机器人激光定位方法技术

本发明专利技术公开了一种机器人激光定位方法。其采用高斯分布算法和光束模型算法对全局地图的样本点进行迭代筛选，得到机器人的初始坐标，再对机器人移动后的位置采用高斯分布算法计算得到机器人的当前坐标，并对机器人的当前坐标进行卡尔曼滤波处理，与机器人的初始坐标进行数据融合，得到机器人的定位坐标，从而实现机器人的准确定位。

Laser localization method for robot

The invention discloses a laser positioning method for robot. The Gauss distribution method and beam model algorithm on the global map of the sample points of iterative screening, get the initial position of the robot, the robot position after using the Gauss distribution algorithm calculated the current coordinates of the robot, and the robot coordinate of Calman filtering, data fusion and the initial position of the robot, get the positioning coordinates of the robot, so as to realize the accurate positioning of the robot.

【技术实现步骤摘要】
机器人激光定位方法
本专利技术属于机器人导航控制
，尤其涉及一种机器人激光定位方法。
技术介绍
现有智能移动机器人是一类能够通过传感器感知环境和自身状态，实现在有障碍物的环境中面向目标的自主导航运动，从而完成预定任务的机器人系统。要实现机器人自主导航运动，必须要解决环境建模、实时定位、路径规划、运动控制等问题；其中，移动机器人必须具有定位的能力，其目的就是确定机器人在运动环境中相对于世界坐标系的位置和航向。目前存在多种定位方法，例如GPS定位方法、惯性导航系统定位方法以及超宽带导航方法等。然而在室内环境下，机器人无法使用GPS进行定位，而使用惯性导航系统成本较高且不能保证长时间定位精度；并且由于空间尺寸的影响，超宽带导航系统部署困难，由于建筑支柱、隔断墙体、玻璃、家具等遮挡物体的存在，使得超宽带导航方法的应用存在很大困难。
技术实现思路
本专利技术的专利技术目的是：为了解决现有技术中存在的以上问题，本专利技术提出了一种机器人激光定位方法。本专利技术的技术方案是：一种机器人激光定位方法，包括以下步骤：A、在全局地图建立全局坐标系，对每一个样本点采用高斯分布算法计算概率分值；B、比较步骤A中各个样本点的概率分值大小，选取概率分值较大的前N个样本点并计算样本点方差；C、设定方差阈值，判断步骤B中的样本点方差是否大于方差阈值；D、若样本点方差大于方差阈值，则对步骤B中前N个样本点采用光束模型计算概率分值，同时扩充样本点数量返回步骤A；E、若样本点方差小于或等于方差阈值，则选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标；F、对机器人从初始坐标移动单位里程后的位置采用高斯分布算法计算概率分值，比较各个样本点的概率分值大小，选取概率分值最大的样本点作为机器人的当前坐标；对机器人的当前坐标进行卡尔曼滤波处理，与机器人的初始坐标进行数据融合，得到机器人的定位坐标。进一步地，所述步骤D中对步骤B中前N个样本点采用光束模型计算概率分值的计算公式具体为：P＝APhit+BPunexp+CPrand+DPmax其中，P为样本点的概率分值，Phit为带噪声的真实激光返回的测量值的偏差度量，Punexp为动态环境中由于移动物体的遮挡造成的激光测量返回值变短的概率，Prand为综合各种特殊情况得到的激光测量返回值的概率，Pmax为激光由于特殊原因没有返回值时利用假设的最大返回值Zmax计算的概率值，z为真实激光测量返回值，x为机器人的当前位姿，m为地图信息，zexp为期望的激光测量返回值，A、B、C、D分别为设置的加权权重分值。进一步地，所述步骤D中对步骤B中前N个样本点采用光束模型计算概率分值具体为：对一个样本点利用激光器采集扇形区域内的地图轮廓数据，再采用光束模型计算该样本点的概率分值。进一步地，所述步骤G中机器人的定位坐标表示为：pose＝pose1+k*pose2其中，pose为机器人的定位坐标，pose1为机器人的初始坐标，k为卡尔曼增益系数，pose2为机器人的当前坐标。本专利技术的有益效果是：本专利技术采用高斯分布算法和光束模型算法对全局地图的样本点进行迭代筛选，得到机器人的初始坐标，再对机器人移动后的位置采用高斯分布算法计算得到机器人的当前坐标，并对机器人的当前坐标进行卡尔曼滤波处理，与机器人的初始坐标进行数据融合，得到机器人的定位坐标，从而实现机器人的准确定位。附图说明图1是本专利技术的机器人激光定位方法的流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，为本专利技术的机器人激光定位方法的流程示意图。一种机器人激光定位方法，包括以下步骤：A、在全局地图建立全局坐标系，对每一个样本点采用高斯分布算法计算概率分值；B、比较步骤A中各个样本点的概率分值大小，选取概率分值较大的前N个样本点并计算样本点方差；C、设定方差阈值，判断步骤B中的样本点方差是否大于方差阈值；D、若样本点方差大于方差阈值，则对步骤B中前N个样本点采用光束模型计算概率分值，同时扩充样本点数量返回步骤A；E、若样本点方差小于或等于方差阈值，则选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标；F、对机器人从初始坐标移动单位里程后的位置采用高斯分布算法计算概率分值，比较各个样本点的概率分值大小，选取概率分值最大的样本点作为机器人的当前坐标；对机器人的当前坐标进行卡尔曼滤波处理，与机器人的初始坐标进行数据融合，得到机器人的定位坐标。在步骤A中，本专利技术在全局地图建立全局坐标系，得到全局样本点；再对全局样本点中的每一个样本点采用高斯分布算法计算概率分值，即对全局地图进行一定程度的模糊化处理，再根据机器人的当前位姿，将激光测量过程作为符合高斯分布，结合激光测量数据计算概率分值。在步骤B中，本专利技术比较步骤A中计算得到的各个样本点的概率分值大小，选取全局样本点中样本点的概率分值较大的前N个样本点，优选地，这里选取前100个样本点；再对选取的N个样本点计算概率方差。在步骤C中，为了提高机器人激光定位的准确性，本专利技术对步骤B中计算得到的样本点概率方差设置方差阈值，通过比较步骤B中计算得到的样本点概率方差与方差阈值的大小，判断步骤B中的N个样本点是否满足精度要求。在步骤D中，若样本点方差大于方差阈值，则说明步骤B中的N个样本点不满足精度要求，对步骤B中前N个样本点采用光束模型计算概率分值，具体为：对一个样本点利用激光器采集扇形区域内的地图轮廓数据，再采用光束模型计算该样本点的概率分值，计算公式具体为：P＝APhit+BPunexp+CPrand+DPmax其中，P为样本点的概率分值，Phit为带噪声的真实激光返回的测量值的偏差度量，Punexp为动态环境中由于移动物体的遮挡造成的激光测量返回值变短的概率，Prand为综合各种特殊情况得到的激光测量返回值的概率，Pmax为激光由于特殊原因没有返回值时利用假设的最大返回值Zmax计算的概率值，z为真实激光测量返回值，x为机器人的当前位姿，m为地图信息，zexp为期望的激光测量返回值，A、B、C、D分别为设置的加权权重分值。同时扩充样本点数量，返回步骤A；优选地，这里扩充样本点数量是在步骤B选取的前N个样本点进行倍率扩充，这里将样本点数量扩充为10000个样本点。在步骤E中，若样本点方差小于或等于方差阈值，则说明步骤B中的N个样本点满足精度要求，选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标。在步骤F中，本专利技术根据机器人从初始坐标移动单位里程后的位置，采用高斯分布可以得到多个样本点，再采用高斯分布算法计算这些样本点概率分值，比较各个样本点的概率分值大小，选取概率分值最大的样本点作为机器人的当前坐标；再对得到的机器人的当前坐标进行卡尔曼滤波处理，得到卡尔曼增益，再将机器人的当前坐标与机器人的初始坐标进行数据融合，从而得到机器人的定位坐标，表示为：pose＝pose1+k*pose2其中，pose为机器人的定位坐标，pose1为机器人的初始坐标，k为卡尔曼增益系数，pose2为机器人的当前坐标。本领域的普通技术人员将会意识到，这里所述的实施例是为了本文档来自技高网...

