CN108548536A - 无人驾驶智能机器人的位置推算方法 - Google Patents

Abstract

本发明公开了一种无人驾驶智能机器人的位置推算方法，涉及机器人的控制方法技术领域。所述方法包括如下步骤：地图信息做成所述方法，将接受路径测试装置，所获取的信息，把从车轮计数器获取的移动距离数据和从9轴传感器获取的数值，追加到所述方法的PDR表中；然后基准点设定在每次获取的PDR表信息的开始点上；对于不断追加的PDR表信息进行模拟移动距离计算，根据其计算结果，推算出移动后的自身位置；推算移动位置的最后与环境地图进行比较，图像的扫描匹配处理完成后，认为位置推定成功。所述方法能够准确的推算出机器人的自身位置，从而可以精准的控制所述机器人进行运动。

Description

无人驾驶智能机器人的位置推算方法

技术领域

本发明涉及机器人的控制方法技术领域，尤其涉及一种无人驾驶智能机器人的位置推算方法。

背景技术

一般的自动行驶装置，基本采用自身位置推算的方式进行地图制作。自身位置推算的一般方法多数采用车轮计数方法（Wheel odometry），测量车轮的机械回转变位量。利用变位量的电器（Rotary encoder）信号，记录车轮的回转数。 但是，采用车轮计数方法（Wheel odometry）时，在测试位移量的过程中产生横向滑动，引起空转，使变位量的电器信号产生误差。尤其对于载人的无人驾驶自动运输车产生不可忽视的影响。

发明内容

本发明所要解决的技术问题是如何提供一种能够准确的推算出无人驾驶自动机器人位置的方法。

为解决上述技术问题，本发明所采取的技术方案是：一种无人驾驶智能机器人的位置推算方法，其特征在于包括如下步骤：

地图信息做成所述方法，将接受路径测试装置，所获取的信息，把从车轮计数器获取的移动距离数据和从 9 轴传感器获取的数值，追加到所述方法的PDR表中；然后基准点设定在每次获取的PDR表信息的开始点上；对于不断追加的PDR 表信息进行模拟移动距离计算，根据其计算结果，推算出移动后的自身位置；推算移动位置的最后与环境地图进行比较，图像的扫描匹配处理完成后，认为位置推定成功；

推算使用的环境地图，是在激光传感器的测试数据换算成图像信息地图，并且具有尤度计算功能的环境地图；

采用贪欲法，基于低解像度的地图，反复进行旋转，平行移动，与环境地图进行图像的扫描匹配；接着，前次高解像度地图为标准，较前次低分解度进行旋转，平移；反复进行与地图的一至性匹配；图像的解像度根据前次推侧成功的开始时间，定义反复匹配时的初始地图的解像度；

推算成功后，被利用的车轮计数器和9 轴传感器的积累数据，被一次性清零。

进一步的技术方案在于，在制作环境地图时，地图数据的要求如下：

1）记录环境地图的开始制作点的数据；

2）自身位置推算完成时，自身位置推算值与环境地图数值最接近的距离数值，且大于规定的最小距离的数值；

3）自身位置的推算值与环境地图数据的一致性（扫描匹配，Scan matching）达到一定基准以上的数值，最后，保留图像数据变换前 LRF 数据，可随时进行备用加工。

采用上述技术方案所产生的有益效果在于：所述方法能够准确的获得自动机器人的位置，从而可以准确的控制所述机器人进行运动。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例所述方法中自动机器人的原理框图；

图2是本发明实施例所述方法的流程图。

具体实施方式

下面结合本发明实施例中的附图，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的一部分实施例，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。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明实施例公开了一种无人驾驶智能机器人的位置推算方法，本发明所述方法利用多种传感器的组合形式：陀螺（gyro）传感器，加速度传感器和地磁性传感器的组合，产生的 9轴，即：x,y,z轴方和倾斜，偏航，摆动（Roll, pitch, yaw）功能的组合传感器。传感器的输出信号作为信号处理器（Kalman filter）的输入信号，经过滤波（filter）处理，获得准确的数据信息，确定移动方向。 针对单独采用车轮回转计数法不能正确推测环境地图的问题，所述方法采用包括车轮回计数方法 （Wheel odometry）和多种传感器的组合，以及测试数据的近似值，（Likelihood尤度估算法实现环境地图的制作。所述方法利用激光传感器（LRF），产生扇形的激光束扫描测试物体之间的距离，引入尤度（Likelihood）的概念，确定容许的误差近似值。

