一种全局定位方法及装置制造方法
【专利摘要】本申请提供一种全局定位方法及装置，通过获取机器人当前的感知信息，将感知信息融合到高斯分布中生成提议分布，然后对提议分布进行测量更新得到机器人位姿概率分布，最后利用机器人位姿概率分布计算机器人的位姿，以实现对机器人的全局定位，保证了在降低计算复杂度的基础上，提高全局定位的准确性。
【专利说明】一种全局定位方法及装置
【技术领域】
[0001]本申请涉及自主导航【技术领域】，特别是涉及一种全局定位方法及装置。
【背景技术】
[0002]机器人定位问题是移动机器人导航研究中的关键问题，全局定位是自主机器人最基本、最重要的一项功能，对移动机器人定位的研究有非常重要的意义。
[0003]现有技术通常使用MCL (Monte Carlo Localization,蒙特卡罗定位)来实现机器人的全局定位，MCL作为一种概率定位方法，主要是利用状态空间中一些带权重的采样来表示机器人状态的后验密度分布，因而能表示任意的概率分布，解决非线性非正态分布的状态估计问题，在机器人定位领域已经取得了许多成功，并被应用到实际的机器人系统中，但该方法存在许多局限性:一个是如果在正确状态附近没有足够的粒子会导致滤波器发散。另一个是粒子经常快速收敛仅能得到子最优结果。
[0004]如何提高滤波器的准确性和有效性，并防止粒子发散和滤波器退化是研究者一直关心的问题。为了防止滤波器退化，经常应用采样重要性重新采样，但该中方法往往导致粒子的耗尽问题。为了使粒子更好的表示后验概率密度，Trun提出了混合MCL，以及基于自适应采样的方法，虽然这些方法可以提高滤波器的有效性，但也加重了计算负担。
[0005]因此，亟需一种全局定位方法及装置，以实现在全局定位过程中，在降低计算复杂度的基础上，提高全局定位的准确性。
【发明内容】
[0006]有鉴于此，本申请实施例提供一种全局定位方法及装置，以实现在全局定位过程中，在降低计算复杂度的基础上，提高全局定位的准确性。
[0007]为了实现上述目的，本申请实施例提供的技术方案如下:
[0008]一种全局定位方法，包括:
[0009]获取机器人当前的感知信息，将所述感知信息融合到高斯分布中生成提议分布；
[0010]对所述提议分布进行测量更新得到机器人位姿概率分布；
[0011]利用所述机器人位姿概率分布计算所述机器人的位姿。
[0012]优选的，所述获取机器人当前的感知信息，将所述感知信息融合到高斯分布中生成提议分布，包括:
[0013]将预先设置的先验密度、运动噪声以及感知噪声通过高斯混合模型GMM表示；
[0014]利用中心差分粒子滤波器、通过GMM表示后的先验密度、运动噪声以及感知噪声计算预测状态密度；
[0015]获取机器人当前的感知信息；
[0016]将所述感知信息融合到所述预测状态密度中生成提议分布。
[0017]优选的，对所述提议分布进行测量更新得到机器人位姿概率分布，包括:
[0018]在所述提议分布中提取与预先设置的提取条件相对应的初始粒子集；[0019]分别计算所述初始粒子集中每个粒子的权重；
[0020]对所述初始粒子集中的各个粒子的权重进行规一化；
[0021]利用基于K维数的聚类算法，计算适合加权粒子集的G-模型GMM ；
[0022]利用所述GMM计算所述加权粒子集的统计特性，得到机器人位姿概率分布。
[0023]优选的，还包括:通过自适应聚类选择GMM个数。
[0024]优选的，还包括:判断是否结束全局定位。
[0025]一种全局定位装置，包括:提议分布生成单元、测量更新单元以及位姿计算单元，其中，
[0026]所述提议分布生成单元用于获取机器人当前的感知信息，将所述感知信息融合到高斯分布中生成提议分布；
[0027]所述测量更新单元与所述提议分布生成单元相连接，用于对所述提议分布进行测量更新得到机器人位姿概率分布；
[0028]所述位姿计算单元与所述测量更新单元相连接，用于利用所述机器人位姿概率分布计算所述机器人的位姿。
[0029]优选的，所述提议分布生成单元包括:高斯分布表示单元、预测状态密度计算单元、感知信息获取单元以及提议分布生成子单元，其中，
