一种机器人复杂环境定位方法与流程

1.本发明涉及agv机器人技术领域，尤其是一种机器人复杂环境定位方法。


背景技术：

2.agv就是自动导引运输车，属于轮式移动机器人的范畴，它是指装备有电磁或光学等自动导引装置，它的特点是无人驾驶，它能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车。
3.现市面上的agv在工业或商业环境中，由于人为造成当前环境与初始变化比较大，会导致agv在变化的环境中定位不准确，甚至丢失的情况，导致agv在运动过程中会走错路，撞到障碍物等，运行时定位效果较差，应用时存在一定的局限性。


技术实现要素：

4.本发明针对背景技术中的不足，提供了一种机器人复杂环境定位方法。
5.本发明为解决上述现象，采用以下技术方案，一种机器人复杂环境定位方法，定位方法包括如下：
6.s1，读取当前环境地图；
7.s2，采集激光传感器数据，传感器数据稀疏化，保留特征点；
8.s3，传入初始坐标点，同时需要手动传入，并在初始坐标点3m范围内进行暴力搜索初次匹配，找出激光与环境匹配最相近的位置；
9.s4，再次在匹配后的位置进行ceres非线性优化精确匹配精确搜索，找出最优的位置；
10.s5，将激光数据与当前位置记录下来，对比当前地图文件，记录下激光数据与地图文件的差异；
11.s6，得出定位的精确位姿。
12.作为本发明的进一步优选方式，步骤s1中，在读取当前环境地图时，需要利用agv上的激光传感器来扫描周围的环境。
13.作为本发明的进一步优选方式，步骤s2中，当读取完环境地图时，再对激光传感器读取到的数据进行采集，并让让激光数据通过一系列匹配算法与当前环境地图进行匹配，从而确定相应的地图位置。
14.作为本发明的进一步优选方式，步骤s3中，初次匹配的原理如下：默认平移窗口参数为+
‑
0.1m，角度窗口+
‑
20度，接着计算角度步长，近似为sin：分辨率/最大扫描距离；计算平移步长为分辨率，以此为依据平移与旋转点云，并平移到世界坐标系生成备选项。
15.作为本发明的进一步优选方式，步骤s3中，将各点坐标映射到概率地图中，计算概率值总和并最终选择和最大的备选项，此处概率值计算方式为1
‑
地图像素值：浮点0
‑
1.0f，即黑色，障碍或墙壁概率值大，白色，未被占用空间/free space概率值小，先计算概率值得分，找到尽可能使点云贴合墙壁/障碍的位姿变换；后加入平移与旋转代价，尽可能使结果
在初值附近，避免匹配结果漂移过远，最终实时相关性匹配将在图像分辨率与激光扫描半径的精度约束下产生一个最可能的变换，作为ceres匹配的初值，以此来提高ceres匹配的准确度。
16.作为本发明的进一步优选方式，步骤s4中，在进行精确匹配时：其原理是根据当前的旋转与平移变换点云，将点云中所有点的坐标映射到地图的整形坐标中，获得点云中每个点的概率值，并转换为代价，其中概率地图中定义墙壁概率值大，空白概率值小；代价则与之相反，墙壁代价小，空白代价大，因此当点云经过一个欧式坐标变换后，假如其中的点尽可能落在概率值地图中认为是墙壁的地方，其产生的地图代价最小，此时的变换为最优变换。
17.本发明利用agv通过激光数据将与初始地图环境差异记录下来，agv定位技术是通过agv上的激光传感器扫描周围的环境，然后让激光数据通过一系列匹配算法与当前环境地图进行匹配，然后得出agv在当前环境地图中的位置，然后让agv与工业场景内的接货台精准对接，以此来提升机器人定位的精确性，较好的避免了传统agv在较复杂环境中定位不准确的情况。
附图说明
18.图1为本发明的定位流程图。
具体实施方式
19.下面将结合本发明实施例中，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
20.本发明提供一种技术方案：一种机器人复杂环境定位方法，定位方法包括如下：
21.s1，读取当前环境地图；
22.s2，采集激光传感器数据，传感器数据稀疏化，保留特征点；
23.s3，传入初始坐标点，同时需要手动传入，并在初始坐标点3m范围内进行暴力搜索初次匹配，找出激光与环境匹配最相近的位置；
24.s4，再次在匹配后的位置进行ceres非线性优化精确匹配精确搜索，找出最优的位置；
25.s5，将激光数据与当前位置记录下来，对比当前地图文件，记录下激光数据与地图文件的差异；
26.s6，得出定位的精确位姿。
27.步骤s1中，在读取当前环境地图时，需要利用agv上的激光传感器来扫描周围的环境。
28.步骤s2中，当读取完环境地图时，再对激光传感器读取到的数据进行采集，并让让激光数据通过一系列匹配算法与当前环境地图进行匹配，从而确定相应的地图位置。
29.步骤s3中，初次匹配的原理如下：默认平移窗口参数为+
‑
0.1m，角度窗口+
‑
20度，接着计算角度步长，近似为sin：分辨率/最大扫描距离；计算平移步长为分辨率，以此为依
据平移与旋转点云，并平移到世界坐标系生成备选项。
30.步骤s3中，将各点坐标映射到概率地图中，计算概率值总和并最终选择和最大的备选项，此处概率值计算方式为1
‑
地图像素值：浮点0
‑
1.0f，即黑色，障碍或墙壁概率值大，白色，未被占用空间/free space概率值小，先计算概率值得分，找到尽可能使点云贴合墙壁/障碍的位姿变换；后加入平移与旋转代价，尽可能使结果在初值附近，避免匹配结果漂移过远，最终实时相关性匹配将在图像分辨率与激光扫描半径的精度约束下产生一个最可能的变换，作为ceres匹配的初值，以此来提高ceres匹配的准确度。
31.步骤s4中，在进行精确匹配时：其原理是根据当前的旋转与平移变换点云，将点云中所有点的坐标映射到地图的整形坐标中，获得点云中每个点的概率值，并转换为代价，其中概率地图中定义墙壁概率值大，空白概率值小；代价则与之相反，墙壁代价小，空白代价大，因此当点云经过一个欧式坐标变换后，假如其中的点尽可能落在概率值地图中认为是墙壁的地方，其产生的地图代价最小，此时的变换为最优变换。
32.综上所述，本发明利用agv通过激光数据将与初始地图环境差异记录下来，agv定位技术是通过agv上的激光传感器扫描周围的环境，然后让激光数据通过一系列匹配算法与当前环境地图进行匹配，然后得出agv在当前环境地图中的位置，然后让agv与工业场景内的接货台精准对接，以此来提升机器人定位的精确性，较好的避免了传统agv在较复杂环境中定位不准确的情况，不会出现agv移动时和外部物体碰撞的问题，使用时实用性较强。
33.以上显示和描述了本发明的基本原理和主要特征和本发明的优点，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囊括在本发明内。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。
34.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。