机器人定位方法及设备与流程

本发明涉及计算机领域，尤其涉及一种机器人定位方法及设备。

背景技术：

目前，各类机器人层出不穷，自主定位与导航是其关键技术。对于基于激光的自主定位机器人，怎么样全局定位出机器人的位姿是目前亟待解决的问题。

技术实现要素：

本发明的一个目的是提供一种机器人定位方法及设备。

根据本发明的一个方面，提供了一种机器人定位方法，该方法包括：

根据机器人采集的激光雷达数据、里程计数据和惯性测量单元数据，确定所述机器人所在环境的当前位姿；

根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图；

根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息。

进一步的，上述方法中，根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图，包括：

根据所述机器人的当前位姿，并基于激光slam技术构建所述机器人所在环境的栅格地图。

进一步的，上述方法中，根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息，包括：

通过特征匹配的方法，获取机器人采集的当前激光雷达数据的特征点与所述特征点地图中相匹配的特征点；

通过ndt算法，获取所述相匹配的特征点的位姿；

以所述相匹配的特征点的位姿作为初始位姿，将所述初始位姿和栅格地图输入到mcl算法中，以求解出所述机器人当前在所述栅格地图中的位姿信息。

进一步的，上述方法中，根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，包括：

提取所述激光雷达数据的关键帧中的特征点的位置，并计算所述特征点的描述子；

根据所述机器人所在环境的当前位姿和栅格地图，将所述特征点的位置以及特征点的描述子追加到特征点地图中。

根据本发明的另一方面，还提供了一种机器人定位设备，该设备包括：：

第一装置，用于根据机器人采集的激光雷达数据、里程计数据和惯性测量单元数据，确定所述机器人所在环境的当前位姿；

第二装置，用于根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图；

第三装置，用于根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

第四装置，用于根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息。

进一步的，上述设备中，所述第二装置，用于根据所述机器人的当前位姿，并基于激光slam技术构建所述机器人所在环境的栅格地图。

进一步的，上述设备中，所述第四装置，用于通过特征匹配的方法，获取机器人采集的当前激光雷达数据的特征点与所述特征点地图中相匹配的特征点；通过ndt算法，获取所述相匹配的特征点的位姿；以所述相匹配的特征点的位姿作为初始位姿，将所述初始位姿和栅格地图输入到mcl算法中，以求解出所述机器人当前在所述栅格地图中的位姿信息。

进一步的，上述设备中，所述第三装置，用于提取所述激光雷达数据的关键帧中的特征点的位置，并计算所述特征点的描述子；根据所述机器人所在环境的当前位姿和栅格地图，将所述特征点的位置以及特征点的描述子追加到特征点地图中。

根据本发明的另一面，还提供一种基于计算的设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

根据机器人采集的激光雷达数据、里程计数据和惯性测量单元数据，确定所述机器人所在环境的当前位姿；

根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图；

根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息。

根据本发明的另一面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：

根据机器人采集的激光雷达数据、里程计数据和惯性测量单元数据，确定所述机器人所在环境的当前位姿；

根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图；

根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息。

与现有技术相比，本发明通过构建栅格地图的同时构建特征点地图，所述特征点地图中包含了从激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子，后续可以根据所述特征点地图，精确求解出所述机器人当前在所述栅格地图中的全局位姿信息

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明一个方面的建立gridmap和pointmap的原理图；

图2示出根据本发明一个方面的一种机器人定位方法的原理图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

如图1～2所示，本发明提供一种机器人定位方法，包括：

步骤s1，根据机器人采集的激光雷达数据、里程计(odom)数据和惯性测量单元(imu)数据，确定所述机器人所在环境的当前位姿；

步骤s2，根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图(gridmap)；

步骤s3，根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图(pointmap)，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

在此，对于高频率的激光数据，并不是每一帧都需要存储下来，为了减少计算量和ram消耗，使用一些策略挑选出有用的激光数据帧即为关键帧；

步骤s4，根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息，即全局位姿信息。

在此，本发明通过构建栅格地图的同时构建特征点地图，所述特征点地图中包含了从激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子，后续可以根据所述特征点地图，精确求解出所述机器人当前在所述栅格地图中的全局位姿信息。

本发明的机器人定位方法一实施例中，步骤s2，根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图(gridmap)，包括：

根据所述机器人的当前位姿，并基于激光slam技术构建所述机器人所在环境的栅格地图(gridmap)，从而能建立准确的栅格地图。

如图2所示，本发明的机器人定位方法一实施例中，步骤s4，根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息，包括：

步骤s41，通过特征匹配的方法，获取机器人采集的当前激光雷达数据的特征点与所述特征点地图中相匹配的特征点；

步骤s42，通过ndt(normaldistributiontransform)算法，获取所述相匹配的特征点的位姿(旋转与平移)；

步骤s43，以所述相匹配的特征点的位姿作为初始位姿，将所述初始位姿和栅格地图输入到mcl算法(montecarlolocalizationalgorithm，蒙特卡罗定位算法)中，以求解出所述机器人当前在所述栅格地图中的位姿信息，从而能建立准确的求解出所述机器人当前在所述栅格地图中的位姿信息。

本发明的机器人定位方法一实施例中，步骤s3，根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图(pointmap)，包括：

步骤s31，提取所述激光雷达数据的关键帧中的特征点的位置，并计算所述特征点的描述子；

步骤s32，根据所述机器人所在环境的当前位姿和栅格地图，将所述特征点的位置以及特征点的描述子追加到特征点地图中，从而能得到准确的特征点地图。

根据本发明的另一方面，还提供了一种机器人定位设备，该设备包括：：

第一装置，用于根据机器人采集的激光雷达数据、里程计数据和惯性测量单元数据，确定所述机器人所在环境的当前位姿；

第二装置，用于根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图；

第三装置，用于根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

第四装置，用于根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息。

进一步的，上述设备中，所述第二装置，用于根据所述机器人的当前位姿，并基于激光slam技术构建所述机器人所在环境的栅格地图。

进一步的，上述设备中，所述第四装置，用于通过特征匹配的方法，获取机器人采集的当前激光雷达数据的特征点与所述特征点地图中相匹配的特征点；通过ndt算法，获取所述相匹配的特征点的位姿；以所述相匹配的特征点的位姿作为初始位姿，将所述初始位姿和栅格地图输入到mcl算法中，以求解出所述机器人当前在所述栅格地图中的位姿信息。

进一步的，上述设备中，所述第三装置，用于提取所述激光雷达数据的关键帧中的特征点的位置，并计算所述特征点的描述子；根据所述机器人所在环境的当前位姿和栅格地图，将所述特征点的位置以及特征点的描述子追加到特征点地图中。

根据本发明的另一面，还提供一种基于计算的设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

根据机器人采集的激光雷达数据、里程计数据和惯性测量单元数据，确定所述机器人所在环境的当前位姿；

根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图；

根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息。

根据本发明的另一面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：

根据机器人采集的激光雷达数据、里程计数据和惯性测量单元数据，确定所述机器人所在环境的当前位姿；

根据所述机器人的当前位姿，构建所述机器人所在环境的栅格地图；

根据所述机器人所在环境的当前位姿和栅格地图，构建所述机器人所在环境的特征点地图，其中，所述特征点地图包括从所述激光雷达数据的关键帧提取的特征点的位置以及特征点的描述子；

根据所述特征点地图，求解出所述机器人当前在所述栅格地图中的位姿信息。

本发明的各设备和存储介质实施例的详细内容，具体可参见各方法实施例的对应部分，在此，不再赘述。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。