[0030]所述高斯分布表示单元用于将预先设置的先验密度、运动噪声以及感知噪声通过高斯混合模型GMM表示；
[0031]所述预测状态密度计算单元与所述高斯分布表示单元相连接，用于利用中心差分粒子滤波器、通过GMM表示后的先验密度、运动噪声以及感知噪声计算预测状态密度；
[0032]所述感知信息获取单元用于获取机器人当前的感知信息；
[0033]所述提议分布生成子单元的一端与所述预测状态密度计算单元相连接，另一端与所述感知信息获取单元相连接，用于将所述感知信息融合到所述预测状态密度中生成提议分布。
[0034]优选的，所述测量更新单元包括:提取单元、第一计算单元、规一化单元、第二计算单元以及位姿概率分布计算单元，其中，
[0035]所述提取单元与所述提议分布生成单元相连接，用于在所述提议分布中提取与预先设置的提取条件相对应的初始粒子集；
[0036]所述第一计算单元与所述提取单元相连接，用于分别计算所述初始粒子集中每个粒子的权重；
[0037]所述规一化单元与所述第一计算单元相连接，用于对所述初始粒子集中的各个粒子的权重进行规一化；
[0038]所述第二计算单元与所述规一化单元相连接，用于利用基于K维数的聚类算法，计算适合加权粒子集的G-模型GMM ；
[0039]所述位姿概率分布计算单元与所述第二计算单元相连接，用于利用所述GMM计算所述加权粒子集的统计特性，得到机器人位姿概率分布。
[0040]优选的，还包括:选择单元，所述选择单元的一端与所述第二计算单元相连接，另一端与所述位姿概率分布计算单元相连接，用于通过自适应聚类选择GMM个数。
[0041]优选的,还包括:判断单元,所述判断单元的一端与所述位姿计算单元相连接,另一端与所述测量更新单元相连接，用于判断是否结束全局定位。
[0042]本申请提供一种全局定位方法及装置，通过获取机器人当前的感知信息，将感知信息融合到高斯分布中生成提议分布，然后对提议分布进行测量更新得到机器人位姿概率分布，最后利用机器人位姿概率分布计算机器人的位姿，以实现对机器人的全局定位，保证了在降低计算复杂度的基础上，提高全局定位的准确性。
【专利附图】
【附图说明】
[0043]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 [0044]图1为本申请实施例一提供的一种全局定位方法流程图；
[0045]图2为本申请实施例二提供的一种全局定位装置结构示意图；
[0046]图3为本申请实施例二提供的一种提议分布生成单元结构示意图；
[0047]图4为本申请实施例二提供的一种测量更新单元结构示意图。
【具体实施方式】
[0048]为了使本【技术领域】的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0049]实施例一:
[0050]图1为本申请实施例一提供的一种全局定位方法流程图。
[0051 ] 如图1所示，该方法包括:
[0052]S101、获取机器人当前的感知信息，将感知信息融合到高斯分布中生成提议分布。
[0053]在本申请实施例中，该过程主要为:首先将预先设置的先验密度、运动噪声以及感知噪声通过GMM(Gaussian mixture model,高斯混合模型)表示,然后利用中心差分粒子滤波器、通过GMM表示后的先验密度、运动噪声以及感知噪声计算预测状态密度，并获取机器人当前的感知信息，最后将感知信息融合到预测状态密度中生成提议分布，本申请提供的该过程的【具体实施方式】如下:
[0054]在本申请实施例中，首先获取机器人当前的感知信息z，在时刻t-Ι假设先验密度P (xt_! I Zt^1),运动噪声ρ( ε t_i)和感知噪声p( nt)已知，并且用GMM表示:
[0055]I Z^1) = Σ^=1 Ν{μΙ,,), ?>(εJ 二 Υ^=ιβΙ—ΜΜ】
[0056]PdJl) 二 Σ'Ι； Ti ,，K)
[0057]定义g' =g+(1-l)G，g" =g' +(j-l)GI，现在根据下面步骤用中心差分滤波器计算 P (xt I ζΜ)和 P (xt I zt)的 GMM 近似:
