基于多传感器的地面机器人定位方法技术

本发明专利技术涉及一种基于多传感器的地面机器人定位方法，包括以下步骤：在机器人上安装编码器、相机和IMU惯性测量单元；地面上铺设多个二维码作为地图标记；在机器人行进过程中，编码器里程计模块通过卡尔曼滤波器融合编码器和IMU数据提供连续惯性航迹推算,“视觉-惯导”定位模块通过非线性优化优化算法融合图像、IMU、编码器里程计航迹和运动流形约束，求解出机器人六维位姿；二维码检测模块提供全局位姿校正。本发明专利技术高效的融合了环境纹理、二维码、惯性测量和编码器多种数据信息，不同数据类型采用不同的融合策略，提供高精度机器人六维位姿定位。定位。定位。

【技术实现步骤摘要】
基于多传感器的地面机器人定位方法


[0001]本专利技术涉及智能机器人领域，特别涉及一种基于多传感器的地面机器人定位方法。

技术介绍

[0002]机器人定位是指机器人在移动过程中，通过采集的传感器数据，与地图进行信息匹配，从而获取自身在环境中的位姿。定位是机器人基本的模块，准确的自我定位是机器人导航的前提。
[0003]二维码定位是常见的一种定位方式，在仓储机器人、分拣机器人等方向应用广泛。预先在地面上铺设二维码，机器人在二维码组成的网格上运动；通过相机拍摄地面，识别图像中的二维码来实现机器人全局定位。两个二维码之间的路程通过IMU惯性测量单元和编码器来定位，从而给导航算法提供连续的轨迹信息。但是由于地面起伏、轮胎侧滑等原因的影响，IMU和编码器定位误差会迅速积累。从而导致机器人的轨迹误差和停止误差增大。
[0004]场景中的二维码是离散铺设的，在机器人行进过程中，能够检测到二维码的图像比例非常低，往往远低于1％。在没有铺设二维码的区域，相机拍摄的图像数据没能提供定位信息，这就造成了视觉信息的浪费。
[0005]如何在不增加成本的前提下，提高机器人上现有的传感器数据的利用率，改善定位精度和鲁棒性，是亟需解决的问题。
[0006]“视觉-惯导”里程计(visual-inertial odometry)技术通过融合单目相机和IMU惯性测量单元数据，能够提供真实尺度的定位信息。在无二维码的区域，可以使用“视觉-惯导”里程计技术来提供定位信息，提高视觉信息的利用率，并与编码器里程计的定位结果融合互补。
[0007]但是，“视觉-惯导”里程计因IMU的积分受到其初始值的影响，在地面机器人上的定位效果不好。地面机器人的运动往往比较平稳，多以匀加速直线运动、原地旋转运动为主，这种运动会导致“视觉-惯导”里程计的尺度信息无法观测。地面机器人的pitch和roll方向的变化非常小，也很难实现精确观测。机器人yaw方向角度也会随着时间漂移。
[0008]如何抑制“视觉-惯导”里程计在地面机器人应用中遇到的上述问题，是影响“惯导-视觉”里程计定位精度的关键问题。
[0009]在多传感器定位时，如何评估不同传感器的定位误差，根据何种策略来融合数据，都是影响融合效果的重要因素。标准的卡尔曼滤波器的融合策略并不适用所有情形，需要在实践中探索新的融合方案。

