一种机器人融合定位的方法及机器人与流程
本发明属于机器人技术领域，尤其涉及一种机器人融合定位的方法及机器人。
背景技术：
室内服务机器人逐渐进入一些公共场所，例如机场，银行，法院，酒店等。在很多应用场景中，例如在银行，需要机器人准确地停在柜台前方，此时需要机器人能够获得精确的定位信息，否则就失去了服务的意义。
现有技术中通过激光测距传感器获得机器人与所处环境中物体的距离信息，再通过滤波算法融合惯性传感器的信息与激光测距传感器的信息，从而对机器人进行定位。然而，在定位过程中，可能无法获得机器人与当前所处环境中物体的距离信息，因此造成机器人定位的精确度较低的情况。
技术实现要素：
有鉴于此，本发明实施例提供了一种机器人融合定位的方法及机器人，以解决现有技术中机器人无法获得与当前所处环境中物体的距离信息，而造成的机器人定位精确度较低的问题。
本发明实施例的第一方面提供了一种机器人融合定位的方法，包括：
获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；
根据所述定位数据判断所述激光定位数据是否异常；
若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。
本发明实施例的第二方面提供了一种机器人，包括：
数据获取单元，用于获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；
异常判定单元，用于根据所述定位数据判断所述激光定位数据是否异常；
重定位单元，用于若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。
本发明实施例的第三方面提供了一种机器人，包括：处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持机器人执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例与现有技术相比存在的有益效果是：通过获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；根据所述定位数据判断所述激光定位数据是否异常；若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。通过两种定位方式获取定位数据，将超宽带定位数据作为机器人的初始位置，实现了完全自主的机器人定位；通过判定激光定位数据是否异常，并在发生异常时进行重定位，在保证机器人定位稳定性的基础上，提高机器人的定位精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的机器人融合定位的方法的流程图；
图2是本发明另一实施例提供的机器人融合定位的方法的流程图；
图3是本发明一实施例提供的机器人的示意图；
图4是本发明另一实施例提供的机器人的示意图；
图5是本发明再一实施例提供的机器人的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参见图1，图1是本发明一实施例提供的一种机器人融合定位的方法的流程图。本实施例中机器人融合定位的方法的执行主体为机器人。如图1所示的机器人融合定位的方法可以包括以下步骤：
s101：获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据。
超宽带定位是一种非常先进且精准的超宽带(ultrawide-band，uwb)技术，满足现在各种距离无线通信的需求。通过在机器人所处的环境中布置相应数量的基站，并在机器人上安装超宽带的接收装置，通过接收装置便可以在任何时间任何地点获得机器人在环境中的全局位置。
uwb是一种新型的无线通信技术，根据美国联邦通信委员会的规范，uwb的工作频带为3.1～10.6ghz。uwb信号的发生可通过发射时间极短的窄脉冲，通过微分或混频等上变频方式调制到uwb工作频段实现。uwb具有低功耗、抗干扰能力强以及稳定性高的优势，并且不会对同一环境下的其他设备产生干扰、穿透性较强，具有很高的定位准确度和定位精度。
在机器人进行激光定位的过程中，为了避免通过激光定位不能获取机器人在当前环境中的初始位置，需要人为对机器人位置进行初始化的麻烦，提高机器人定位的效率。在本实施例中，通过超宽带获得机器人当前的位置，并将该位置作为激光定位的初始位置。
在确定了机器人的初始位置之后，机器人通过设定于自身的激光传感器获取激光定位数据，同时，通过设定与自身的接收器获取超宽带定位的超宽带定位数据。其中，激光定位数据包括了机器人在当前位置距离目标物体的距离和角度，超宽带定位数据包括机器人基于当前的环境坐标系的坐标。通过实时获取机器人当前的激光定位数据和超宽带定位数据，以使机器人可以对这两种定位数据进行处理，进而确定最终的精确位置。
s102：根据所述定位数据判断所述激光定位数据是否异常。
