CN109798896B - 一种室内机器人定位与建图方法及装置 - Google Patents
一种室内机器人定位与建图方法及装置 Download PDFInfo
- Publication number
- CN109798896B CN109798896B CN201910052711.6A CN201910052711A CN109798896B CN 109798896 B CN109798896 B CN 109798896B CN 201910052711 A CN201910052711 A CN 201910052711A CN 109798896 B CN109798896 B CN 109798896B
- Authority
- CN
- China
- Prior art keywords
- particle
- particles
- weight
- moment
- pose
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013507 mapping Methods 0.000 title claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 301
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000012952 Resampling Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种室内机器人定位与建图方法及装置，包括：进行粒子采样，获取k时刻每个粒子的位姿，并且根据粒子个数平均分配各粒子的权值；获取k时刻的实际观测值，结合每个粒子的位姿对每个粒子的权值进行更新并归一化处理；根据更新后的每个粒子权值，计算得到有效粒子数；判断有效粒子数小于设定的阈值时，对粒子进行重采样及计算更新重采样粒子权值，否则大于时保持原采样粒子和其权值；根据更新后重采样或原采样粒子权值，利用当前状态的期望值对k时刻的机器人的实际位姿更新；利用卡尔曼滤波算法更新地图的均值和方差，以得全部粒子的地图信息，根据实际位姿建立机器人地图。本发明可在保证地图精度的同时大大提高了建图的实时性。
Description
技术领域
本发明涉及一种室内机器人定位与建图方法及装置，属于移动机器人技术领域。
背景技术
室内自主移动机器人具有广泛的应用前景，其实现自主移动需要同时具备环境建图、自主定位、路径规划等能力，而实现机器人的定位与建图功能是核心问题，也是当前机器人领域的研究热点。
基于激光雷达方式的SLAM因其稳定、可靠、高性能等技术优势，依然占据着机器人定位导航的重要位置。目前SLAM问题的解决方法以概率估计为主，主要分为卡尔曼滤波算法和粒子滤波算法，基于粒子滤波方式的算法由于不受强线性和强高斯噪声的限制，得到了更多的使用，当前使用最广泛的粒子滤波算法是RBPF算法，所述方法将SLAM问题分解为机器人自身定位和环境估计两个问题，用粒子滤波器进行路径的估计，用卡尔曼滤波器进行环境特征的估计，可以实现不错的效果。
传统的RBPF-SLAM算法在环境特征比较少的情况下可以实现比较精确地定位，随着所需粒子数目的增多、环境地图尺寸增大时，算法会占用大量的内存空间，导致算法效率比较低。
发明内容
本发明所要解决的技术问题在于，克服传统建图算法在复杂环境下带来的占用大量的内存空间、存在延迟的问题，提供一种室内机器人定位与建图方法及装置，在进行环境特征估计时利用粒子的统计特性可以把复杂的运算进行相应的简化，提高了系统实时性。
本发明具体采用以下技术方案解决上述技术问题：
一种室内机器人定位与建图方法，包括以下步骤：
步骤1、基于环境信息进行粒子采样，获取k时刻每个粒子的位姿，并且根据粒子个数平均分配各粒子的权值；
步骤2、将获取的k时刻下机器人与目标或障碍物之间距离和偏离角度作为k时刻的实际观测值，根据k时刻的实际观测值和每个粒子的位姿，对每个粒子的权值进行更新并归一化处理；
步骤3、根据步骤2更新并归一化处理后每个粒子的权值，计算得到有效粒子数；判断有效粒子数小于设定的阈值时，对粒子进行重采样，并结合k时刻的实际观测值和重采样粒子的位姿，计算并更新重采样粒子的权值；及判断有效粒子数大于设定的阈值时，保持原采样粒子及每个粒子的权值；
