一种基于建议分布地图的室内全局定位方法技术

本发明专利技术公开了一种基于建议分布地图的室内全局定位方法，包括：对环境栅格地图进行预处理，获取可到达区域，得到可到达区域每个栅格点处模拟激光雷达扫描点云的集合；计算模拟激光雷达扫描点云集合中每个点云的旋转不变性几何特征集合以及质心方向角集合，计算当前状态下的激光雷达扫描点云相同的几何特征集合以及质心方向角；由上一步数据计算xy

【技术实现步骤摘要】
一种基于建议分布地图的室内全局定位方法


[0001]专利技术属于移动机器人
，涉及一种基于建议分布地图的室内全局定位方法。

技术介绍

[0002]近年来，机器人技术迅速发展和成熟，得益于人工智能技术的进步和突破，服务机器人智能化水平不断提高，应用场景逐渐增加，包括配送机器人、扫地机器人、新零售机器人、物流仓储机器人等，应用领域不断拓展。室内移动机器人产业市场广阔，年度销量持续创新高，其中，室内扫地机器人作为率先落地应用的家庭服务机器人，走进千家万户。
[0003]在移动机器人的相关技术中，定位技术和导航技术是十分重要的两大技术。全局定位是其中定位技术要解决的关键问题之一。全局定位算法中，环境地图是已知的，机器人在环境中的初始位姿是未知的，机器人会出现在任何可能的位置，这导致搜索空间非常大，是算法的最大难点，全局定位算法需要在这样的条件下求解机器人的当前位姿。此外，机器人定位绑架问题也可以转化为全局定位问题，机器人定位绑架是指机器人在运行过程中被移动到另一未知位置，导致之前的定位信息失效，当机器人被绑架时，机器人也可能出现在地图中的任何位置。
[0004]在现实场景中，真实环境的结构性差和传感器存在测量噪声，常常难以提取明晰的环境观测特征，不利于匹配。因此，提高全局定位算法的成功率和鲁棒性，仍具有很大的挑战性。目前的全局定位方法存在以下问题：
[0005](1)常见的粒子滤波算法如自适应蒙特卡洛定位算法通过随机采样获得粒子集，均匀分布在整个位姿空间，需要大量的初始粒子，增加了算法的计算时间，计算量较大。而且大量的粒子分布在后验概率较低的地方，浪费了计算资源，定位效率低。
[0006](2)基于结构化点线特征提取和机器学习的全局定位技术适用性差，对于一些非结构化场景，其点线结构特征不明显，且只能确定机器人大致区域。

