本发明涉及人工智能导航技术领域，尤其涉及一种机器人自主全局重定位方法及机器人。
背景技术：
移动机器人定位是机器人学的重要研究方向，也是机器人实现自主导航的关键，对于提高机器人自动化水平具有重要意义。定义方法通常分为两类：绝对定位和相对定位。绝对定位要求机器人在不指定初始位置的情况下确定自己的位置。相对定位指机器人在给初始位置的条件下确定自己的位置，是机器人定位处理中主要的研究方向。常用的全局重定位技术多为基于视觉的重定位技术，这种技术计算准确度高，但是受到硬件设备的制约以及图像处理技术的制约，硬件上需要满足对图像的快速采集和计算，即需要图像传感器和高性能计算单元，技术上需要满足对图像特征快速准确的提取和匹配，这对于机器人产业来说，存在生产成本和研发成本都较高的问题。
技术实现要素：
本发明的目的在于提出一种机器人自主全局重定位方法，通过地图栅格化以及对具有障碍物的栅格和不具有障碍物的栅格进行差别赋值，通过激光点位在地图中的位置描述，实现了对机器人的实际所处环境和模拟点位的快速验证，解决了点云匹配的激光-地图匹配技术来对粒子进行过滤和筛选，计算量大，计算时间长，且假阳性较高的问题。
为达此目的，本发明采用以下技术方案：
一种机器人自主全局重定位方法，将已有地图栅格化并对具有障碍物的栅格和没有障碍物的栅格进行差别赋值，将与机器人同一位置的激光雷达传感器对外部障碍物扫描得出的多个距离数据及与距离数据对应的角度数据在地图中以模拟机器人位置为原点以激光点位的形式标注出来，对每一个模拟机器人位置所对应的激光点位所在栅格的赋值积分，根据激光点位所在栅格与具有障碍物的栅格的重合率，计算激光点位所在栅格的赋值积分，筛选出至少一个模拟机器人位置，并通过粒子滤波算法从初次筛选出的机器人位置中进一步计算出机器人的正确位置。
作为本技术方案的优选方案之一，包括如下步骤：
步骤1、将已有的地图上覆盖栅格结构，并对每个栅格都初始化同一对应数值f0，并将地图上有障碍物的栅格赋值为f1，将距离障碍物的设定距离内的栅格根据其距离距其最近的障碍物所在栅格的距离赋值为qn；qn的数值居于f0和f1之间，距离障碍物越近的栅格其qn的数值越接近f1，在所述地图上的无障碍物栅格内随机分布设定密度的粒子，所述粒子用以模拟机器人的位置；
步骤2、通过激光雷达传感器测量出机器人在设定角度范围内的多个距离数值及与距离数据对应的角度数据，并将多个距离数距及对应的角度数据转换为以机器人为坐标原点的多个激光点位；对应每个粒子的位置信息重新在栅格化后的地图上描述每个粒子对应的激光点位的位置信息；计算每个粒子所对应的激光点位所在栅格的赋值积分，并根据设定的第一阈值筛选出至少一个优选粒子；
步骤3、通过对筛选出的优选粒子按照设定的转移路径进行转移，并对转移后的每个优选粒子所对应的激光点位所在的栅格的赋值进行积分，根据设定的第二阈值进一步将多个优选粒子中达到设定的第二阈值要求的部分优选粒子筛选出来；
步骤4、重复步骤3，最终筛选出唯一一个优选粒子作为最优粒子指示出机器人所在的位置。
作为本技术方案的优选方案之一，所述栅格为等距栅格，在地图上以机器人可达到的区域为限设定具有障碍物的栅格周围的m行和n列为膨胀区，所述膨胀区内的栅格的赋值qn＝f1-dn，其中dn是待赋值栅格与离其最近栅格的距离，当待赋值栅格与距离其最近的障碍物所在栅格的横向的行差是an，纵向的纵差是bn，则待赋值栅格与距离其最近的障碍物所在的栅格的距离
作为本技术方案的优选方案之一，所述f0＜＜f1，以提高赋值积分的区别度。