步骤4、根据步骤3所得重采样粒子权值或原采样粒子权值，利用加权公式计算出当前状态的期望值对k时刻的机器人的实际位姿进行更新；
步骤5、根据步骤1所获取k时刻每个粒子的位姿和k时刻的实际观测值，利用卡尔曼滤波算法更新每个粒子地图的均值和方差，以得全部粒子的地图信息；并由步骤4所更新k时刻机器人的实际位姿结合k时刻的实际观测值、机器人所在实际位姿对应粒子的地图信息，建立机器人实际地图。
进一步地，作为本发明的一种优选技术方案，所述步骤1还包括判断k时刻是否为初始时刻，是则生成初始时刻的粒子位姿，否则根据上一代粒子集中粒子的位姿结合运动模型得到k时刻每个粒子的预估位姿。
进一步地，作为本发明的一种优选技术方案，所述步骤2中对每个粒子的权值进行更新，采用公式：
其中，
表示更新后的k时刻第i个粒子的权值；
表示在k-1时刻第i个粒子的权值；p表示k时刻的概率密度函数；
表示k时刻第i个粒子的实际观测值；
表示k时刻第i个粒子的位姿。
进一步地，作为本发明的一种优选技术方案，所述步骤5中更新得全部粒子的地图信息，具体为：
根据更新所得重采样粒子权值或原采样粒子权值的大小对粒子进行排序，判断更新后各粒子组成的粒子集是否为空，如果判断为空则结束更新，反之依次取出粒子集中的粒子；
判断所取出的粒子集中的每个粒子与上一个粒子是否相似，即判断两个粒子的位姿和权值是否在设定范围内保持一致，是则对上一个粒子更新后的权值进行复制操作，反之则重新利用卡尔曼滤波进行粒子地图的均值和方差更新，以得到全部粒子的地图信息。
本发明提出的一种室内机器人定位与建图装置，包括：
运动控制模块，用于获取机器人的速度信息，并结合机器人的速度信息获取k时刻每个粒子的位姿；
激光雷达测距模块，用于获取k时刻下机器人与目标或障碍物之间距离和偏离角度并作为k时刻的实际观测值；
定位与建图模块，用于根据粒子个数平均分配各粒子的权值；并根据k时刻的实际观测值和每个粒子的位姿，对分配的每个粒子权值进行更新并归一化处理后，计算得到有效粒子数；判断有效粒子数小于设定的阈值时，控制运动控制模块对粒子进行重采样，并计算和更新重采样粒子的权值；及判断有效粒子数大于设定的阈值时，保持原采样粒子及每个粒子权值；根据所得重采样粒子权值或原采样粒子权值，利用加权公式计算出当前状态的期望值对k时刻的机器人的实际位姿进行更新；根据所获取k时刻每个粒子的位姿和k时刻的实际观测值，利用卡尔曼滤波算法更新每个粒子地图的均值和方差，以得全部粒子的地图信息；并由所更新k时刻机器人的实际位姿结合k时刻的实际观测值、机器人所在实际位姿对应粒子的地图信息，建立机器人实际地图。
本发明采用上述技术方案，能产生如下技术效果：
本发明提供的一种室内机器人定位与建图方法及装置，通过权重平衡策略进行重采样，改善了粒子的匮乏问题，在进行地图更新过程中，在特定状态下的一组粒子集中，粒子的统计特性是一致的，根据种群进化思想，可以选择其中的一个代表粒子，然后其他粒子只需要对他进行复制过程，改进方法在保证地图精度的同时大大提高了建图的实时性。
附图说明
图1为本发明室内机器人定位与建图方法的流程示意图。
图2为本发明方法中地图更新的流程示意图。
图3为本发明室内机器人定位与建图装置的结构示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示，本发明设计了一种室内机器人定位与建图方法，该方法具体包括以下步骤：
步骤1、根据建议分布进行粒子采样，获取k时刻每个粒子的位姿
其中位姿包括粒子的坐标(x,y)和角度值等；并且根据粒子个数平均分配各粒子的权值；具体如下：
基于环境信息，进行粒子采样，首先判断k时刻是否为初始时刻，即k＝0，是则生成k＝0时刻的初始的粒子i的位姿向量
并且平均分配粒子的权值
其中i＝1,2,…N，所述N为粒子个数；如果k≠0则代表不是第一次采样，则如图1所示根据上一代粒子集中粒子的位姿结合运动模型得到k时刻每个粒子的预估位姿
其中上标i表示第i个粒子，下标k代表时刻。
步骤2、将获取的k时刻下机器人与目标障碍物之间距离和偏离角度作为k时刻的实际观测值，根据k时刻的实际观测值和每个粒子的位姿，对每个粒子的权值进行更新并归一化处理；具体如下：