在获取到激光定位数据和超宽带定位数据之后，通过判断激光定位数据是否异常，来确定是否需要对激光定位数据进行初始化。
当通过激光定位数据确定的机器人位置出现较大偏差时，即激光定位数据发生异常时，一般分为两种情况，一是两个相邻的时间点获取到的机器人的两个位置的位置差超过预设的位置阈值，该位置阈值用于确定机器人在相邻时刻的位置是否超出正常范围，当两个位置之间的位置差大于或者等于该位置阈值时，则说明机器人位置发生了跳变，其中，两个位置的位置差用于表示两个位置之间的差距大小，可以为两个位置之间对应的横坐标差值和纵坐标差值，或者两个位置之间的距离，此处不做限定；二是激光定位会存在累计误差的问题，从而导致激光定位输出位置出现渐变漂移的情况。通过将激光定位输出的激光定位数据与一定的基准数据进行对比，以确定该激光定位数据是否发生异常。
s103：若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。
在根据定位数据确定激光定位数据异常时，说明机器人当前通过激光定位得到的位置信息可能不准确，或者机器人周围的障碍物阻挡了机器人进行激光定位。此时，根据超宽带定位数据中的全局位置重新初始化激光定位数据，以实现机器人当前位置处的重定位，保证机器人定位的精确性。
进一步的，如果多次出现机器人在某个区域中激光定位数据异常的情况，则记录发生异常时的机器人位置，并在此位置附近限定一个区域，当机器人再次进入此区域时，默认当前的超宽带定位数据作为机器人的位置，并使用此位置初始化激光定位系统，以此增加系统运行效率。
进一步的，在根据定位数据确定激光定位数据正常时，根据激光定位数据和超宽带定位数据确定机器人的位置信息，也可以根据激光定位数据确定机器人的位置信息。
具体的，在通过激光定位数据确定机器人的位置信息时，通过激光定位数据中的机器人与目标物体的距离和角度，确定机器人在当前环境坐标系中的坐标，进而确定机器人当前的位置信息。
具体的，由于激光定位数据很容易受到外界的影响和干扰，且超宽带定位数据具有较高的稳定性，但其精确度有限。因此，在确定激光定位数据正常之后，将两者进行融合，以在保证机器人定位数据稳定性的基础上，提升机器人定位的精确性。
上述方案，通过获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；根据所述定位数据判断所述激光定位数据是否异常；若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。通过两种定位方式获取定位数据，将超宽带定位数据作为机器人的初始位置，实现了完全自主的机器人定位；通过判定激光定位数据是否异常，并在发生异常时进行重定位，在保证机器人定位稳定性的基础上，提高机器人的定位精度。
参见图2，图2是本发明另一实施例提供的一种机器人融合定位的方法的流程图。本实施例中机器人融合定位的方法的执行主体为机器人。如图2所示的机器人融合定位的方法可以包括以下步骤：
s201：获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据。
在机器人上安装有激光传感器和超宽带数据接收器，通过激光传感器获取机器人的激光定位数据，通过超宽带数据接收器获取设置于机器人周围的超宽带基站发送的超宽带定位数据。通过同时接收这两种数据，可以保证机器人获取其当前的定位数据的稳定性和精确性。
进一步的，在步骤s201之后，还包括：
根据所述激光定位数据，判断所述机器人周围是否存在障碍物；
若所述机器人周围存在所述障碍物，则检测每个所述障碍物的位置信息；
根据每个所述障碍物的位置信息，播报预设的语音提示；所述语音提示用于提示所述机器人周围的人离开所述机器人。
具体的，通过所获取到的激光定位数据，判断当前机器人周围是否存在障碍物。其中，障碍物可以是房间中的墙壁、桌子等可能对机器人行进造成阻碍的物体。由于在人群密度较大的情况下，行人也可能对机器人的行动造成影响，因此，本实施例的障碍物还包括人。
由于机器人上的激光传感器所能检测到的范围较大，可以覆盖以机器人为圆心的四分之三的区域范围，通过激光传感器向机器人的周围发射激光，并获取激光返回的数据，该数据中包括激光所指向的目标物体到机器人的距离和角度。通过激光传感器采集机器人周围一周的数据，便可以获取到机器人周围的障碍物的位置以及与机器人之间的距离。同时设定一个距离阈值，用于通过该距离阈值判断障碍物与机器人之间的距离是否在机器人的行动范围之内，以过滤掉与机器人距离较远的障碍物。若当前目标物体与机器人之间的距离小于该距离阈值，则说明该目标物体的存在可能影响了机器人的工作或者行动，确定该目标物体为障碍物；若当前目标物体与机器人之间的距离大于或者等于该距离阈值，则说明该目标物体与机器人相距较远，对机器人的行动造成的影响较小或者没有影响，因此删除该目标物体的数据，不将该目标物体作为障碍物。