作为本技术方案的优选方案之一，所述栅格结构的横向栅格个数为c，所述栅格结构的纵向栅格个数为e，则栅格之间的间距r选取f1/c和f1/e这两个数值中较小的一个。
作为本技术方案的优选方案之一，所述f0取值为0，所述f1取值为100。
作为本技术方案的优选方案之一，在地图上以机器人可达到的区域为限设定具有障碍物的栅格周围的m行和n列为膨胀区，通过正序和倒序这两个不同的方向对每一个膨胀区域内的每一个栅格进行赋值，当膨胀区域内的同一栅格的正序遍历赋值和倒序遍历赋值不同时，取较大数值作为栅格的赋值，其中m、n为正整数。
作为本技术方案的优选方案之一，正序遍历栅格结构并对每一个膨胀区域内的栅格进行赋值，首先由位于被遍历的栅格右下、正下、左上和右侧的四个栅格中的至少其中一个栅格的赋值减去其与被遍历的栅格相应的距离数值以计算得出被遍历的栅格的预赋值，取最大的预赋值作为被遍历的栅格的正序赋值；
倒序遍历栅格结构并对每一个膨胀区域内进行赋值，首先由位于被遍历的栅格左侧、左上、正上、右上的四个栅格中的至少其中一个栅格的赋值减去其与被遍历的栅格相应的距离数值以计算得出被遍历的栅格的预赋值，取最大的预赋值作为被遍历的栅格的倒序赋值。
作为本技术方案的优选方案之一，以机器人为原点的坐标系中，激光雷达传感器的激光点位的位置描述为[xlyl]t，在地图上建立坐标系，则粒子所对应的位置坐标为
作为本技术方案的优选方案之一，步骤3还包括：
步骤3.1、先在其中一个优选粒子ji的周围随机分布有多个用于模拟机器人位置的转移点，取其中一个转移点si为随机坐标原点建立随机坐标系，以作为原点的转移点的朝向方向为随机坐标系x轴方向或y轴方向，所述随机坐标原点周围被障碍物占据的栅格的坐标位置在随机坐标系中重新描述；
步骤3.2、将步骤3.1中的与优选粒子ji对应的所有转移点、随机坐标和所述随机坐标原点周围被障碍物占据的栅格的坐标位置保持原分布结构依次复制到其他优选粒子的周围，且保持每一个优选粒子和与其对应的多个转移点的分布结构均相同，每个优选粒子根据其随机坐标原点周围被障碍物占据的栅格的坐标位置在地图中对应的栅格的数值进行积分并对比，找到差异性最大的转移点作为目标点；
步骤3.3、按照目标点和与目标点所对应的优选粒子的位置，确定与目标点对应的优选粒子至目标点的路径规划，驱动机器人按照路径规划到达模拟目标点，通过机器人的激光雷达传感器在设定角度范围内对周围进行测量得出第二距离数据及与第二距离数据对应的第二角度数据，将距离数据和对应的角度数据以目标点为坐标原点标注出来，成为第二激光点位；计算隶属于不同优选粒子的第二激光点位所处栅格的赋值积分，达到设定的第二阈值要求的优选粒子视为落入机器人的收敛区域。
作为本技术方案的优选方案之一，步骤3.1中，优选粒子ji为对应激光点位在栅格的赋值积分最高的。
作为本技术方案的优选方案之一，步骤3.2中还包括将其中一个优选粒子的每一个转移点所对应的激光点位所在栅格的数值进行积分，根据积分值筛选出一个最优转移点，以筛选出的最优转移点为原点，建立随机坐标系，所述最优转移点的指向方向为随机坐标系的x轴方向或y轴方向。
作为本技术方案的优选方案之一，以选中的转移点si为随机坐标系原点，转移点si朝向方向与地图坐标系的x轴方向的夹角为
作为本技术方案的优选方案之一，还包括：
步骤5、在最终筛选出的最优粒子附近，重新分布粒子；
步骤6、对步骤5中的粒子至少重复一次步骤1到步骤4。