技术实现思路

[0007]本专利技术为克服现有的全局定位方法中存在定位效率低和在非结构化场景中效果差的问题，提供一种基于建议分布地图的室内全局定位方法。
[0009]为解决上述技术问题，本专利技术的技术方案如下：一种基于建议分布地图的室内全局定位方法，所述方法包括：输入：环境栅格地图m＝{state
i
|(x
i
,y
i
)∈m},i＝1,...,N
map
，当前状态下的激光雷达扫描点云z
*
，一帧激光雷达扫描点云的点数Nr；S1，对环境栅格地图进行预处理，获取环境栅格地图中的可到达区域，得到可到达区域每个栅格点处模拟激光雷达扫描点云的集合；S2，计算模拟激光雷达扫描点云集合中每个点云的旋转不变性几何特征集合，计算当前状态下的激光雷达扫描点云相同的几何特征集合；
S3，由步骤S2数据计算xy
‑
建议分布地图中对应栅格点处的分布概率值；S4，计算模拟激光雷达扫描点云集合中每个点云的质心方向角集合，计算当前状态下的激光雷达扫描点云的质心方向角；S5，由步骤S4数据计算θ
‑
建议分布地图中对应栅格点处的分布概率值；S6，采用加权随机采样的方法从建议分布地图中采样N
sample
个粒子，构成粒子滤波的初始粒子集；S7，用AMCL算法进行运动更新、权重计算、粒子集重采样的过程，直到粒子集收敛，收敛后的粒子集均值位姿即为全局定位结果。所述步骤S1具体为：对环境栅格地图进行预处理，获取环境栅格地图中的可到达区域，遍历可到达区域中的每个点，获取该点处的模拟激光雷达扫描点云z
i
＝{b1,b2,...,b
Nr
}，其中，每个激光束b
i
是包含该激光束相对于机器人的角度ρ
i
和激光束长度l
i
的元组(ρ
i
,l
i
)。所有点的模拟激光雷达扫描点云构成集合Z＝{z1,z2,...,z
N
}。所述步骤S2具体为：针对集合Z＝{z1,z2,...,z
N
}中的每个点云z
i
＝{b1,b2,...,b
Nr
}，统计激光束长度l
i
的分布直方图，组距为参数l
bin
，根据直方图获得点云z
i
的几何特征：激光束长度最大值、激光束长度最小值激光束长度众数集合Z中所有点云的几何特征构成集合同样的方法，针对当前状态下的激光雷达扫描点云z
*
，计算相同的几何特征集合所述步骤S3具体为：原始栅格地图为m＝{state
i
|(x
i
,y
i
)∈m},i＝1,...,N
map
，xy
‑
建议分布地图为m
p
＝{p
i
|(x
i
,y
i
)∈m}，与原始栅格地图m大小相等，p
i
的意义为栅格地图中(x
i
,y
i
)点处产生观测z
*
的概率，由该点的模拟激光雷达扫描点云z
i
与实际的激光雷达扫描点云z
*
的相似程度给出，由式(a)
‑
(e)给出：w
max
+w
min
+w
m
＝1
ꢀꢀ
(b)(b)(b)式(a)为计算xy
‑
建议分布地图的第i点值p
i
的计算公式，其中w
max
、w
min
、w
m
分别为几何特征l
max
、l
min
、l
m
的权重参数，p
max
(z
*
|x
i
,y
i
,m)、p
min
(z
*
|x
i
,y
i
,m)、p
m
(z
*
|x
i
,y
i
,m)分别为几
何特征与的相似度决定的概率。对集合Z＝{z1,z2,...,z
N
}中每个模拟激光雷达扫描点云z
i
进行以上计算，可以得到xy
‑
建议分布地图为m
p
。所述步骤S4具体为：针对集合Z＝{z1,z2,...,z
N
}中的每个点云z
i
＝{b1,b2,...,b
Nr
}，其几何特征质心方向角β
i
由公式(f)(g)给出：由公式(f)(g)给出：式(f)中，(x
c
,y
c
)为z
i
的质心，(x
o
,y
o
)为产生点云本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于建议分布地图的室内全局定位方法，其特征在于，所述方法包括：输入：环境栅格地图m＝{state
i
|(x
i
,y
i
)∈m},i＝1,...,N
map
，其中N
map
为栅格地图的栅格总数，当前状态下的激光雷达扫描点云z
*
，一帧激光雷达扫描点云的点数Nr；S1，对环境栅格地图进行预处理，获取环境栅格地图中的可到达区域，得到可到达区域所有栅格点处模拟激光雷达扫描点云的集合；S2，计算模拟激光雷达扫描点云集合中每个点云的旋转不变性几何特征集合，计算当前状态下的激光雷达扫描点云相同的几何特征集合；S3，由步骤S2数据计算xy
‑
建议分布地图中对应栅格点处的分布概率值；S4，计算模拟激光雷达扫描点云集合中每个点云的质心方向角集合，计算当前状态下的激光雷达扫描点云的质心方向角；S5，由步骤S4数据计算θ
‑
建议分布地图中对应栅格点处的概率分布；S6，采用加权随机采样的方法从建议分布地图中采样粒子，构成粒子滤波器的初始粒子集；S7，用AMCL算法进行运动更新、权重计算、粒子集重采样的过程，直到粒子集收敛，收敛后的粒子集均值位姿即为全局定位结果。2.根据权利要求1所述的基于建议分布地图的室内全局定位方法，其特征在于，所述步骤S1具体为：对环境栅格地图进行预处理，获取环境栅格地图中的可到达区域，遍历可到达区域中的每个点，获取该点处的模拟激光雷达扫描点云z
i
＝{b1,b2,...,b
Nr
}，其中，每个激光束b
i
是包含该激光束相对于机器人的角度ρ
i
和激光束长度l
i
的元组(ρ
i
,l
i
)，N
r
为模拟激光雷达扫描点云的点数；所有点的模拟激光雷达扫描点云构成集合Z＝{z1,z2,...,z
N
}，N为可到达区域中点数。3.根据权利要求2所述的基于建议分布地图的室内全局定位方法，其特征在于，所述步骤S2具体为：针对集合Z＝{z1,z2,...,z
N
}中的每个点云z
i
＝{b1,b2,...,b
Nr
}，统计激光束长度l
i
的分布直方图，组距为参数l
bin
，根据直方图获得点云z
i
的几何特征：激光束长度最大值、激光束长度最小值激光束长度众数集合Z中所有点云的几何特征构成集合同样的方法，针对当前状态下的激光雷达扫描点云z
*
，计算相同的几何特征集合4.根据权利要求3所述的基于建议分布地图的室内全局定位方法，其特征在于，所述步骤S3具体为：原始栅格地图为m＝{state
i
|(x
i
,y
i
)∈m},i＝1,...,N
map
，xy
‑
建议分布地图为m
p
＝{p
i
|(x
i
,y
i
)∈m}，与原始栅格地图m大小相等，p
i
的意义为栅格地图中(x
i
,y
i
)点处产生观测z
*
的概率，由该点的模拟激光雷达扫描点云z
i
与实际的激光雷达扫描点云z
*
的相似程度给出，由式(a)
‑
(e)给出：
w
max
+w
min
+w
m
＝1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(b)(b)(b)式(a)为计算xy
‑
建议分布地图的第i点值p
i
的计算公式，其中w
max
、w
min
、w
m
分别为几何特征l
max
、l
min
、l
m
的权重参数，p
max
(z
*
|x
i
,y
i
,m)、p
min
(z
*
|x
i

【专利技术属性】
技术研发人员：王进，庄儒洪，陆国栋，于欢，刘伟隆，涂杰，张芷菱，
申请(专利权)人：浙江钱塘机器人及智能装备研究有限公司，
类型：发明
国别省市：