【技术保护点】
一种机器人激光定位方法，其特征在于，包括以下步骤：A、在全局地图建立全局坐标系，对每一个样本点采用高斯分布算法计算概率分值；B、比较步骤A中各个样本点的概率分值大小，选取概率分值较大的前N个样本点并计算样本点方差；C、设定方差阈值，判断步骤B中的样本点方差是否大于方差阈值；D、若样本点方差大于方差阈值，则对步骤B中前N个样本点采用光束模型计算概率分值，同时扩充样本点数量返回步骤A；E、若样本点方差小于或等于方差阈值，则选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标；F、对机器人从初始坐标移动单位里程后的位置采用高斯分布算法计算概率分值，比较各个样本点的概率分值大小，选取概率分值最大的样本点作为机器人的当前坐标；对机器人的当前坐标进行卡尔曼滤波处理，与机器人的初始坐标进行数据融合，得到机器人的定位坐标。

【技术特征摘要】
1.一种机器人激光定位方法，其特征在于，包括以下步骤：A、在全局地图建立全局坐标系，对每一个样本点采用高斯分布算法计算概率分值；B、比较步骤A中各个样本点的概率分值大小，选取概率分值较大的前N个样本点并计算样本点方差；C、设定方差阈值，判断步骤B中的样本点方差是否大于方差阈值；D、若样本点方差大于方差阈值，则对步骤B中前N个样本点采用光束模型计算概率分值，同时扩充样本点数量返回步骤A；E、若样本点方差小于或等于方差阈值，则选取步骤B的前N个样本点中概率分值最大的样本点作为机器人的初始坐标；F、对机器人从初始坐标移动单位里程后的位置采用高斯分布算法计算概率分值，比较各个样本点的概率分值大小，选取概率分值最大的样本点作为机器人的当前坐标；对机器人的当前坐标进行卡尔曼滤波处理，与机器人的初始坐标进行数据融合，得到机器人的定位坐标。2.如权利要求1所述的机器人激光定位方法，其特征在于，所述步骤D中对步骤B中前N个样本点采用光束模型计算概率分值的计算公式具体为：<...

【专利技术属性】
技术研发人员：张鹏飞，何俐萍，孙家弼，陈鹏，吴家敏，
申请(专利权)人：成都普诺思博科技有限公司，
类型：发明
国别省市：四川,51