一种机器人，包括机器人本体和安装在机器人本体上的激光雷达传感器，所述机器人本体采用所述的机器人自主全局重定位方法进行定位。
有益效果：通过地图栅格化以及对具有障碍物的栅格和不具有障碍物的栅格进行差别赋值，通过激光点位在地图中的位置描述，快速计算激光雷达传感器信息与电子地图的匹配程度，对粒子滤波算法中的粒子进行快速而准确的筛选，通过计算状态转移后匹配差异性的评估，找到转移目标点，加快了粒子收敛速度，机器人在已知的地图环境中快速准确的取得自身的位置信息，即解决机器人绑架问题。
具体实施方式
下面通过具体实施方式来进一步说明本发明的技术方案。
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。下面将结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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。
需要说明的是，本申请的说明书和权利要求书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，移动机器人常用的全局重定位技术多为基于视觉的重定位技术，这种技术计算准确度高，但是受到硬件设备的制约以及图像处理技术的制约，硬件上需要满足对图像的快速采集和计算，即需要图像传感器和高性能计算单元，技术上需要满足对图像特征快速准确的提取和匹配，这对于基于激光的机器人，在生产成本和研发成本都需要较高。
基于激光的机器人全局重定位技术也被使用在移动机器人系统中，这类技术均使用粒子滤波作为主体框架，但这种技术在实际使用中不太常见，因为大多数基于激光的机器人全局重定位技术使用单一的基于点云匹配的激光-地图匹配技术来对粒子进行过滤和筛选，计算量大，计算时间长，且假阳性较高。因此，为了解决上述问题，本发明提供了一种机器人自主全局重定位方法。
实施例1
一种机器人自主全局重定位方法，通过将已有地图栅格化并对具有障碍物的栅格和没有障碍物的栅格进行差别赋值，将与机器人同一位置的激光雷达传感器对外部障碍物扫描得出的多个距离数据及与距离数据对应的角度数据在地图中以模拟机器人位置为原点以激光点位的形式标注出来，对每一个模拟机器人位置所对应的激光点位所在栅格的赋值积分，根据激光点位与具有障碍物的栅格的重合率越高越好的原则，筛选出至少一个模拟机器人位置，并通过粒子滤波算法从初次筛选出的模拟机器人位置中计算出机器人的正确位置。在该实施例中，对栅格进行差别赋值过程中，例如可以对具有障碍物的栅格赋值为100，对没有障碍物的栅格赋值为0，只要能差别出来具有障碍物与不具有障碍物的栅格即可；也可以将对具有障碍物的栅格赋值为0，对没有障碍物的栅格赋值为100。
通过将机器人已有或已加载的地图栅格化，将地图划分为等距的多个栅格，每个栅格覆盖地图的对应部分，对具有障碍物的栅格和不具有障碍物的栅格进行差别赋值，可以是具有障碍物的栅格数值较大，不具有障碍物的栅格数值较小，也可以是具有障碍物的栅格数值较小，不具有障碍物的栅格数值较大，差别赋值主要用于在计算上区别具有障碍物的栅格和不具有障碍物的栅格。
通过将与机器人同一位置的激光雷达传感器沿设定的扫描角度对外部障碍物进行扫描，从而得出这些障碍物距机器人的距离数据和角度数据，以机器人的模拟位置为原点将上述距离数据和角度数据在地图中以激光点位的形式描述。通过激光点位所在栅格的赋值积分计算机器人模拟点位的匹配度，从中选中匹配度较高的至少一个模拟位置，进一步减少筛选范围，以快速获得机器人所在区域，重复筛选，直至确定机器人在地图中的位置。激光雷达传感器的扫描角度优选为360°扫描，在具体实施时，也可以根据具体的应用场景，设定为270°、180°、90°等。