在确定了机器人周围的每个障碍物的位置信息之后，以机器人为圆心，以预设的角度为区域角度，确定机器人周围区域的扇形分区域，并判断在每个分区域中是否都存在障碍物以及障碍物的数量，如果不是全部分区域都有障碍物，按照正常避障处理即可，如果所有分区域内均存在障碍物，那么便可确定机器人已经被围住了。
下一步需要判断机器人是否被人围住，因为人具有自主移动的特性，因此，尤其是在人群密度较大的情况下，识别障碍物是否为人并进行相应的驱散，对机器人的工作或者行进有很大的帮助。机器人在原地旋转设置于机器人上的摄像头，结合机器人的朝向获取并检测人脸，判断各个分区域中是否存在人。机器人被围住可能有两种情况，一是完全被人围住，二是部分被人围住。当确认机器人被完全被人围住时，播报预定的语音提示，停止激光导航过程，保存当前位置信息，仅仅使用超宽带提供的机器人朝向信息做位置判断，当人群离开后，继续进行导航避障过程，并同时恢复获取激光定位数据的过程。
通过将激光检测范围分区并配合人脸检测和超宽带数据中机器人的方向信息，可以准确的检测机器人周边的障碍物情况，以解决机器人不能在包围圈中合理运动的问题。使机器人可以在工作或者行进过程中及时避开障碍物，提高工作和行进效率。
s202：根据所述定位数据判断所述激光定位数据是否异常。
在获取到机器人的激光定位数据和通过超宽带定位的超宽带定位数据之后，根据定位数据判断所述激光定位数据是否异常。
进一步的，步骤s202可以包括：
s2021：若所述激光定位数据与所述超宽带定位数据的差值的绝对值大于或者等于预设差值阈值，则判定所述激光定位数据异常。
具体的，通过预先设置一个差值阈值，该差值阈值用于衡量激光定位数据和超宽带定位数据之间的出入大小。通过比较激光定位数据和超宽带定位数据的差值的绝对值是否大于或者等于该差值阈值，如果大于或者等于该差值阈值，则判定激光定位数据异常，该差值阈值根据激光定位的最大方差确定。
进一步的，步骤s202还可以包括：
s2022：根据所述激光定位数据，通过贝叶斯滤波方法计算后验概率；
s2023：若所述后验概率小于预设概率阈值，则确定所述激光定位数据异常。
具体的，贝叶斯滤波方法通过预测和更新过程计算执行度的分布bel()，贝叶斯滤波是递归的，也就是说时刻t的置信度bel(xt)由时刻t-1的置信度bel(xt-1)来计算。其输入是时刻t-1的置信度，和最近的控制量ut及最近的一次测量值zt，其输出就是时刻t的置信度bel(xt)。程序1给出了贝叶斯滤波算法的一次迭代，即更新规则的递归流程。该更新规则的递归流程由前面计算的置信度bel(xt-1)计算下一时刻的置信度bel(xt)。具体贝叶斯滤波过程如下程序1所示：
algorithmbayes_filter(bel(xt-1),ut,zt)
forallxtdo
endfor
returnbel(xt)
在贝叶斯滤波的预测过程中，即上述代码的第三行。通过基于xt-1的置信度bel(xt-1)和控制ut来计算状态xt的置信度bel(xt)。具体来说，机器人分配给状态xt的置信度
贝叶斯滤波的第二个步骤叫做更新，在上述程序1的第4行代码中，贝叶斯滤波算法用已经得到的测量值zt的概率乘以置信度
根据贝叶斯定理，计算出后验概率为p(a|b)＝p(b|a)*p(a)/p(b)，结合上述的推理，最后得出贝叶斯滤波的后验概率的计算公式为：
在计算出后验概率之后，通过预先设定概率阈值，用于检测后验概率的大小。若后验概率小于该概率阈值，则确定激光定位数据异常；若后验概率大于或者等于该概率阈值，则确定激光定位数据正常。
需要说明的是，步骤s2021中判定异常的方式与步骤s2022和步骤s2023判定异常的方式，这两种判定方法可以是二选一的执行逻辑，只执行其中的一个。
优选的，两种判断激光定位数据是否异常的方法中，通过贝叶斯滤波方法计算后验概率并将其与预设的概率阈值进行比较的方法，即步骤s2021，相比于将激光定位数据与超宽带定位数据的差值绝对值，与预设差值阈值进行比较的方法，即步骤s2022和步骤s2023判断结果的精确度较低。因此，先执行步骤s2022和步骤s2023来确定激光定位数据是否异常，若异常，则最终确定激光定位数据异常；若没有发生异常，则执行步骤s2021，以进一步确定是否发生异常。若没有发生异常，则最终确定激光定位数据正常；若发生异常，则最终确定激光定位数据异常。通过这种判断方式，可以精确地判断出激光定位数据是否发生异常，以保证定位数据的准确性。
s203：若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。
在判断激光定位数据是否异常之后，若激光定位数据正常，则根据激光定位数据和超宽带定位数据确定机器人的位置信息。
进一步的，步骤s203具体包括：
若所述激光定位数据正常，则通过贝叶斯滤波方法将激光定位数据和超宽带定位数据融合得到所述位置信息。
