一种室内多楼层的传感器融合因子图定位方法技术

本发明专利技术提供了一种室内多楼层的传感器融合因子图定位方法，包括：基于机器人的比例信息、WiFi信号强度信息、点云信息和导航状态，构建多传感器融合的因子图定位模型；对所述因子图定位模型融合增量平滑技术进行处理，获取机器人的定位结果。本发明专利技术对导航关键参数和传感器的标度因子进行了实时估计和反馈，矫正导航系统的信息，提高了定位的精确度和鲁棒性。提高了定位的精确度和鲁棒性。提高了定位的精确度和鲁棒性。

【技术实现步骤摘要】
一种室内多楼层的传感器融合因子图定位方法


[0001]本专利技术属于机器人定位
，尤其涉及一种室内多楼层的传感器融合因子图定位方法。

技术介绍

[0002]近年来，在电子技术、通信技术、物联网和互联网等几个新型领域的共同发展下，智能机器人技术已逐渐成为一种全球性的科学技术。而精确的位置服务是机器人控制的关键环节之一，近年来已成为一个重要课题。机器人常用的定位方式主要有相对和绝对定位，绝对定位通过检测机器人内部状态信息的传感器直接获得自身位姿，最具代表性的有全球定位系统(GPS)、伽利略、北斗等卫星导航系统定位；而对于相对定位而言，在机器人获取初始位姿后，通过航迹编码器和机器人外部环境感知传感器观测信息来估计当前相对于起始点的自身位置。其中，常使用的有里程计、激光雷达、相机等。两种定位方式都不是完美的，都存在优缺点。比如，GPS适合室外空旷环境条件下使用，在室内GPS信号差，定位效果不佳；里程计航迹推算伴随机器人轮胎打滑和地面摩擦力，以及自身噪声影响，在移动过程中易产生累计误差，而且无法自我修正；目前楼层定位技术主要基于无线电信号和气压，存在楼层识别不稳定的问题。与已有的定位技术相比，目前室内机器人定位会配备多种传感器，以获得更精确、更可靠的导航解决方案。虽然采用不同传感器组合可以提高定位精度，但传感器测量的异步性和非线性使来自多传感器的测量信息难以有效融合，定位精度和鲁棒性不够高。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出了一种室内多楼层的传感器融合因子图定位方法，对导航关键参数和传感器的标度因子进行了实时估计和反馈，矫正导航系统的信息，提高了定位的精确度和鲁棒性。
[0004]为实现上述目的，本专利技术提供了一种室内多楼层的传感器融合因子图定位方法，包括：
[0005]基于机器人的比例信息、WiFi信号强度信息、点云信息和导航状态，构建多传感器融合的因子图定位模型；
[0006]对所述因子图定位模型融合增量平滑技术进行处理，获取机器人的定位结果。
[0007]可选地，构建多传感器融合的所述因子图定位模型包括：
[0008]基于机器人的比例信息，构建比例因子节点子模型；其中，所述比例信息通过里程计和惯性测量单元结合共同获取；
[0009]基于机器人的WiFi信号强度信息，构建WiFi因子节点子模型；
[0010]基于机器人的点云信息，构建点云因子节点子模型；其中，所述点云信息通过激光雷达和超声波结合共同获取；
[0011]基于所述比例因子节点子模型、WiFi因子节点子模型、点云因子节点子模型以及
先验信息，构建所述因子图定位模型；其中，所述先验信息为所述导航状态的初始值信息。
[0012]可选地，所述导航状态包括：位置信息、角度信息、路标信息和地图信息。
[0013]可选地，所述比例因子节点子模型的表达式为：
[0014][0015]其中，H(X,f
b
,w
b
,v
o
)为比例因子的预测测量函数，f
b
、w
b
分别为由惯性传感器测量的比力和角加速度，v
o
为Odometer(里程计)测量的机器人运动的速度信息，X为导航状态，为导航状态方程的连续非线性微分方程。
[0016]可选地，所述WiFi因子节点子模型的表达式为：
[0017]f(X
i
)＝d(Z
‑
H(X
i
,RSS
i
))
[0018]其中，RSS
i
为WiFi在i时刻接受到所有AP的信息，H(
·
)为WiFi位置估计和楼层估计的观测预测函数，X
i
为第i时刻的位姿状态，Z为WiFi的观测量，f(X
i
)为WiFi因子。
[0019]可选地，所述点云因子节点子模型的表达式为：
[0020]f(x
i
‑
1,x
i
)＝d(z
i
‑
H(x
i