通过地图栅格化以及对具有障碍物的栅格和不具有障碍物的栅格进行差别赋值，通过激光点位在地图中的位置描述，快速计算当前激光雷达传感器信息与电子地图的匹配程度，对粒子滤波算法中的粒子进行快速而准确的筛选，通过计算状态转移后匹配差异性的评估，找到收益最高的状态转移目标点，加快了粒子收敛速度，实现了机器人在已知的地图环境中快速准确的取得自身的位姿信息，即解决机器人绑架问题。
具体实施时，所述机器人自主全局重定位方法，包括如下发步骤：
步骤1、将已有的地图上覆盖栅格结构，并对每个栅格都初始化同一对应数值f0，并将地图上有障碍物的栅格赋值为f1，将距离障碍物的设定距离内的栅格根据其距离距其最近的障碍物所在栅格的距离赋值为qn；qn的数值居于f0和f1之间，距离障碍物越近的栅格其qn的数值越接近f1，在所述地图上的无障碍物栅格内随机分布设定密度的粒子，所述粒子用以模拟机器人的位置；为了便于计算和容错，所述栅格优选为等距栅格，所述栅格为正方形格状结构。通过初始化后针对性替换赋值的方法，高效有序的完成具有障碍物栅格和不具有障碍物栅格的赋值，简化了赋值程序，减少了赋值运算。
步骤2、通过激光雷达传感器测量出机器人在设定角度范围内的多个距离数距及与距离数据对应的角度数据，并将多个距离数据及对应的角度数据转换为以机器人为坐标原点的多个激光点位；对应每个粒子的位置信息重新在栅格化后的地图上描述其对应的激光点位的位置信息；计算每个粒子所对应的激光点位所在栅格的赋值积分，并根据设定的第一阈值筛选出至少一个优选粒子；当f1＞qn时，则筛选出大于第一阈值的粒子作为优选粒子，当f1＜qn时，则筛选出小于第一阈值的粒子作为优选粒子。第一阈值的数值根据地图的面积大小、复杂程度、f1和qn的差值比例进行具体的调整。
步骤3、通过对筛选出的优选粒子按照设定的转移路径进行转移，并对转移后的每个优选粒子所对应的激光点位所在的栅格的赋值进行积分，将多个优选粒子中达到设定的第二阈值要求的部分优选粒子筛选出来；将筛选出的优选粒子在地图上按照同一转移方式进行转移，并通过对转移后的优选粒子获得的位置信息与新的激光点位的位置信息进一步匹配缩小优选粒子的范围，所述优选粒子的转移方式可以有多种选择，可以是转变设定的角度，也可以是沿设定的方向运行设定的距离。
步骤4、重复步骤3，最终筛选出唯一一个优选粒子作为最优粒子指示出机器人所在的位置。
为了快速准确的收敛粒子，减少遗漏正确位置粒子，提高粒子筛选的指向性，在地图上以机器人可达到的区域为限设定具有障碍物的栅格周围的m行和n列为膨胀区，所述膨胀区内的栅格的赋值qn＝f1-dn，其中dn是待赋值栅格与离其最近栅格的距离，当待赋值栅格与距离其最近的障碍物所在栅格的横向的行差是an，纵向的纵差是bn，则待赋值栅格与距离其最近的障碍物所在的栅格的距离
优选的，f0＜qn＜f1。对于具有障碍物的栅格赋值较高，对于没有障碍物的栅格赋值较低，位于膨胀区内的栅格的赋值介于f0和f1之间，进一步的，为了不同粒子的区分度更明显，所述f0＜＜f1，可以很好的提高赋值积分的区别度。