如果激光定位正常，则使用贝叶斯滤波方法，将激光定位输出信息作为控制量ut，超宽的定位信息作为观测量zt，输入上述程序1中的算法中，获得融合后的定位结果，以降低超宽带定位所产生的误差。
上述方案，通过获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；根据所述定位数据判断所述激光定位数据是否异常；若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。在激光定位数据正常的情况下，通过贝叶斯滤波的方法将激光定位数据和所述超宽带定位数据进行融合，获得稳定、精确的机器人定位信息，同时提高机器人定位的执行效率。
参见图3，图3是本发明实施例提供的一种机器人的示意图。本实施例的机器人300包括的各单元用于执行图1对应的实施例中的各步骤，具体请参阅图1及图1对应的实施例中的相关描述，此处不赘述。本实施例的机器人300包括数据获取单元301、异常判定单元302以及重定位单元303。
数据获取单元301，用于获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；
异常判定单元302，用于根据所述定位数据判断所述激光定位数据是否异常；
重定位单元303，用于若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。
上述方案，通过获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；根据所述定位数据判断所述激光定位数据是否异常；若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。通过两种定位方式获取定位数据，将超宽带定位数据作为机器人的初始位置，实现了完全自主的机器人定位；通过判定激光定位数据是否异常，并在发生异常时进行重定位，在保证机器人定位稳定性的基础上，提高机器人的定位精度。
参见图4，图4是本发明实施例提供的一种机器人的示意图。本实施例的机器人400包括的各单元用于执行图2对应的实施例中的各步骤，具体请参阅图2及图2对应的实施例中的相关描述，此处不赘述。本实施例的机器人400包括数据获取单元401、异常判定单元402以及数据融合单元403。
数据获取单元401，用于获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；
异常判定单元402，用于根据所述定位数据判断所述激光定位数据是否异常；
数据融合单元403，用于若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。
进一步的，数据融合单元403具体用于若所述激光定位数据正常，则通过贝叶斯滤波方法将激光定位数据和超宽带定位数据融合得到所述位置信息。
进一步的，异常判定单元402具体包括：
差值判定单元，用于若所述激光定位数据与所述超宽带定位数据的差值的绝对值大于或者等于预设差值阈值，则判定所述激光定位数据异常。
进一步的，异常判定单元402还包括：
概率计算单元，用于根据所述激光定位数据，通过贝叶斯滤波方法计算后验概率；
概率判定单元，用于若所述后验概率小于预设概率阈值，则确定所述激光定位数据异常。
进一步的，在获取机器人的定位数据之后，所述机器人还包括：
障碍物判断单元，用于根据所述激光定位数据，判断所述机器人周围是否存在障碍物；
障碍物位置单元，用于若所述机器人周围存在所述障碍物，则检测每个所述障碍物的位置信息；
语音提示单元，用于根据每个所述障碍物的位置信息，播报预设的语音提示；所述语音提示用于提示所述机器人周围的人离开所述机器人。
上述方案，通过获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；根据所述定位数据判断所述激光定位数据是否异常；若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。在激光定位数据正常的情况下，通过贝叶斯滤波的方法将激光定位数据和所述超宽带定位数据进行融合，获得稳定、精确的机器人定位信息，同时提高机器人定位的执行效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图5，图5是本发明再一实施例提供的一种机器人的示意图。如图5所示的本实施例中的机器人500可以包括：处理器501、存储器502以及存储在存储器502中并可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个用于机器人融合定位的方法实施例中的步骤。存储器502用于存储计算机程序，所述计算机程序包括程序指令。处理器501用于执行存储器502存储的程序指令。其中，处理器501被配置用于调用所述程序指令执行以下操作：
处理器501用于获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；
