机器人蒙特卡罗定位方法、设备及存储介质技术

本申请公开了一种机器人蒙特卡罗定位方法、设备及存储介质，该方法包括获取机器人测量的点云数据和里程计数据；基于里程计数据利用运动模型获取粒子集中每个粒子的当前位姿；基于点云数据结合使用两种观测模型计算每个粒子的权重；利用粒子的当前位姿和权重获取机器人的位姿。通过上述方式，本申请能够提高机器人的定位精度。

【技术实现步骤摘要】
机器人蒙特卡罗定位方法、设备及存储介质
本申请涉及智能机器人
，特别是涉及机器人蒙特卡罗定位方法、设备及存储介质。
技术介绍
随着机器人相关技术的快速发展，对机器人自主导航功能需求越来越高，对于移动机器人来说，定位就是通过传感器信息确定机器人在环境地图中的位姿(包括位置和姿态)，它是移动机器人实现自主导航的关键技术。目前解决机器人估计自身在环境地图中的位置通常采用蒙特卡罗定位算法和马尔可夫定位算法，其中蒙特卡罗定位算法实现简单、定位精度高、所需计算资源少而被广泛应用。但是现有利用蒙特卡罗定位算法对机器人进行定位时还存在定位精度低的问题。
技术实现思路
本申请主要解决的技术问题是提供一种机器人蒙特卡罗定位方法、设备及存储介质，能够提高机器人的定位精度。为解决上述技术问题，本申请采用的一个技术方案是：提供一种机器人蒙特卡罗定位方法，该方法包括获取机器人测量的点云数据和里程计数据；基于里程计数据利用运动模型获取粒子集中每个粒子的当前位姿；基于点云数据结合使用两种观测模型计算每个粒子的权重；利用粒子的当前位姿和权重获取机器人的位姿。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种机器人蒙特卡罗定位设备，该设备包括处理器，处理器用于执行指令以实现上述的机器人蒙特卡罗定位方法。为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储指令/程序数据，指令/程序数据能够被执行以实现上述的机器人蒙特卡罗定位方法。>本申请的有益效果是：区别于现有技术的情况，本申请通过结合使用两种观测模型计算粒子权重，能够在减少计算量的同时，还可以减少地图中观测数据的假阳性匹配，提高定位精度。附图说明图1是本申请实施方式中一机器人蒙特卡罗定位方法的流程示意图；图2是本申请实施方式中结合使用两种观测模型计算粒子权重的流程示意图；图3是本申请实施方式中对点云数据进行网格划分的流程示意图；图4是本申请实施方式中对点云数据进行网格划分的示意图；图5是本申请实施方式中另一机器人蒙特卡罗定位方法的流程示意图；图6是本申请实施方式中机器人蒙特卡罗定位装置的结构示意图；图7是本申请实施方式中机器人蒙特卡罗定位设备的结构示意图；图8为本申请实施方式中计算机可读存储介质的结构示意图。具体实施方式为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。本申请提供一种机器人的定位方法，可用于对移动机器人定位，具体是基于蒙特卡罗定位方法对移动机器人进行定位，该方法中结合使用了似然域模型和波束模型两种观测模型计算粒子权重，能够在减少计算量的同时，还可以减少地图中观测数据的假阳性匹配，提高定位精度。请参阅图1，图1是本申请实施方式中一机器人蒙特卡罗定位方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施方式包括：S110：获取机器人测量的点云数据和里程计数据。其中，可以利用三维激光雷达获取点云数据，通过获取光脉冲打在物体上并反射回到接收器的传播时间，再根据光速已知的原理，将传播时间转换成据测量物的距离；然后对数据进行记录、分类和采集，形成三维激光点云数据，点云中每一个点包含有三维坐标和激光反射强度信息。在其他实施方式中，还可以利用其他方式获取点云数据，本申请中不对点云数据的获取方式做限定。下文中将以点云数据为激光点云数据为例对本申请的技术方案进行说明。S120：基于里程计数据利用运动模型获取粒子集中每个粒子的当前位姿。其中，蒙特卡罗定位算法是一种利用粒子表示置信度的定位算法。通过获取粒子集中每个粒子的位姿和权重，对机器人的位姿进行估计。该实施方式中，利用里程计运动模型来计算粒子位姿。其中，里程计运动模型使用相对运动信息(relativemotioninformation)，该信息由机器人内部的里程计测量。更具体地，在时间间隔(t-1,t]内，机器人从位姿xt-1前进到位姿xt，里程计反馈了从到的相对前进。这里“—”代表的是嵌在机器人内部的坐标。为了提取相对距离，运动信息ut被转变成三个步骤的序列：旋转、直线运动(平移)和另一个旋转，即初始旋转δrot1、平移δtrans和第二次旋转δrot2。获取粒子的位姿包括：根据里程计数据计算初次旋转δrot1、平移δtrans和第二次旋转δrot2，其中：其中，里程计数据ut表示从t-1时刻到t时刻机器人的相对运动。为t-1时刻的机器人在其内部坐标系下的位姿，为的横坐标，为的纵坐标，为的航向角。为t时刻的机器人在其内部坐标系下的位姿，为的横坐标，为的纵坐标，为的航向角。对初次旋转δrot1、平移δtrans和第二次旋转δrot2进行高斯采样：其中，sample(σ)表示均值为0，偏差为σ的高斯采样，αi表示给定的参数。根据上一时刻位姿xt-1＝(x′t-1y′t-1θ′t-1)和进行高斯采样的旋转平移量更新粒子的位姿xt＝(x′ty′tθ′t)：S130：基于点云数据结合使用两种观测模型计算粒子集中每个粒子的权重。粒子的权重是观测量zt在粒子下的概率，用给定。观测模型描述了根据运动模型预计的机器人状态与观测结果的一种匹配程度，并以此来校正机器人状态。在移动机器人中，常用的传感器是测距传感器，如超声波测距传感器和激光测距传感器。无论是哪一种传感器都不可避免得存在噪声，观测模型能够将传感器的各类噪声定量描述出来。概率机器人可为传感器测量噪声建立模型，所建立的模型考虑了机器人传感器固有的不确定性。形式上，观测模型定义为一个条件概率分布p(zt|xt,m)，这里，xt是机器人的位姿，zt是t时刻的观测量，m是环境地图。利用观测模型可获得粒子的权重。常用观测模型有似然域模型、波束模型、基于相关性的测量模型、基于特征的测量模型等。但是各个观测模型都存在一定的优点和缺点。如波束模型是测距仪的近似物理模型，与测距仪的几何学和物理学紧密联系，能够减少地图中观测数据的假阳性匹配；但是波束模型缺乏光滑性，会导致定位结果不准确，同时波束模型还需要很大的计算量。似然域模型能够克服上述波束模型的两大缺点，但是似然域模型缺乏一个合理的物理解释，地图中的观测数据容易出现假阳性匹配。因此，单一使用某一观测模型来计算粒子的权重效果不好，进而会影响机器人的定位精度。本申请中提供的定位方法，结合了两种观测模型来计算粒子的权重，可综合两种观测模型的优点，以提高所得数据的精度。S140：利用粒子的当前位姿和权重获取机器人的位姿。其中，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，估计位姿的计算公式为：其中，为粒子权重本文档来自技高网...