膨胀区内待赋值栅格的赋值dn取决于an和bn，an和bn取决于栅格之间的间距r和待赋值栅格与具有障碍物的栅格之间的间隔栅格的数量，具体实施时，在满足qn的数值居于f0和f1之间的情况下，r可以按照栅格所对应的实际距离赋值，也可以计算并取f1/m和f1/n这两个数值中较小的数值为h，栅格之间的间距r在(0，h)范围内选取。为了保证膨胀区内的栅格赋值qn所述具有明显的区别度，且又降低误差比例，优选的，所述栅格结构的横向栅格个数为c，所述栅格结构的纵向栅格个数为e，则栅格之间的间距r选取f1/c和f1/e这两个数值中较小的一个。优选的，所述f0取值为0，所述f1取值为100，所述栅格之间的间距r＝5，m＝3，n＝3。
作为本实施例的优选实施例之一，在地图上以机器人可达到的区域为限设定具有障碍物的栅格周围的m行和n列为膨胀区，为了保证膨胀区赋值的均衡性，减少因赋值次序不同带来的误差，本发明通过正序和倒序这两个不同的方向对每一个膨胀区域内的每一个栅格进行赋值，当膨胀区域内的同一栅格的正序遍历赋值和倒序遍历赋值不同时，取较大数值作为栅格的赋值。
正序遍历赋值和倒序遍历赋值相结合的赋值方式，解决了单次赋值时待赋值栅格的上下或左右均临近具有障碍物的栅格，在赋值过程中无法正确判断距待赋值栅格最近的具有障碍物的栅格的距离的问题，以及判断距离待赋值栅格最近的障碍物计算量较大的问题。
正序和倒序的设定可以有多种组合，其目的在于从左到右，从右到左，从上到下，从下到上，从相反的方向对膨胀区的每一个栅格都进行赋值。优选的，正序的方向为自左而右，自下而上，与坐标系列相同；倒序的方向为自右而左，自上而下。其中m、n为正整数。优选的，所述栅格结构为等距栅格结构，也就是每个栅格都是相等的。
优选的，正序遍历栅格结构并对每一个膨胀区域内的栅格进行赋值，所述栅格结构为等距栅格结构，首先由位于被遍历的栅格右下、正下、左上和右侧的四个栅格中的至少其中一个栅格的赋值减去其与被遍历的栅格相应的距离数值以计算得出被遍历的栅格的预赋值，取最大的预赋值作为被遍历的栅格的正序赋值；以待赋值栅格r0为例，位于r0右侧、右下侧、正下、左下侧的栅格分别为栅格r1、r2、r3、r4，栅格的边长为r，栅格r1、r2、r3、r4的赋值分别是q1、q2、q3、q4。栅格r1、r2、r3、r4距离栅格r0的距离分别为r、
倒序遍历栅格结构并对每一个膨胀区域内进行赋值时，所述栅格结构为等距栅格结构，首先由位于被遍历的栅格左侧、左上、正上、右上的四个栅格中的至少其中一个栅格的赋值减去其与被遍历的栅格相应的距离数值以计算得出被遍历的栅格的预赋值，取最大的预赋值作为被遍历的栅格的倒序赋值。以待赋值栅格r0为例，位于r0左侧、左上、正上、右上的栅格分别为栅格r1、r2、r3、r4，栅格的边长为r，栅格r1、r2、r3、r4的赋值分别是q1、q2、q3、q4。栅格r1、r2、r3、r4距离栅格r0的距离分别为r、
为了便于粒子的数值积分计算，本发明首先在以后的地图上建立坐标系，则粒子所对应的位置坐标p为
为了进一步的对机器人进行精确的定位，本发明还包括：
步骤5、在最终筛选出的最优粒子附近，重新分布粒子；优选的，重新分布的粒子可以在方向和疏密上进行具体的调整。
步骤6、对步骤5中的粒子至少重复一次步骤1到步骤4。
所述步骤5和步骤6的设置，在步骤4的基础上，进一步的对机器人的位置进行精准定位，相对于现有技术的随机筛选比对方式，更为快捷高效，节省了大量计算时间，减少了cpu的运算负荷。步骤6中对步骤5中的粒子可以重复多次步骤1和步骤4之间的操作。
实施例2
与实施例1不同的是，所述优选粒子的转移方式如下：