本方法采用的数据，是经过把传感器（LRF）的输出数据，变换成图像数据，作为图像文件形式保存的数据。把 LRF数据转换成图像数据，即可采用图像文件处理/运算方法，进行自身位置的推算。与一般的机器人的传感器数据处理方法相异，充分利用图像处理的相关技术，制作环境地图。

凡具有图像处理接口和基本图像处理功能的设备，都可以方便地进行传感器的数据/图像保存。可以广泛地适合利用各种现有计算机，设备等制作自身位置推算用地图。有利于各个阶段的开发/调试/管理工作。

所述方法可以利用 LRF的距离信息和预先测定的环境地图信息，进行图像扫描匹配（Scan matching）， 获得自身的位置信息。在此方面，机器人的开发研制领域中多数采用ICP（(Iterative Closest Point)）处理手段。本发明与其不同，采用了图像处理方法，简化了以上的处理过程，下面将详细叙述。

地图格子的占有程度，也就是，占有格子的测试数据的近似程度。把称作尤度（Likelihood）的数据作为图像信息保存。图像的像素信息也可以按照色度信号处理。如前所述，制作环境地图时，激光传感器（LRF）的测试结果将换算成图像数据保存。检测位置时，将保存的图像数据，进行平行，旋转方向的移动，与地图进行一致性检索。地图的一致性检索的结果与参考临界值（Threshold）相对比，保存新的地图信息，直到完成环境地图的制作。

把从车轮计数器（Wheel odometry）获取的移动距离数据和从 9 轴传感器获取的（yaw）数值，追加到所述方法的 PDR(PastDate Record)表中。然后基准点（不断变更的基准点）设定在每次获取的 PDR 表信息的开始点上。对于不断追加的PDR 表信息进行模拟移动距离计算，根据其计算结果，推算出移动后的自身位置。推算移动位置的最后（最新值）与环境地图进行比较，图像的扫描匹配（Scan matching）处理完成后，认为位置推定成功。

推算使用的环境地图，是在激光传感器（LRF）的测试数据换算成图像信息地图，并且具有尤度（Likelihood）计算功能的环境地图。采用贪欲法，基于低解像度的地图，反复进行旋转，平行移动，与环境地图进行图像的扫描匹配（Scan matching）。 接着，前次高解像度地图为标准，较前次低分解度进行旋转，平移。反复进行与地图的一至性匹配。图像的解像度根据前次推侧成功的开始时间，定义反复匹配时的初始地图的解像度，提高推测的速度。推算成功后，被利用的车轮计数器（Wheel odometry）和9 轴传感器的积累数据，被一次性清零。

本所述方法制作环境地图时，地图数据的要求如下： 1）记录环境地图的开始制作点的数据。2）自身位置推算完成时，自身位置推算值与环境地图数值最接近的距离数值，且大于规定的最小距离的数值。3）自身位置的推算值与环境地图数据的一致性（扫描匹配，Scan matching）达到一定基准以上的数值。最后，保留图像数据变换前 LRF 数据，可随时进行备用加工。

Claims (2)

1.一种无人驾驶智能机器人的位置推算方法，其特征在于包括如下步骤：

地图信息做成所述方法，将接受路径测试装置，所获取的信息，把从车轮计数器获取的移动距离数据和从 9 轴传感器获取的数值，追加到所述方法的PDR表中；然后基准点设定在每次获取的PDR表信息的开始点上；对于不断追加的PDR 表信息进行模拟移动距离计算，根据其计算结果，推算出移动后的自身位置；推算移动位置的最后与环境地图进行比较，图像的扫描匹配处理完成后，认为位置推定成功；

推算使用的环境地图，是在激光传感器的测试数据换算成图像信息地图，并且具有尤度计算功能的环境地图；

采用贪欲法，基于低解像度的地图，反复进行旋转，平行移动，与环境地图进行图像的扫描匹配；接着，前次高解像度地图为标准，较前次低分解度进行旋转，平移；反复进行与地图的一至性匹配；图像的解像度根据前次推侧成功的开始时间，定义反复匹配时的初始地图的解像度；

推算成功后，被利用的车轮计数器和9 轴传感器的积累数据，被一次性清零。

2.如权利要求1所述的无人驾驶智能机器人的位置推算方法，其特征在于：在制作环境地图时，地图数据的要求如下：

1）记录环境地图的开始制作点的数据；

2）自身位置推算完成时，自身位置推算值与环境地图数值最接近的距离数值，且大于规定的最小距离的数值；

3）自身位置的推算值与环境地图数据的一致性（扫描匹配，Scan matching）达到一定基准以上的数值，最后，保留图像数据变换前 LRF 数据，可随时进行备用加工。