根据k时刻的实际观测值进行权值更新，不同的粒子都有各自相应的权值，权值大小表示采样时提议分布与目标分布的差距，通过激光雷达测距模块中传感器获得k时刻的机器人与目标之距离和角度作为实际观测值，并且利用下述公式更新粒子的权值：
其中，
表示更新后的k时刻第i个粒子的权值；
表示在k-1时刻第i个粒子的权值；p表示k时刻的概率密度函数；
表示k时刻第i个粒子的实际观测值；
表示k时刻第i个粒子的位姿。
如果粒子的权值大，说明信任该粒子比较多。在权值更新过后需要利用下述公式进行权值归一化处理：
其中，
表示归一化后的k时刻第i个粒子的权值；
表示更新后的k时刻第i个粒子的权值；N表示粒子个数。
步骤3、根据步骤2更新并归一化处理后的每个粒子权值，计算得到有效粒子数；判断有效粒子数小于设定的阈值时，对粒子进行重采样，并同步骤2所述的权值更新过程，得到更新后的重采样粒子的权值；及判断有效粒子数大于设定的阈值时，保持原采样粒子及每个粒子的权值；具体如下：
如图1所示，首先，采用下述公式计算有效粒子数Neff：
其中，
表示归一化后的k时刻第i个粒子的权值，N表示粒子个数。
如果计算的有效粒子数Neff小于设定的阈值，则进行重采样。粒子在经过几次迭代以后，很多粒子的权值变得很小，甚至为零不起作用，随着无效采样粒子的增加，大量的计算浪费于这些粒子上，使得估计效果比较差，因此当有效粒子数小于一个阈值时，进行重采样过程，本实施例设定阈值为粒子数目的一半。所述重采样过程，具体如下：
对粒子集中每个粒子按照更新后的权值大小进行排序，引入概率统计中的分布函数来描述粒子权重，求出每个粒子对应的分布函数值，就是权值排序以后权值的累加，选取分布函数值在0.5之前对应的粒子代表可信赖粒子，而分布函数值在0.5到1之间的粒子代表要被替代的粒子，提取权值前三的粒子，随机选择一个记录他的权值为w，然后从[w,0.5]之间进行重采样。采用这种重采样过程可以保证粒子置信度高又保持了粒子的多样性。
然后，采用步骤2的原理，对从重采样粒子进行权值计算，即结合k时刻的实际观测值和重采样粒子的位姿，计算出重采样粒子的权值，并更新和归一化处理后得到最终重采样粒子的权值。
步骤4、根据步骤3更新所得重采样粒子权值或原采样粒子权值，利用加权公式计算出当前状态的期望值对k时刻的机器人的实际位姿进行更新，具体如下：
本实施例的位姿更新过程，用加权公式来计算出当前状态的期望值来进行位姿更新，根据蒙特卡洛采样思想，可以用加权公式来求出当前状态的期望值E(xk)，即采用公式：
其中，
表示归一化后的k时刻第i个粒子的权值；
为狄拉克函数，当粒子可信赖时值为1，反之则为0；xk表示k时刻的实际位姿，
表示第i个粒子在k时刻的位姿；N表示粒子个数，当N足够大时，粒子描述的期望就是当前状态。
步骤5、根据步骤1更新后每个粒子的位姿和k时刻的实际观测值，利用卡尔曼滤波算法更新每个粒子地图的均值和方差，以得全部粒子的地图信息；并由步骤4所获得K时刻机器人的实际位姿结合k时刻的实际观测值和机器人所在实际位姿对应的粒子的地图信息以建立机器人实际地图。具体如下：
首先，需要根据每个粒子的位姿
在卡尔曼更新时表示成
和实际观测值zt来更新对应的粒子地图，其中涉及利用卡尔曼滤波更新粒子地图的均值和方差：
其中，
表示第i个粒子在t时刻更新后的位姿；m为卡尔曼增益，
表示第i个粒子在t时刻的预估位姿，zt代表t时刻的实际观测值；
表示第i个粒子在t时刻的预估观测值，下标t|t-1表示根据t-1时刻的值获得当前时刻t的值；
表示第i个粒子在t时刻预估位姿与实际观测值之间的协方差；I表示单位矩阵；H表示状态变量到测量的转换矩阵；
表述根据t-1时刻的值来获取的第i个粒子当前t时刻预估位姿与实际观测值之间的预估协方差。并且，所述时刻t∈k，可小于或等于上述时刻k。
根据
来获取第i个粒子的地图信息，其中mt表示t时刻的地图，z1:t表示1到t时刻的观测值，u1:t表示1到t时刻的控制信息，可以理解为运动模型的速度信息。
