位的机器人定位方法，包括：采用预抓取技术将机器人所在环境的地图信息进行预抓取；在待定位的机器人运动过程中，计算相似位能区；根据三维栅格和相似位能区，采用自适应样本的蒙特卡罗定位方法对机器人进行定位。本发明专利技术方法不仅具备常规蒙特卡罗定位方法的所有优点，而且能够在保证样本的多样性、计算的高效性的同时，解决位置跟踪、全局定位和机器人“绑架”三个定位问题。计算所有传感器位能和值的好处就是不用考虑机器人的朝向，这样就减少了一个维度，使计算量大大减小。

【技术实现步骤摘要】
【专利摘要】本专利技术提供，包括：采用预抓取技术将机器人所在环境的地图信息进行预抓取；在待定位的机器人运动过程中，计算相似位能区；根据三维栅格和相似位能区，采用自适应样本的蒙特卡罗定位方法对机器人进行定位。本专利技术方法不仅具备常规蒙特卡罗定位方法的所有优点，而且能够在保证样本的多样性、计算的高效性的同时，解决位置跟踪、全局定位和机器人“绑架”三个定位问题。计算所有传感器位能和值的好处就是不用考虑机器人的朝向，这样就减少了一个维度，使计算量大大减小。【专利说明】
本专利技术涉及机器人定位
，具体涉及。
技术介绍
机器人在感知一执行的过程中，总是存在着很大的不确定性。机器人本身的观测必然是不完整的、充满噪声的，因此有效的定位成为实现机器人能够自主移动探索环境的先决条件。目前机器人定位问题主要有:位置跟踪、全局定位和机器人“绑架”问题。目前大部分研究集中于解决其中一个问题，很少有人能够同时解决这三个问题，特别是“绑架”问题(定位领域最难的问题之一)。为了解决这些问题，越来越多的学者将概率理论应用到机器人的定位导航中，因为概率理论对于解决充满不确定性的问题具有先天优势。目前比较有代表性是基于贝叶斯滤波和马尔可夫模型的定位方法，例如:扩展卡尔曼滤波定位方法、网格定位方法和蒙特卡罗定位方法等。 贝叶斯滤波定位方法的基本思想是将机器人定位问题转化为状态空间中机器人的状态估计问题，其实质是试图用所有已知信息来构造系统状态变量的后验概率密度，即用系统模型预测状态的先验概率密度，再使用最近的测量值进行修正，得到后验概率密度。扩展卡尔曼滤波定位方法的主要缺点是只能够维持一个信度，因此它只能用来解决位置跟踪问题。网格定位方法可以维持多个信度，但是它在计算量和存储量上需求巨大。蒙特卡罗定位方法与网格定位方法相比，在计算量和存储量上大大减少。常规蒙特卡罗定位方法基于粒子滤波，用一系列加权的样本来代表后验信度。其核心思想是对样本进行评价，当样本与当前观测值位置越接近时，样本的权值越高，下次采样时它被采样几率就越大。但是常规蒙特卡罗定位方法的问题在于:(I)权重较大的样本存在多次采样问题，破坏了样本的多样性；(2)采样的数据过多会占据较大的计算资源，采样的数据过少时又很难保证对信度的有效描述；(3)不能解决机器人被“绑架”问题。
技术实现思路
针对现有技术存在的问题，本专利技术提供。 本专利技术的技术方案是: ，包括以下步骤: 步骤1:采用预抓取技术将机器人所在环境的地图信息进行预抓取； 步骤1.1:对获取的机器人所在环境的地图信息进行栅格化处理； 步骤1.2:对机器人所在环境的地图分解成多个三维栅格； 步骤1.3:预计算机器人的各传感器在每个三维栅格获得的位能值，确定每一个三维栅格的位能栅格形式，即预计算机器人的各传感器在每个三维栅格获得的位能和值 【权利要求】1.，其特征在于:包括以下步骤: 步骤1:采用预抓取技术将机器人所在环境的地图信息进行预抓取； 步骤1.1:对获取的机器人所在环境的地图信息进行栅格化处理； 步骤1.2:对机器人所在环境的地图分解成多个三维栅格； 步骤1.3:预计算机器人的各传感器在每个三维栅格获得的位能值，确定每一个三维栅格的位能栅格形式，即预计算机器人的各传感器在每个三维栅格获得的位能和值为预计算的机器人的第i个传感器在其所在三维栅格中获得的位能值，i=I,…，I ； 步骤2:在待定位的机器人运动过程中，计算相似位能区；步骤2.1:在待定位的机器人运动过程中，机器人的各传感器实时获得机器人在各三维栅格的位能值，并实时计算机器人的各传感器在其所在的三维栅格中获取的位能和值，e,为实时计算的机器人的第i个传感器在其所在三维栅格中获得的位能值； 步骤2.2:分别对实时计算的机器人的各传感器在其所在的三维栅格中获取的位能和值和预计算的机器人的各传感器在每个三维栅格获得的位能和值进行规范化处理:步骤2.3:对规范化处理后的实时计算的机器人的各传感器在其所在的三维栅格中获取的位能和值和预计算的机器人的各传感器在每个三维栅格获得的位能和值进行能量匹配:计算两位能和值的差值的绝对值，若该绝对值小于设定的能量临界值，则对应的三维栅格判定为属于相似位能区； 