步骤3.1、先在其中一个优选粒子ji的周围随机分布有多个用于模拟机器人位置的转移点，取其中一个转移点si为随机坐标原点建立随机坐标系，以作为原点的转移点的朝向方向为随机坐标系x轴方向或y轴方向，所述随机坐标原点周围被障碍物占据的栅格的坐标位置在随机坐标系中重新描述；具体实施时，也可以作为原点的转移点的朝向方向为随机坐标系y轴方向，其对应的计算公式适应性修改即可，不再赘述。
步骤3.2、将步骤3.1中的与优选粒子ji对应的所有转移点、随机坐标和所述随机坐标原点周围被障碍物占据的栅格的坐标位置保持原分布结构依次复制到其他优选粒子的周围，且保持优选粒子和与其对应的多个转移点的分布结构均相同，每个优选粒子根据其随机坐标原点周围被障碍物占据的栅格的坐标位置在地图中对应的栅格的数值进行积分并对比，找到差异性最大的转移点作为目标点。所述差异性最大的转移点的确定，将重新定位的过程由盲目的比对转换为找出差异性最大区域。并在差异性最大的区域重新对优选粒子进行验证，大大缩减了计算量和验证次数。
步骤3.3、按照目标点和与目标点所对应的优选粒子的位置，确定与目标点对应的优选粒子至目标点的路径规划，驱动机器人按照路径规划到达模拟目标点，通过机器人的激光雷达传感器在设定角度范围内对周围进行测量得出第二距离数据及与第二距离数据对应的第二角度数据，将距离数据和对应的角度数据以目标点为坐标原点标注出来，成为第二激光点位；计算隶属于不同优选粒子的第二激光点位所处栅格的赋值积分，达到设定第二阈值要求的优选粒子视为落入机器人的收敛区域，可以是超过第二阈值的优选粒子其激光点位与具有障碍物的栅格的重合率较高，也可以是低于第二阈值的优选粒子其激光点位与具有障碍物的栅格的重合率较高，总体而言，二次筛选出其激光点位与具有障碍物的栅格的重合率较高的优选粒子。达到进一步收敛优选粒子的数量，直至筛选出一个最优粒子的目的。
为了进一步加快粒子收敛的速度，提高粒子定位的明确下和差异性，步骤3.1中，优选粒子ji为所有优选粒子里面对应激光点位在栅格的赋值积分最高的。
为了进一步加快粒子收敛的速度，提高粒子定位的准确性和方向性，步骤3.2中还包括将优选粒子ji的每一个转移点所对应的激光点位所在栅格的数值进行积分，根据积分值筛选出一个最优转移点，以筛选出的最优转移点为原点，建立随机坐标系，所述最优转移点的指向方向为随机坐标系的x轴方向。以筛选出的最优转移点作为随机坐标原点的方法，提高了目标点选择的差异性，便于快速的选出差异性最大的目标点。提高了筛选效率。具体实施时，所述最优转移点的指向方向为随机坐标系的y轴方向，仅需要对计算公式进行适应性修改即可，不再赘述。
为了便于粒子的数值积分计算，本发明以选中的转移点si为随机坐标系原点，转移点si朝向方向与地图坐标系的x轴方向的夹角为
本发明还提供了一种机器人，包括机器人本体和安装在机器人本体上的激光雷达传感器，所述机器人本体采用所述的机器人自主全局重定位方法进行定位。
综上所述，通过地图栅格化以及对具有障碍物的栅格和不具有障碍物的栅格进行差别赋值，通过激光点位在地图中的位置描述，快速计算当前激光雷达传感器信息与电子地图的匹配程度，对粒子滤波算法中的粒子进行快速而准确的筛选，通过计算状态转移后匹配差异性的评估，找到转移目标点，加快了粒子收敛速度，机器人在已知的地图环境中快速准确的取得自身的位置信息，即解决机器人绑架问题。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。