‑1,x
i
))
[0021]其中，X
i
‑1为第i
‑
1时刻的位姿状态，X
i
为第i时刻的位姿状态，H(
·
)为点云相对位姿观测预测函数，Z
i
为Lidar(激光雷达)的观测量，l为对应的路标点，f(x
i
‑1，x
i
)为Lidar的二元因子。
[0022]可选地，所述增量平滑处理方式为：
[0023][0024]其中，R为当前已有的分解因子，R'为更新后的因子矩阵，W
T
为新加入的量测信息，γ为量测信息对应的新元素，d为计算过程变量，新的残差矩阵。
[0025]可选地，对所述因子图定位模型融合增量平滑技术的处理包括：
[0026]针对导航平滑的需求，每个传感器测量随着时间变化将在因子图中生成一个新的因子节点；因此，所述因子图定位模型中会有新的因子节点被添加，其中包括比例因子节点、WiFi因子节点和点云因子节点；加入新的因子节点仅对部分导航状态变量的估计产生影响，将受影响以及涉及到的状态量与新因子节点包含的状态量进行非线性融合，从而实现机器人导航状态的增量更新。
[0027]与现有技术相比，本专利技术具有如下优点和技术效果：
[0028]本专利技术既可以补偿现有方法中传感器固有的偏差和累计误差，矫正本身相似特征重定位问题，实现机器人在多楼层的精确定位。本专利技术运用因子图方法，既有效处理了数据杂而多的问题保证了实时性，又提高的了定位精度和鲁棒性，使得室内自主移动机器人运行更加适应复杂环境。
附图说明
[0029]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0030]图1为本专利技术实施例的一种室内多楼层的传感器融合因子图定位方法流程示意
图；
[0031]图2为本专利技术实施例的因子图定位模型框架示意图。
具体实施方式
[0032]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0033]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0034]实施例
[0035]如图1所示，本实施例提供了一种室内多楼层的传感器融合因子图定位方法，包括：
[0036]基于机器人的比例信息、WiFi信号强度信息、点云信息和导航状态构建多传感器融合的因子图定位模型；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室内多楼层的传感器融合因子图定位方法，其特征在于，包括：基于机器人的比例信息、WiFi信号强度信息、点云信息和导航状态，构建多传感器融合的因子图定位模型；对所述因子图定位模型融合增量平滑技术进行处理，获取机器人的定位结果。2.根据权利要求1所述的室内多楼层的传感器融合因子图定位方法，其特征在于，构建多传感器融合的所述因子图定位模型包括：基于机器人的比例信息，构建比例因子节点子模型；其中，所述比例信息通过里程计和惯性测量单元结合共同获取；基于机器人的WiFi信号强度信息，构建WiFi因子节点子模型；基于机器人的点云信息，构建点云因子节点子模型；其中，所述点云信息通过激光雷达和超声波结合共同获取；基于所述比例因子节点子模型、WiFi因子节点子模型、点云因子节点子模型以及先验信息，构建所述因子图定位模型；其中，所述先验信息为所述导航状态的初始值信息。3.根据权利要求2所述的室内多楼层的传感器融合因子图定位方法，其特征在于，所述导航状态包括：位置信息、角度信息、路标信息和地图信息。4.根据权利要求2所述的室内多楼层的传感器融合因子图定位方法，其特征在于，所述比例因子节点子模型的表达式为：其中，H(X,f
b
,w
b
,v
o
)为比例因子的预测测量函数，f
b
、w
b
分别为由惯性传感器测量的比力和角加速度，v
o
为里程计测量的机器人运动的速度信息，X为导航状态，为导航状态方程的连续非线性微分方程。5.根据权利要求2所述的室内多楼层的传感器融合因子图定位方法，其特征在于，所述WiFi因子节点子模型的表达式为：f(X
i
)＝d(Z
‑
H(X
i
,RSS
i
))其中，RSS
i
为WiF...

【专利技术属性】
技术研发人员：张立阳，武星宇，潘雷，高瑞，张倩，张理栋，许晨瑜，
申请(专利权)人：天津城建大学，
类型：发明
国别省市：