技术实现思路

[0010]鉴于上述技术中的不足，本专利技术提供了新的多传感器定位方法，该在不改变硬件配置的情况下，更有效的利用传感器数据，提高地面机器人定位精度及鲁棒性。
[0011]第一方面，通过“视觉-惯导”里程计技术使得每帧图像都能提供定位信息。当图像
中存在二维码时，通过二维码检测算法提供全局位置信息校；当图像中不存在二维码时，则通过“视觉-惯导”里程计算法来提供连续定位。
[0012]第二方面，改进了“视觉-惯导”里程计技术，把编码器里程计的航迹数据和机器人运动流形约束加入到非线性优化中。编码器里程计轨迹能够提供真实尺度信息，而运动流形约束则对机器人的pitch和roll角度提供约束。从而消除了地面机器人的“视觉-惯导”里程计中尺度、pitch和roll这三个维度难以测量的问题。
[0013]第三方面，改进了多传感器定位融合策略。编码器和IMU数据融合策略采用融合增量值的方式，而不是融合绝对数值；增量值及其噪声方差仅对最近时间段的运动状态进行建模，建模精度更高。二维码定位噪声方差加入了位置相关项，二维码中心距离图像中心越远，定位噪声方差越大；该方差项体现了相机的成像特性，即离图像中心越远，相机的投影畸变和成像噪声越大。
[0014]基于多传感器的定位方法，包含以下步骤：
[0015]步骤s1，在机器人上安装相机和IMU惯性测量单元，在驱动轮上安装编码器，并标定传感器的内参和外参；
[0016]步骤s2，在地面上铺设二维码，并将二维码的全局坐标和尺寸信息进行编码；
[0017]步骤s3，机器人的初始位置放置在某个二维码上方，通过二维码定位来初始化机器人的位置；
[0018]步骤s4，在机器人行进过程中，采集图像数据、IMU数据和编码器数据，不同传感器具有不同的采样周期；
[0019]步骤s5，编码器里程计模块通过卡尔曼滤波器，增量融合IMU和编码器数据，进行航迹推演，推算出机器人连续三维位姿轨迹gP
k
(x,y,θ)；
[0020]步骤s6，“视觉-惯导”里程计定位模块结合图像、IMU、编码器里程计轨迹及运动流形约束；通过非线性优化技术求解出机器人的当前六维位姿vPos
k
(x,y,z,α,β,θ)；
[0021]步骤s7，二维码检测模块扫描图像，如果能检测出二维码，则根据二维码特征点求解出机器人的全局位姿bPos
k
(x,y,z,α,β,θ)，否则bPos
k
(x,y,z,α,β,θ)设为无效值；
[0022]步骤s8，利用卡尔曼滤波器融合“视觉-惯导”定位vPos
k
(x,y,z,α,β,θ)及二维码定位bPos
k
(x,y,z,α,β,θ)的值。融合后的位姿作为机器人的当前位姿。
[0023]多传感器定位方法，在硬件方面的操作有：标定机器人驱动轮直径，建立编码器读数增量到车轮移动距离的变换函数Tr(x)；标定机器人左右驱动轮的轮间距B；标定相机内参和外参；标定IMU的外参；对多个传感器需进行时间戳对齐。
[0024]编码器里程计的增量融合方案为：
[0025]假设时刻t
k-1
的机器人编码器里程计求解的三维位姿为gP
k-1
＝(x(k-1),y(k-1),θ(k-1))；
[0026]步骤s51，从IMU的陀螺仪来估计机器人方向角变化量,
[0027]陀螺仪提供角速度信息，通过对yaw方向角速度的积分，可以得到机器人相对上次定位时刻航向角变化量为：
[0028][0029]其中n
g
(k)为陀螺仪角度测量的高斯噪声，该噪声的均值为零，方差为
随着时间线性增长；
[0030]步骤s52，从编码器来估计机器人航向角变化量，
[0031]根据编码器读数增量及变换函数Tr(x)，计算左轮行进距离ΔS
l
和右轮行驶距离ΔS
r
，则机器人走过的路程为ΔS＝(ΔS
l
+ΔS
r
)*0.5；