【技术保护点】
1.一种机器人蒙特卡罗定位方法，其特征在于，包括：/n获取机器人测量的点云数据和里程计数据；/n基于所述里程计数据利用运动模型获取粒子集中每个粒子的当前位姿；/n基于所述点云数据至少结合使用两种观测模型计算每个所述粒子的权重；/n利用所述粒子的当前位姿和权重获取所述机器人的位姿。/n

【技术特征摘要】
1.一种机器人蒙特卡罗定位方法，其特征在于，包括：
获取机器人测量的点云数据和里程计数据；
基于所述里程计数据利用运动模型获取粒子集中每个粒子的当前位姿；
基于所述点云数据至少结合使用两种观测模型计算每个所述粒子的权重；
利用所述粒子的当前位姿和权重获取所述机器人的位姿。


2.根据权利要求1所述的机器人蒙特卡罗定位方法，其特征在于，所述基于所述点云数据结合使用两种观测模型计算每个所述粒子的权重包括：
基于所述点云数据结合使用似然域模型和波束模型计算每个所述粒子的权重。


3.根据权利要求2所述的机器人蒙特卡罗定位方法，其特征在于，所述基于点云数据结合使用似然域模型和波束模型计算每个所述粒子的权重包括：
对所述点云数据进行采样，得到多个采样点，所述采样点包括似然域采样点和波束采样点；
利用所述似然域模型计算每个所述似然域采样点的测量概率值，利用所述波束模型计算每个所述波束采样点的测量概率值；
将所有所述似然域采样点和所述波束采样点的测量概率值进行累乘，得到所述多个采样点的测量概率值；
利用所述多个采样点的测量概率值计算所述粒子的权重。


4.根据权利要求3所述的机器人蒙特卡罗定位方法，其特征在于，所述对点云数据进行采样，得到多个采样点包括：
将所述多个采样点划分为地图中障碍物点云和非地图中障碍物点云；
其中，所述地图中障碍物点云在栅格地图中所在栅格距离其最近占据栅格的距离小于或等于第一阈值，所述非地图中障碍物点云在所述栅格地图中所在栅格距离其最近占据栅格的距离大于所述第一阈值，所述第一阈值为地图中障碍物点云在栅格地图中所在栅格距离其最近占据栅格的最大距离阈值。


5.根据权利要求4所述的机器人蒙特卡罗定位方法，其特征在于，所述利用似然域模型计算每个所述似然域采样点的测量概率值，利用所述波束模型计算每个所述波束采样点的测量概率值包括：
利用所述似然域模型计算所述似然域采样点中地图中障碍物点云的测量概率值，利用所述波束模型计算所述波束采样点中地图中障碍物点云的测量概率值；
将所有所述似然域采样点和所述波束采样点中地图中障碍物点云的测量概率值进行累乘，得到所有采样点中地图中障碍物点云的测量概率值；
利用所述所有采样点中地图中障碍物点云的测量概率值计算所述所有采样点中非地图中障碍物点云的测量概率值。


6.根据权利要求5所述的机...

【专利技术属性】
技术研发人员：孙健，林辉，卢维，殷俊，胡立志，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33