所述粒子地图更新的过程如图2所示，具体实现如下：通过对每一个粒子进行均值和方差更新，在环境特征比较简单的情况下能实现比较精确的定位，但环境地图的尺寸增大时，所述方法的时间和空间复杂度会大幅度增加，实时性不是很理想。在变换中粒子聚集在一些特殊位置，而处在这一位置附近的粒子的统计特性是一致的。因此，首先根据重采样粒子权值或原采样粒子权值大小对粒子进行排序，判断更新后全部粒子组成的粒子集是否为空，如果粒子集中的粒子数为0，则结束更新过程，反之依次取出粒子集中的粒子，判断该粒子与上一个粒子是否相似，及判断两个粒子的位姿和权值是否在设定范围内，即两个粒子的位姿和权值在一定范围内保持一致，如果满足相似条件，则对上一个粒子的更新的权值进行复制操作，反之则需重新利用卡尔曼滤波进行粒子的地图更新操作。通过更新每个粒子地图的均值和方差，可以得到全部粒子的地图信息。最后，并由步骤4所获得当前时刻机器人的实际位姿结合k时刻的实际观测值、机器人所在实际位姿对应的粒子的地图信息，以建立机器人实际地图。
本发明还提出一种室内机器人定位与建图装置，本装置可采用上述方法进行定位和建图。如图3所示，该装置主要包括：运动控制模块、激光雷达测距模块、定位与建图模块。
所述运动控制模块，用于通过光电编码器获取机器人的速度信息，并结合机器人的速度信息获取k时刻每个粒子的位姿，即根据k-1时刻的位姿来获取k时刻的位姿；位姿包括粒子的坐标(x,y)和角度值等信息。
所述激光雷达测距模块，用于获取k时刻下机器人与目标或障碍物之间距离和偏离角度并作为k时刻的实际观测值；
所述定位与建图模块，用于根据粒子个数平均分配各粒子的权值；并根据k时刻的实际观测值和每个粒子的位姿，对分配的每个粒子权值进行更新并归一化处理后，计算得到有效粒子数；判断有效粒子数小于设定的阈值时，控制运动控制模块对粒子进行重采样，并计算和更新重采样粒子的权值；及判断有效粒子数大于设定的阈值时，保持原采样粒子及每个粒子权值；根据更新所得重采样粒子权值或原采样粒子权值，利用加权公式计算出当前状态的期望值对k时刻的机器人的实际位姿进行更新；由所获得当前时刻机器人的实际位姿结合k时刻的实际观测值和机器人所在实际位姿对应的粒子的地图信息以建立机器人实际地图。
所述装置中激光雷达测距模块包括2D激光雷达。所述运动控制模块包括光电编码器，移动机器人的两个驱动轮上装有光电编码器，可以使用其获取的信息推算出机器人相对位置和角度的变化；所述定位与建图模块根据所述激光雷达测距模块和运动控制模块获取的信息实现对应粒子地图构建的功能。
综上，本发明根据更新后粒子集的位姿信息进行地图更新，在特定状态下的一组粒子集中，粒子的统计特性是一致的并根据种群进化思想，可以选择其中的一个代表粒子，然后其他粒子只需要对他进行复制过程，改进方法在保证地图精度的同时大大提高了建图的实时性。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种室内机器人定位与建图方法，其特征在于，包括以下步骤：
步骤1、基于环境信息进行粒子采样，获取k时刻每个粒子的位姿，并且根据粒子个数平均分配各粒子的权值；
步骤2、将获取的k时刻下机器人与目标或障碍物之间距离和偏离角度作为k时刻的实际观测值，根据k时刻的实际观测值和每个粒子的位姿，对每个粒子的权值进行更新并归一化处理；
步骤3、根据步骤2更新并归一化处理后每个粒子的权值，计算得到有效粒子数；判断有效粒子数小于设定的阈值时，对粒子进行重采样，并结合k时刻的实际观测值和重采样粒子的位姿，计算并更新重采样粒子的权值；及判断有效粒子数大于设定的阈值时，保持原采样粒子及每个粒子的权值；
步骤4、根据步骤3所得重采样粒子权值或原采样粒子权值，利用加权公式计算出当前状态的期望值对k时刻的机器人的实际位姿进行更新；
步骤5、根据步骤1所获取k时刻每个粒子的位姿和k时刻的实际观测值，利用卡尔曼滤波算法更新每个粒子地图的均值和方差，以得全部粒子的地图信息，具体为：
根据更新所得重采样粒子权值或原采样粒子权值的大小对粒子进行排序，判断更新后各粒子组成的粒子集是否为空，如果判断为空则结束更新，反之依次取出粒子集中的粒子；
判断所取出的粒子集中的每个粒子与上一个粒子是否相似，即判断两个粒子的位姿和权值是否在设定范围内保持一致，是则对上一个粒子更新后的权值进行复制操作，反之则重新利用卡尔曼滤波进行粒子地图的均值和方差更新，以得到全部粒子的地图信息；
并由步骤4所更新k时刻机器人的实际位姿结合k时刻的实际观测值、机器人所在实际位姿对应粒子的地图信息，建立机器人实际地图。
