【技术实现步骤摘要】
一种轮式移动机器人精确定位方法
[0001]本专利技术属于移动机器人定位
,具体涉及一种轮式移动机器人精确定位方法。
技术介绍
[0002]在移动机器人定位
中,移动机器人用于定位与探索的传感器有惯性导航单元(Inertial Measurement Unit,IMU)、相机、激光雷达等。由于单个传感器性能的局限性,通常要使用多传感器融合的方法进行机器人定位。视觉惯性里程计(Visual
‑
Inertial Odometry,VIO)是一种以视觉和IMU融合的方法实现定位的里程计,按照融合方式可以分为松耦合和紧耦合两种方法,紧耦合相对于松耦合充分利用了传感器信息,可以实现更好的效果,也是目前VIO发展的研究重点。
[0003]常用VIO的紧耦合方法可以分为基于优化的VIO算法,如VINS,OKVIS等,以及基于滤波的VIO算法,如MSCKF,ROVIO等。相较于基于滤波的VIO算法,MSCFK精度相当,速度更快,更适合在计算资源有限的平台上使用。由于IMU输出频率比相机输出频率高,在MSCKF流程中需要处理多帧IMU数据才能融合一帧图像数据,在处理连续多帧IMU数据时会带来一定的误差,而且在MSCKF(Multi
‑
State Constraint Kalman Filter,MSCKF)框架中对机器人位置的估计使用了IMU中的加速度计,其中的重力加速度也会导致MSCFK的精度有一定下降,从而影响移动机器人定位结果。
技术实现思路
[0004]为 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种轮式移动机器人精确定位方法,具体步骤如下:S1、初始化系统模型,构建系统状态向量X和系统误差状态向量状态向量X中包含IMU状态量X
I
和N个相机历史位姿S2、IMU状态预测,构建系统误差向量中IMU分量的误差状态方程、以及滤波器的状态协方差矩阵P
k|k
,之后每收到一帧IMU数据则进行一次预测,预测系统状态向量中IMU分量以及滤波器的协方差矩阵;S3、处理方式决策,在每个时刻根据接收到的数据类型建立不同的观测方程,若当前时刻接收到轮式里程计信息则执行步骤S4,若接收到图像信息或同时接收到两个传感器信息则执行步骤S5,若机器人停止工作或断电,则结束算法;S4、建立里程计信息观测模型,并更新状态向量与协方差矩阵,使用轮式里程计的位置观测量构建状态向量残差观测量的观测方程,使用EKF框架更新状态向量以及协方差矩阵,最后重复执行步骤S2;S5、处理图像信息,使用特征点检测以及光流追踪法处理图像信息,跟踪、匹配之前图像中的特征点以及获取新一帧图像的特征点,之后将新一帧图像的位姿pose加入到状态向量,并扩充协方差矩阵;S6、根据特征点跟踪结果建立图像信息观测模型,并更新状态向量与协方差矩阵,对于在步骤S5丢失跟踪的特征点使用特征点三角化计算特征点的3D坐标,结合历史图像信息建立约束关系,使用该约束关系建立状态向量残差观测方程,最后更新状态向量以及协方差矩阵;S7、修正系统状态向量与协方差矩阵维度,对于更新之后的状态向量,如果状态向量中相机状态个数大于N,则剔除距离当前时刻最久的相机状态以及对应的协方差,最后重复执行步骤S2。2.根据权利要求1所述的一种轮式移动机器人精确定位方法,其特征在于,所述步骤S2中,具体步骤如下:S21、IMU的误差状态向量定义为误差状态方程为:其中,F是状态转移矩阵,C
I
是噪声转移矩阵,n
I
是系统噪声向量,表示对时间的积分,滤波器的协方差矩阵为:其中,为15*15的IMU协方差矩阵,为IMU与相机位姿的协方差相关矩阵,为6N*6N的相机位姿协方差矩阵;S22、IMU分量中姿态四元数预测采用0阶积分,速度和位置预测采用Euler积分,加速度计零偏b
a
、陀螺仪零偏b
g
保持不变;S23、IMU数据协方差矩阵预测迭代公式如下:
其中,下标k+1|k表示k时刻进行预测k+1时刻的变量值,当前Φ(t
k
+t,t
k
)根据下式微分方程数值积分计算而成,初值Φ(t
k
,t
k
)=E,t
k
表示开始接收IMU信息的时刻,t表示两帧数据的时间间隔,E为单位矩阵,为Φ(t
k
+t,t
k
)对时间的微分:3.根据权利要求1所述的一种轮式移动机器人精确定位方法,其特征在于,所述步骤S4中,具体步骤如下:建立观测模型,设轮式里程计位置观测为p
m
,构建残差观测模型r=HX,H是观测矩阵,更新流程如下:H=[O3×
3 O3×
3 O3×
3 O3×
3 E3×
3 O3×
6N
]K=P
k+1|k
H
T
(HP
k+1|k
H
技术研发人员:邵继业,杨文章,彭倍,葛森,
申请(专利权)人:四川阿泰因机器人智能装备有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。