[0032]机器人的航向角变化量为：e(dθ)＝(ΔS
r-ΔS
l
)/B+n
e
(k)
[0033]其中n
e
(k)为编码器测量的高斯噪声，该噪声的均值为零，方差为随着机器人行走路程的增加线性增长；B为机器人左右轮间距；
[0034]步骤s53，融合航向角变化量，
[0035]增本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感器的地面机器人定位方法，其特征在于，所述定位方法包括：步骤s1，在机器人上安装相机和IMU惯性测量单元，在驱动轮上安装编码器，并标定传感器的内参和外参；步骤s2，在地面上铺设二维码，并将二维码的全局坐标和尺寸信息进行编码；步骤s3，机器人的初始位置放置在某个二维码上方，通过二维码定位来初始化机器人的位置；步骤s4，在机器人行进过程中，采集图像数据、IMU数据和编码器数据，不同传感器具有不同的采样周期；步骤s5，编码器里程计模块通过卡尔曼滤波器，增量融合IMU和编码器数据，进行航迹推演，推算出机器人连续三维位姿轨迹gP
k
(x，y，θ)；步骤s6，“视觉-惯导”定位模块结合图像、IMU、编码器里程计轨迹及运动流形约束；通过非线性优化技术求解出机器人的当前六维位姿vPos
k
(x，y，z，α，β，θ)；步骤s7，二维码检测模块扫描图像，如果能检测出二维码，则根据二维码特征点求解出机器人的全局位姿bPos
k
(x，y，z，α，β，θ)，否则bPos
k
(x，y，z，α，β，θ)设为无效值；步骤s8：利用卡尔曼滤波器融合“视觉-惯导”定位vPos
k
(x，y，z，α，β，θ)及二维码定位bPos
k
(x，y，z，α，β，θ)的值，融合后的位姿作为机器人的当前位姿。2.根据权利要求1所述的方法，其特征在于，对机器人硬件的处理有，标定机器人驱动轮直径，建立编码器读数增量到车轮移动距离的变换函数Tr(x)；标定机器人左右驱动轮的轮间距B；标定相机内参和外参；标定IMU的外参；对多个传感器需要进行时间戳对齐。3.根据权利要求1所述的方法，其特征在于，在步骤s5中，编码器里程计模块通过卡尔曼滤波器融合编码器和IMU数据，融合策略采用增量融合的方式；增量融合策略是指仅融合传感器的增量值，而不是绝对数值；假设时刻t
k-1
的机器人编码器里程计求解的三维位姿为gP
k-1
＝(x(k-1)，y(k-1)，θ(k-1))；卡尔曼滤波器增量融合的步骤为：步骤s51，从IMU的陀螺仪来估计机器人方向角变化量，陀螺仪提供角速度信息，通过对yaw方向角速度的积分，可以得到机器人相对上次定位时刻航向角变化量为：其中n
g
(k)为陀螺仪角度测量的高斯噪声，该噪声的均值为零，方差为(k)为陀螺仪角度测量的高斯噪声，该噪声的均值为零，方差为随着时间线性增长；步骤s52，从编码器来估计机器人航向角变化量，根据编码器读数增量及变换函数Tr(x)，计算出左轮行进距离ΔS
l
和右轮行驶距离ΔS
r
，则机器人走过的路程为ΔS＝(ΔS
l
+ΔS
r
)*0.5；
机器人的航向角变化量为：e(dθ)＝(ΔS
r-ΔS
l
)/B+n
e
(k)其中n
e
(k)为编码器测量的高斯噪声，该噪声的均值为零，方差为(k)为编码器测量的高斯噪声，该噪声的均值为零，方差为随着机器人行走路程的增加线性增长；B为机器人左右轮间距；步骤s53，融合航向角变化量，增量融合g(dθ)和e(dθ)，融合结果作为编码器里程计的航向角变化量，根据卡尔曼滤波器原理，有：方差σ
g
(k)和σ
e
(k)的值都是从上个采样时刻起开始估算，而Δθ的方差为在机器人静止和运动时，系数c1和c2...

【专利技术属性】
技术研发人员：刘永，刘超，
申请(专利权)人：上海知步邦智能科技有限公司，
类型：发明
国别省市：