2.根据权利要求1所述室内机器人定位与建图方法，其特征在于，所述步骤1还包括判断k时刻是否为初始时刻，是则生成初始时刻的粒子位姿，否则根据上一代粒子集中粒子的位姿结合运动模型得到k时刻每个粒子的预估位姿。
3.根据权利要求1所述室内机器人定位与建图方法，其特征在于，所述步骤2中对每个粒子的权值进行更新，采用公式：
其中，
表示更新后的k时刻第i个粒子的权值；
表示在k-1时刻第i个粒子的权值；p表示k时刻的概率密度函数；
表示k时刻第i个粒子的实际观测值；
表示k时刻第i个粒子的位姿。
4.根据权利要求1所述室内机器人定位与建图方法，其特征在于，所述步骤2中对更新的每个粒子权值进行归一化处理，采用公式：
其中，
表示归一化后的k时刻第i个粒子的权值；
表示更新后的k时刻第i个粒子的权值；N表示粒子个数。
5.根据权利要求1所述室内机器人定位与建图方法，其特征在于，所述步骤3计算有效粒子数Neff，采用公式：
其中，
表示归一化后的k时刻第i个粒子的权值；N表示粒子个数。
6.根据权利要求1所述室内机器人定位与建图方法，其特征在于，所述步骤5中利用卡尔曼滤波算法更新每个粒子地图的均值和方差，采用公式：
其中，
表示第i个粒子在t时刻更新后的位姿；m为卡尔曼增益，
表示第i个粒子在t时刻的预估位姿，zt代表t时刻的实际观测值；
表示第i个粒子在t时刻的预估观测值；
表示第i个粒子在t时刻预估位姿与实际观测值之间的协方差；I表示单位矩阵；H表示转换矩阵；
表示第i个粒子在t时刻预估位姿与实际观测值之间的预估协方差。
7.一种室内机器人定位与建图装置，其特征在于，包括：
运动控制模块，用于获取机器人的速度信息，并结合机器人的速度信息获取k时刻每个粒子的位姿；
激光雷达测距模块，用于获取k时刻下机器人与目标或障碍物之间距离和偏离角度并作为k时刻的实际观测值；
定位与建图模块，用于根据粒子个数平均分配各粒子的权值；并根据k时刻的实际观测值和每个粒子的位姿，对分配的每个粒子权值进行更新并归一化处理后，计算得到有效粒子数；判断有效粒子数小于设定的阈值时，控制运动控制模块对粒子进行重采样，并计算和更新重采样粒子的权值；及判断有效粒子数大于设定的阈值时，保持原采样粒子及每个粒子权值；根据所得重采样粒子权值或原采样粒子权值，利用加权公式计算出当前状态的期望值对k时刻的机器人的实际位姿进行更新；根据所获取k时刻每个粒子的位姿和k时刻的实际观测值，利用卡尔曼滤波算法更新每个粒子地图的均值和方差，以得到 全部粒子的地图信息；并由所更新k时刻机器人的实际位姿结合k时刻的实际观测值、机器人所在实际位姿对应粒子的地图信息，建立机器人实际地图；
其中，所述得到全部粒子的地图信息，具体为：根据更新所得重采样粒子权值或原采样粒子权值的大小对粒子进行排序，判断更新后各粒子组成的粒子集是否为空，如果判断为空则结束更新，反之依次取出粒子集中的粒子；判断所取出的粒子集中的每个粒子与上一个粒子是否相似，即判断两个粒子的位姿和权值是否在设定范围内保持一致，是则对上一个粒子更新后的权值进行复制操作，反之则重新利用卡尔曼滤波进行粒子地图的均值和方差更新，以得到全部粒子的地图信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052711.6A CN109798896B (zh) | 2019-01-21 | 2019-01-21 | 一种室内机器人定位与建图方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052711.6A CN109798896B (zh) | 2019-01-21 | 2019-01-21 | 一种室内机器人定位与建图方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109798896A CN109798896A (zh) | 2019-05-24 |
| CN109798896B true CN109798896B (zh) | 2023-01-03 |
Family