[0058]
【权利要求】
1.一种全局定位方法，其特征在于，包括: 获取机器人当前的感知信息，将所述感知信息融合到高斯分布中生成提议分布； 对所述提议分布进行测量更新得到机器人位姿概率分布； 利用所述机器人位姿概率分布计算所述机器人的位姿。
2.根据权利要求1所述的方法，其特征在于，所述获取机器人当前的感知信息，将所述感知信息融合到高斯分布中生成提议分布，包括: 将预先设置的先验密度、运动噪声以及感知噪声通过高斯混合模型GMM表示； 利用中心差分粒子滤波器、通过GMM表示后的先验密度、运动噪声以及感知噪声计算预测状态密度； 获取机器人当前的感知信息； 将所述感知信息融合到所述预测状态密度中生成提议分布。
3.根据权利要求1所述的方法，其特征在于，对所述提议分布进行测量更新得到机器人位姿概率分布，包括: 在所述提议分布中提取与预先设置的提取条件相对应的初始粒子集； 分别计算所述初始粒子集中每个粒子的权重； 对所述初始粒子集中的各个粒子的权重进行规一化； 利用基于K维数的聚类算法，计算适合加权粒子集的G-模型GMM ；` 利用所述GMM计算所述加权粒子集的统计特性，得到机器人位姿概率分布。
4.根据权利要求3所述的方法，其特征在于，还包括:通过自适应聚类选择GMM个数。
5.根据权利要求1所述的方法，其特征在于，还包括:判断是否结束全局定位。
6.一种全局定位装置，其特征在于，包括:提议分布生成单元、测量更新单元以及位姿计算单元，其中， 所述提议分布生成单元用于获取机器人当前的感知信息，将所述感知信息融合到高斯分布中生成提议分布； 所述测量更新单元与所述提议分布生成单元相连接，用于对所述提议分布进行测量更新得到机器人位姿概率分布； 所述位姿计算单元与所述测量更新单元相连接，用于利用所述机器人位姿概率分布计算所述机器人的位姿。
7.根据权利要求6所述的装置，其特征在于，所述提议分布生成单元包括:高斯分布表示单元、预测状态密度计算单元、感知信息获取单元以及提议分布生成子单元，其中， 所述高斯分布表示单元用于将预先设置的先验密度、运动噪声以及感知噪声通过高斯混合模型GMM表不； 所述预测状态密度计算单元与所述高斯分布表示单元相连接，用于利用中心差分粒子滤波器、通过GMM表示后的先验密度、运动噪声以及感知噪声计算预测状态密度； 所述感知信息获取单元用于获取机器人当前的感知信息； 所述提议分布生成子单元的一端与所述预测状态密度计算单元相连接，另一端与所述感知信息获取单元相连接，用于将所述感知信息融合到所述预测状态密度中生成提议分布。
8.根据权利要求6所述的装置，其特征在于，所述测量更新单元包括:提取单元、第一计算单元、规一化单元、第二计算单元以及位姿概率分布计算单元，其中， 所述提取单元与所述提议分布生成单元相连接，用于在所述提议分布中提取与预先设置的提取条件相对应的初始粒子集； 所述第一计算单元与所述提取单元相连接，用于分别计算所述初始粒子集中每个粒子的权重； 所述规一化单元与所述第一计算单元相连接，用于对所述初始粒子集中的各个粒子的权重进行规一化； 所述第二计算单元与所述规一化单元相连接，用于利用基于K维数的聚类算法，计算适合加权粒子集的G-模型GMM ； 所述位姿概率分布计算单元与所述第二计算单元相连接，用于利用所述GMM计算所述加权粒子集的统计特性，得到机器人位姿概率分布。
9.根据权利要求8所述的装置，其特征在于，还包括:选择单元，所述选择单元的一端与所述第二计算单元相连接，另一端与所述位姿概率分布计算单元相连接，用于通过自适应聚类选择GMM个数。
10.根据权利要求6所述的装置，其特征在于，还包括:判断单元，所述判断单元的一端与所述位姿计算单元相连接，另一端与所述测量更新单元相连接，用于判断是否结束全局定位。
【文档编号】G01C21/00GK103616021SQ201310649076
【公开日】2014年3月5日 申请日期:2013年12月4日 优先权日:2013年12月4日
【发明者】厉茂海, 林睿, 王振华, 陈国栋, 孙荣川 申请人:苏州大学张家港工业技术研究院