基于自适应蒙特卡洛和特征匹配的全局融合定位方法技术

本发明专利技术公开了一种基于自适应蒙特卡洛和特征匹配的全局融合定位方法，其包括提取栅格地图中的地图线特征存储至地图特征数据库中；提取非第二帧激光雷达扫描图的扫描图线特征，采用第一帧激光雷达扫描图计算的估算位姿对自适应蒙特卡洛的粒子集位姿初始化；对于第二帧激光雷达扫描图，采用里程计数据、运动模型、激光雷达扫描图和测量模型更新粒子的位姿和权重；对于余下帧激光雷达扫描图，采用激光雷达扫描图计算的估算位姿更新粒子集中部分粒子的初始位姿，之后更新相应粒子的权重，同时采用里程计数据、运动模型、激光雷达扫描图和测量模型更新粒子集中余下部分粒子的位姿和权重，最后将两个更新过位姿和权重的粒子集合并成新的粒子集。

Global Fusion Location Method Based on Adaptive Monte Carlo and Feature Matching

The invention discloses a global fusion positioning method based on adaptive Monte Carlo and feature matching, which includes extracting line features from raster maps and storing them in map feature database, extracting line features from non-second frame lidar scanner map, and using estimated pose calculated from first frame lidar scanner map to initialize particle set pose of adaptive Monte Carlo. For the second frame, the position and weight of particles are updated by odometer data, motion model, lidar scanning graph and measurement model; for the remaining frame, the initial position and attitude of some particles in particle concentration are updated by lidar scanning graph, and then the weight of corresponding particles is updated by mileage counting. The positions and weights of the remaining particles in the particle set are updated according to the motion model, lidar scanning image and measurement model. Finally, two sets of particles that have updated the positions and weights are added to the new particle set.

【技术实现步骤摘要】
基于自适应蒙特卡洛和特征匹配的全局融合定位方法
本专利技术涉及机器人定位
，具体涉及一种基于自适应蒙特卡洛和特征匹配的全局融合定位方法。
技术介绍
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。目前机器人在实现全局定位时，仅仅根据传感器信息来估计自身在环境地图中的全局位置，由于没有初始位姿的先验信息，不能使用单峰分布来表示位姿误差，因此全局定位问题比位姿跟踪更困难，而且包含位姿跟踪问题。此外，全局定位问题也至关重要，它能够为移动机器人提供初始位姿，当机器人遇到跟踪失败或者机器人绑架问题时，能够重新定位机器人。针对机器人的全局定位，目前有采用基于自适应蒙特卡洛(AdaptiveMonteCarloLocalization，AMCL)的全局定位算法，其采用输入栅格地图m，激光雷达的观测信息z1:t以及里程计的运动信息u1:t，输出估计位姿其处理的大体思路参考图1，其虽能本文档来自技高网...

【技术保护点】
1.基于自适应蒙特卡洛和特征匹配的全局融合定位方法，其特征在于，包括：S1、获取机器人在检测环境行走时生成的栅格地图，并提取栅格地图中的地图线特征存储至地图特征数据库中；S2、当不存在机器人的激光雷达扫描图和里程计数据输入时，退出全局融合定位；S3、当存在机器人的激光雷达扫描图和里程计数据输入时，进入步骤S4；S4、判断当前激光雷达扫描图是否为第一帧、第二帧或余下帧，若是第一帧进入步骤S5，若是第二帧进入步骤S9，若是余下帧进入步骤S12；S5、提取激光雷达扫描图中的扫描图线特征存储至地图特征模板中，查找地图特征数据库与地图特征模板中长度差小于长度阈值的地图线特征和扫描图线特征；S6、计算长度...

【技术特征摘要】
1.基于自适应蒙特卡洛和特征匹配的全局融合定位方法，其特征在于，包括：S1、获取机器人在检测环境行走时生成的栅格地图，并提取栅格地图中的地图线特征存储至地图特征数据库中；S2、当不存在机器人的激光雷达扫描图和里程计数据输入时，退出全局融合定位；S3、当存在机器人的激光雷达扫描图和里程计数据输入时，进入步骤S4；S4、判断当前激光雷达扫描图是否为第一帧、第二帧或余下帧，若是第一帧进入步骤S5，若是第二帧进入步骤S9，若是余下帧进入步骤S12；S5、提取激光雷达扫描图中的扫描图线特征存储至地图特征模板中，查找地图特征数据库与地图特征模板中长度差小于长度阈值的地图线特征和扫描图线特征；S6、计算长度差小于长度阈值的地图线特征和扫描图线特征重合时，激光雷达坐标系与栅格地图坐标系的转换关系，并利用转换关系平移和旋转激光雷达坐标系中原点计算得到候选位姿；S7、计算候选位姿上的所有全局扫描数据点到栅格地图中最近栅格占据点的距离的累加作为候选位姿的匹配拟合度，并将匹配拟合度最小的候选位姿作为估算位姿；S8、采用第一帧激光雷达扫描图计算的估算位姿对自适应蒙特卡洛的粒子集χt位姿初始化，其中粒子用于评估机器人的位姿，之后返回步骤S4；S9、根据机器人的里程计数据和运动模型，更新粒子的位姿；根据激光雷达扫描图和测量模型，计算粒子的权重；S10、根据粒子集χt中粒子的权重和位姿，计算粒子位姿的期望作为机器人的估计位姿，之后计算粒子权重的平均值、长期均值、短期均值及长期均值与短期均值的相对差值；S11、根据相对差值与零的大小关系，将粒子集χt划分成粒子集和粒子集并对粒子集进行重采样，之后返回步骤S4；S12、采用步骤S9更新粒子集中粒子的位姿和权重；S13、根据当前激光雷达扫描图执行步骤S5至步骤S7，并采用得到的估算位姿更新粒子集中粒子的位姿，之后采用当前激光雷达扫描图和测量模型，计算粒子集中粒子的权重；S14、采用更新了权重和位姿的粒子集和粒子集合并的新粒子集更新粒子集χt，之后返回步骤S10。2.根据权利要求1所述的全局融合定位方法，其特征在于，所述根据相对差值与零的大小关系，将粒子集χt划分成粒子集和粒子集进一步包括：判断相对差值是否大于零；若是，则令max＝相对差值；否则令max＝零；根据粒子集χt中的总粒子数量M和max，划分粒子集的粒子总数为M·(1-max)，粒子集的粒子总数为M·max。3.根据权利要求1所述的全局融合定位方法，其特征在于，所述提取激光雷达扫描图中的扫描图线特征存储至地图特征模板中进一步包括：计算当前激光雷达扫描图中相邻数据点之间的距离；判断所述距离是否大于预设阈值；若是，则将两个数据点划分至不同的区域；否则，将两个数据点划分至同一区域；采用分割-合并算法提取每个区域覆盖的激光雷达扫描图中的扫描图线特征存储至地图特征模板中。4.根据权利要求1所述的全局融合定位方法，其特征在于，计算候选位姿...

【专利技术属性】
技术研发人员：杨帆，章洋，胡丁文，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51