ID=66559902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910052711.6A Active CN109798896B (zh) | 2019-01-21 | 2019-01-21 | 一种室内机器人定位与建图方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109798896B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110702093B (zh) * | 2019-09-27 | 2022-10-25 | 五邑大学 | 基于粒子滤波的定位方法、装置、存储介质及机器人 |
| CN110763239B (zh) * | 2019-11-14 | 2021-08-24 | 华南智能机器人创新研究院 | 滤波组合激光slam建图方法及装置 |
| CN110909105B (zh) * | 2019-11-25 | 2022-08-19 | 上海有个机器人有限公司 | 机器人地图的构建方法及系统 |
| CN110941004B (zh) * | 2019-12-04 | 2023-03-17 | 南京航空航天大学 | 一种基于gnss/uwb的移动机器人室内外联合定位方法及装置 |
| CN111107505B (zh) * | 2019-12-10 | 2021-09-24 | 北京云迹科技有限公司 | 位置预估方法、空间变换判断方法、装置、设备及介质 |
| CN111061287B (zh) * | 2019-12-31 | 2022-05-27 | 芜湖哈特机器人产业技术研究院有限公司 | 基于粒子自收敛的移动机器人重定位方法 |
| CN113190564A (zh) * | 2020-01-14 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 地图更新系统、方法及设备 |
| CN111421548B (zh) * | 2020-04-21 | 2021-10-19 | 武汉理工大学 | 一种移动机器人定位方法及系统 |
| CN111578958A (zh) * | 2020-05-19 | 2020-08-25 | 山东金惠新达智能制造科技有限公司 | 移动机器人导航实时定位方法、系统、介质及电子设备 |
| CN112284376A (zh) * | 2020-10-10 | 2021-01-29 | 南京工程学院 | 一种基于多传感器融合的移动机器人室内定位建图方法 |
| CN112698345B (zh) * | 2020-12-04 | 2024-01-30 | 江苏科技大学 | 一种激光雷达的机器人同时定位与建图优化方法 |
| CN112631430B (zh) * | 2020-12-30 | 2022-08-16 | 安徽鸿程光电有限公司 | 手势运动轨迹处理方法、装置、设备及介质 |
| CN113688258A (zh) * | 2021-08-20 | 2021-11-23 | 广东工业大学 | 一种基于柔性多维聚类的信息推荐方法及系统 |
| CN113701759B (zh) * | 2021-08-27 | 2024-05-03 | 杭州腓腓科技有限公司 | 基于可重构超材料的室内同步定位与地图构建方法与系统 |
| CN116185046B (zh) * | 2023-04-27 | 2023-06-30 | 北京宸普豪新科技有限公司 | 一种移动机器人的定位方法、移动机器人及介质 |
| CN118362113A (zh) * | 2024-04-23 | 2024-07-19 | 深圳市蓝色极光储能科技有限公司 | 基于移动机器人的构图方法以及其系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105509755B (zh) * | 2015-11-27 | 2018-10-12 | 重庆邮电大学 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
| CN105333879B (zh) * | 2015-12-14 | 2017-11-07 | 重庆邮电大学 | 同步定位与地图构建方法 |
| CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