根据所述定位数据判断所述激光定位数据是否异常；
若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。
处理器501具体用于若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。
处理器501具体用于若所述激光定位数据正常，则通过贝叶斯滤波方法将激光定位数据和超宽带定位数据融合得到所述位置信息。
处理器501具体用于若所述激光定位数据与所述超宽带定位数据的差值的绝对值大于或者等于预设差值阈值，则判定所述激光定位数据异常。
处理器501具体用于根据所述激光定位数据，通过贝叶斯滤波方法计算后验概率；
若所述后验概率小于预设概率阈值，则确定所述激光定位数据异常。
处理器501具体用于根据所述激光定位数据，判断所述机器人周围是否存在障碍物；
若所述机器人周围存在所述障碍物，则检测每个所述障碍物的位置信息；
根据每个所述障碍物的位置信息，播报预设的语音提示；所述语音提示用于提示所述机器人周围的人离开所述机器人。
上述方案，通过获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；根据所述定位数据判断所述激光定位数据是否异常；若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。在激光定位数据正常的情况下，通过贝叶斯滤波的方法将激光定位数据和所述超宽带定位数据进行融合，获得稳定、精确的机器人定位信息，同时提高机器人定位的执行效率。
应当理解，在本发明实施例中，所称处理器501可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如，存储器502还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器501、存储器502、计算机程序503可执行本发明实施例提供的机器人融合定位的方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：
获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；
根据所述定位数据判断所述激光定位数据是否异常；
若所述激光定位数据异常，则根据所述超宽带定位数据重新初始化所述激光定位数据，进行重定位。
进一步的，所述计算机程序被处理器执行时还实现：
若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。
进一步的，所述计算机程序被处理器执行时还实现：
若所述激光定位数据正常，则通过贝叶斯滤波方法将激光定位数据和超宽带定位数据融合得到所述位置信息。
进一步的，所述计算机程序被处理器执行时还实现：
若所述激光定位数据与所述超宽带定位数据的差值的绝对值大于或者等于预设差值阈值，则判定所述激光定位数据异常。
进一步的，所述计算机程序被处理器执行时还实现：
根据所述激光定位数据，通过贝叶斯滤波方法计算后验概率；
若所述后验概率小于预设概率阈值，则确定所述激光定位数据异常。
进一步的，所述计算机程序被处理器执行时还实现：
根据所述激光定位数据，判断所述机器人周围是否存在障碍物；
若所述机器人周围存在所述障碍物，则检测每个所述障碍物的位置信息；
根据每个所述障碍物的位置信息，播报预设的语音提示；所述语音提示用于提示所述机器人周围的人离开所述机器人。
上述方案，通过获取机器人的定位数据；所述定位数据包括激光定位数据和超宽带定位数据；根据所述定位数据判断所述激光定位数据是否异常；若所述激光定位数据正常，则根据所述激光定位数据和所述超宽带定位数据确定机器人的位置信息。在激光定位数据正常的情况下，通过贝叶斯滤波的方法将激光定位数据和所述超宽带定位数据进行融合，获得稳定、精确的机器人定位信息，同时提高机器人定位的执行效率。
所述计算机可读存储介质可以是前述任一实施例所述的机器人的内部存储单元，例如机器人的硬盘或内存。所述计算机可读存储介质也可以是所述机器人的外部存储设备，例如所述机器人上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述计算机可读存储介质还可以既包括所述机器人的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序及所述机器人所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的机器人和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的机器人和方法，可以通过其它的方式实现。例如，以上所描述的机器人实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！