步骤3:根据三维栅格和相似位能区，采用自适应样本的蒙特卡罗定位方法对机器人进行定位； 步骤3.1:以三维栅格作为最小单位，采用重要性采样方法获得加权的随机采样的样本集合，该集合中的每一个样本均由机器人的姿态及权重构成，该集合中的样本的个数为Mz; 步骤3.2:根据样本的权重判断机器人是否被“绑架”:如果权重的最大值低于给定的临界值，则机器人被“绑架”，此时，将加权的随机采样的样本集合中的一部分样本转化为全局样本，则局部样本数为]^ = α.ΜΖ，参数α为决定全局样本和局部样本的比例的系数，相应的全局样本数为Mq = Mz-Mj ;如果权重的最大值不低于给定的临界值，则加权的随机采样的样本集合中的所有样本全部为局部样本； 步骤3.3:根据权重重新采样局部样本，得到局部样本集； 步骤3.4:若当前机器人处于被“绑架”状态，在相似能量区中重新随机采样全局样本，得到全局样本集，若当前机器人处于未被“绑架”状态，直接执行步骤3.5 ； 步骤3.5:对局部样本集和全局样本集取并集，得到最终的机器人姿态集合，即机器人定位结果。2.根据权利要求1所述的基于自适应蒙特卡罗定位的机器人定位方法，其特征在于:所述传感器为距离传感器或视觉传感器。【文档编号】G01C21/00GK104180799SQ201410336894【公开日】2014年12月3日 申请日期:2014年7月15日 优先权日:2014年7月15日 【专利技术者】张磊, 张华希, 方正, 徐泉, 刘腾飞, 于合强 申请人:东北大学本文档来自技高网...

【技术保护点】
一种基于自适应蒙特卡罗定位的机器人定位方法，其特征在于：包括以下步骤：步骤1：采用预抓取技术将机器人所在环境的地图信息进行预抓取；步骤1.1：对获取的机器人所在环境的地图信息进行栅格化处理；步骤1.2：对机器人所在环境的地图分解成多个三维栅格；步骤1.3：预计算机器人的各传感器在每个三维栅格获得的位能值，确定每一个三维栅格的位能栅格形式，即预计算机器人的各传感器在每个三维栅格获得的位能和值e′i为预计算的机器人的第i个传感器在其所在三维栅格中获得的位能值，i＝1，…，I；步骤2：在待定位的机器人运动过程中，计算相似位能区；步骤2.1：在待定位的机器人运动过程中，机器人的各传感器实时获得机器人在各三维栅格的位能值，并实时计算机器人的各传感器在其所在的三维栅格中获取的位能和值ei为实时计算的机器人的第i个传感器在其所在三维栅格中获得的位能值；步骤2.2：分别对实时计算的机器人的各传感器在其所在的三维栅格中获取的位能和值和预计算的机器人的各传感器在每个三维栅格获得的位能和值进行规范化处理：E‾=1IE]]>E′′=1IE′]]>步骤2.3：对规范化处理后的实时计算的机器人的各传感器在其所在的三维栅格中获取的位能和值和预计算的机器人的各传感器在每个三维栅格获得的位能和值进行能量匹配：计算两位能和值的差值的绝对值，若该绝对值小于设定的能量临界值，则对应的三维栅格判定为属于相似位能区；步骤3：根据三维栅格和相似位能区，采用自适应样本的蒙特卡罗定位方法对机器人进行定位；步骤3.1：以三维栅格作为最小单位，采用重要性采样方法获得加权的随机采样的样本集合，该集合中的每一个样本均由机器人的姿态及权重构成，该集合中的样本的个数为MZ；步骤3.2：根据样本的权重判断机器人是否被“绑架”：如果权重的最大值低于给定的临界值，则机器人被“绑架”，此时，将加权的随机采样的样本集合中的一部分样本转化为全局样本，则局部样本数为MJ＝α·MZ，参数α为决定全局样本和局部样本的比例的系数，相应的全局样本数为MQ＝MZ‑MJ；如果权重的最大值不低于给定的临界值，则加权的随机采样的样本集合中的所有样本全部为局部样本；步骤3.3：根据权重重新采样局部样本，得到局部样本集；步骤3.4：若当前机器人处于被“绑架”状态，在相似能量区中重新随机采样全局样本，得到全局样本集，若当前机器人处于未被“绑架”状态，直接执行步骤3.5；步骤3.5：对局部样本集和全局样本集取并集，得到最终的机器人姿态集合，即机器人定位结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张磊，张华希，方正，徐泉，刘腾飞，于合强，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21