| CN108871341B (zh) * | 2018-07-05 | 2021-12-24 | 内江市下一代互联网数据处理技术研究所 | 一种全局优化的并发定位与建图方法 |
| CN109084777A (zh) * | 2018-09-13 | 2018-12-25 | 黎建军 | 基于自适应遗传算法的粒子滤波定位与地图构建方法 |
-
2019
- 2019-01-21 CN CN201910052711.6A patent/CN109798896B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109798896A (zh) | 2019-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109798896B (zh) | 一种室内机器人定位与建图方法及装置 | |
| CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
| CN110689576B (zh) | 一种基于Autoware的动态3D点云正态分布AGV定位方法 | |
| CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
| CN110763239B (zh) | 滤波组合激光slam建图方法及装置 | |
| CN106056643B (zh) | 一种基于点云的室内动态场景slam方法及系统 | |
| CN112882056A (zh) | 基于激光雷达的移动机器人同步定位与地图构建方法 | |
| WO2019061949A1 (zh) | 一种运动行为辅助的室内融合定位方法及装置、存储介质 | |
| CN111551184B (zh) | 一种移动机器人slam的地图优化方法及系统 | |
| CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
| CN112911705A (zh) | 基于贝叶斯迭代改进的粒子群优化算法的室内定位方法 | |
| CN115952691B (zh) | 多站无源时差交叉联合定位系统的优化布站方法及装置 | |
| CN110763245A (zh) | 一种基于流式计算的地图创建方法及其系统 | |
| CN111739066B (zh) | 一种基于高斯过程的视觉定位方法、系统及存储介质 | |
| Leung et al. | An improved weighting strategy for rao-blackwellized probability hypothesis density simultaneous localization and mapping | |
| CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
| CN112857379B (zh) | 一种基于改进的Gmapping-SLAM地图更新方法及系统 | |
| CN114608585A (zh) | 一种移动机器人同步定位与建图方法及装置 | |
| Yi et al. | A UWB location algorithm---Based on adaptive Kalman filter | |
| CN113050658A (zh) | 一种基于狮群算法优化的slam算法 | |
| CN111951341A (zh) | 一种基于rgb-d slam的闭环检测改进方法 | |
| CN116341344A (zh) | 一种不确定测量下工业移动目标混合优化无线定位方法 | |
| CN116736219A (zh) | 基于改进粒子群算法的无源tdoa-fdoa联合定位优化布站方法 | |
| Lv et al. | An improved FastSLAM 2.0 algorithm based on FC&ASD-PSO | |
| CN114979943A (zh) | 一种基于raukf的rssi室内定位算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |