一种基于识别阵列边界的移动机器人定位方法技术

本发明专利技术涉及一种基于识别阵列边界的移动机器人定位方法，通过预先构建环境地图，并根据环境地图进行匹配得到视觉定位，然后通过轮式里程融合视觉定位得到移动机器人的全局定位，包括以下步骤：通过惯性测量单元得到移动机器人的姿态信息；通过轮式编码器得到移动机器人的轮式里程；通过摄像头提取移动机器人所处单块阵列的边界数据，然后通过标定得到的摄像头的参数获取像素平面到机器人坐标系的坐标变换，将图像中的边界数据投影到机器人坐标系；通过轮式里程获取阵列边界数据；将边界数据通过轮式里程投影到世界坐标系，得到视觉定位；将轮式里程和视觉定位进行融合得到移动机器人最终的定位。本发明专利技术具有操作简单、定位高效且准确的特点。

【技术实现步骤摘要】
一种基于识别阵列边界的移动机器人定位方法
本专利技术涉及一种基于识别阵列边界的移动机器人定位方法。
技术介绍
目前移动机器人的定位技术主要基于五种方法，GNSS(GlobalNavigationStatelliteSystem，全球卫星导航系统)和RTK(RealTimeKinematic)、惯性导航(陀螺仪、加速度计)、轮速计、激光SLAM、视觉SLAM。GNSS利用卫星信号进行定位，可以配合惯性导航一起使用，定位精度在米级。通过RTK利用基站进行修正，定位精度可以达到厘米级。这种方法只能在室外使用，且易受场景(如高楼、隧道等)、信号强度的影响。轮速计通常配合惯性导航一起使用，这种方法不依赖外部环境，但随着时间的变化，定位结果与实际结果会产生较大的偏移。激光SLAM，利用激光获取的点云进行定位，既可以获取里程计式的相对定位，也可以建立地图后，通过匹配进行地图定位。视觉SLAM，类似激光SLAM，将其中用于定位的激光点云换成了由图像像素产生的图像点云。在现有的移动机器人定位技术中大多数无法用于玻璃阵列场景下移动机器人的导航任务。玻璃场景下，机器人通常在竖直平面上工作，这一点使得GNSS系统完全失效。同时在室外玻璃场景下，如高楼的玻璃外墙环境，机器人通常处于空旷的玻璃平面上，这一点使得基于激光的定位系统失效。基于惯性导航和轮速计的定位系统虽然没有完全失效，但无法解决机器人打滑后的定位问题(这一点在玻璃幕墙场景下时常发生)，且长时间工作后会产生较大漂移。因此这种方法只能产生一个局部的短暂可用的定位信息。一般来说，可以通过视觉SLAM为机器人提供一个全局的、无漂的定位信息来解决这些问题。但传统的视觉SLAM技术基于场景图像的特征点进行定位建图，在玻璃场景下，图像的相似度较高，且特征信息较为稀疏，无法直接获取到有用的定位信息，得不到较好的建图定位的效果。总的来说，目前尚没有良好适用于玻璃阵列场景以及光伏阵列场景的移动机器人定位技术，业界大部分用于玻璃阵列场景以及光伏阵列场景的机器人不具备定位功能，而是采用传统的控制方式进行作业，少部分采用轮式编码器配合惯性测量单元的方式进行定位。但由于作业平面外部条件因素不同，机器人在作业平面上行走时打滑的情况不同(打滑在玻璃平面以及光伏平面都时常发生)，这将导致轮式编码器无法获得准确的里程信息。同时惯性测量单元提供的姿态信息会随时间以及温度的变化会产生漂移，导致移动机器人的里程信息随之漂移。因此该种方式在车轮打滑后会完全失效，无法适应一些复杂场景，移动机器人无法较好的完成点到点的导航需求，且有一定安全隐患。
技术实现思路
鉴于现有技术中存在的上述问题，本专利技术的主要目的在于提供一种基于识别阵列边界的移动机器人定位方法。本专利技术的技术方案是这样的：一种基于识别阵列边界的移动机器人定位方法，所述阵列包括玻璃阵列和光伏阵列，所述移动机器人包括机身，所述机身包括底盘以及支撑框架，其特征在于，通过预先构建环境地图，并根据环境地图进行匹配得到视觉定位，然后通过轮式里程融合视觉定位得到移动机器人的全局定位，包括以下步骤：S1：通过设置在移动机器人上的惯性测量单元，获取移动机器人所处环境的IMU数据，得到移动机器人的姿态信息；S2：通过设置在移动机器人上的轮式编码器，获取移动机器人的轮速，然后结合移动机器人的姿态信息进行航迹推演，得到移动机器人的轮式里程；S3：通过设置在移动机器人上的多个摄像头，获取移动机器人所处环境的多角度图像数据，然后通过深度学习模型进行语义分割或端到端学习的方法，提取移动机器人所处单块阵列的边界数据，然后通过标定得到的各摄像头的参数获取像素平面到机器人坐标系的坐标变换，将图像中的边界数据投影到机器人坐标系；S4：通过步骤S2中得到的移动机器人的轮式里程，获取移动机器人在当前里程一定范围内所处环境地图中的阵列边界数据；S5：将当前观测到的机器人坐标系下的边界数据通过轮式里程投影到世界坐标系，而后将获取到的移动机器人所处单块阵列的边界数据与获取到的环境地图中存放的阵列边界数据进行匹配，计算二者之间的重投影误差，再通过非线性优化得到使重投影误差最小的移动机器人的视觉定位；S6：通过扩展卡尔曼滤波器将步骤S2得到的轮式里程和步骤S5得到的视觉定位进行融合即可得到移动机器人最终的定位。所述机身还包括固定板以及上盖，所述支撑框架固定设置在所述底盘上，所述固定板固定设置在所述支撑框架的上端，所述上盖包覆设置在所述固定板上。所述底盘上位于左侧和右侧的位置均设置有行走机构，所述移动机器人在所述行走机构的驱动下进行移动。预先构建环境地图，具体包括以下步骤：S01：传感器标定，对惯性测量单元和多个摄像头的参数进行标定；S02：通过设置在移动机器人上的惯性测量单元，获取移动机器人所处环境的IMU数据，得到移动机器人的姿态信息；S03：通过设置在移动机器人上的轮式编码器，获取移动机器人的轮速，然后结合移动机器人的姿态信息进行航迹推演，得到移动机器人的轮式里程；S04：通过设置在移动机器人上的多个摄像头，获取移动机器人的所处环境的多角度图像数据，通过深度学习模型进行语义分割或端到端学习的方法，提取移动机器人所处单块阵列的边界数据，然后通过标定得到的多个摄像头的参数获取像素平面到机器人坐标系的坐标变换，并将图像中的边界数据投影到机器人坐标系；S05：将机器人坐标系下的边界数据通过轮式里程投影到世界坐标系，并将数据进行存储，以此构建基于边界数据的环境地图。步骤S01中，对设置在移动机器人上的惯性测量单元和多个摄像头的参数进行标定，具体包括惯性测量单元数据的初始零偏和随机游走误差，以及各个摄像头的内部参数和外部参数。在预先构建环境地图的过程中，同时进行回环检测，若检测到回环便对环境地图进行相应的矫正。所述行走机构包括驱动电机、驱动轮、橡胶履带、张紧轮以及同步轮，其中：所述驱动电机的输出轴与所述驱动轮固定连接，所述驱动轮在所述驱动电机的驱动下进行转动；所述驱动轮通过所述橡胶履带驱动所述同步轮进行转动，所述驱动轮与所述同步轮之间设置有多个所述张紧轮。所述底盘上位于左侧和右侧的位置分别设置有第一定位通孔和第二定位通孔，且所述第一定位通孔和第二定位通孔中均设置有一所述橡胶履带。所述支撑框架包括第一支撑板、第二支撑板、第三支撑板以及第四支撑板，其中：所述第一支撑板沿长度方向设置在所述底盘的左侧壁，所述第二支撑板沿长度方向设置在所述底盘的前侧壁，所述第三支撑板沿长度方向设置在所述底盘的右侧壁，所述第四支撑板设置在所述底盘的后侧壁。所述第一支撑板、第二支撑板、第三支撑板以及第四支撑板的高度均相同，且所述第一支撑板、第二支撑板、第三支撑板以及第四支撑板为一体成型。本专利技术具有以下优点和有益效果：本专利技术实施例的基于识别阵列边界的移动机器人定位方法，阵列包括玻璃阵列和光伏阵列，移动机器人包括机身，机身包括底盘以及支撑框架，通过预先构建环境地图，并根据环本文档来自技高网...

【技术保护点】
1.一种基于识别阵列边界的移动机器人定位方法，所述阵列包括玻璃阵列和光伏阵列，所述移动机器人包括机身，所述机身包括底盘以及支撑框架，其特征在于，通过预先构建环境地图，并根据环境地图进行匹配得到视觉定位，然后通过轮式里程融合视觉定位得到移动机器人的全局定位，包括以下步骤：/nS1：通过设置在移动机器人上的惯性测量单元，获取移动机器人所处环境的IMU数据，得到移动机器人的姿态信息；/nS2：通过设置在移动机器人上的轮式编码器，获取移动机器人的轮速，然后结合移动机器人的姿态信息进行航迹推演，得到移动机器人的轮式里程；/nS3：通过设置在移动机器人上的多个摄像头，获取移动机器人所处环境的多角度图像数据，然后通过深度学习模型进行语义分割或端到端学习的方法，提取移动机器人所处单块阵列的边界数据，然后通过标定得到的多个摄像头的参数获取像素平面到机器人坐标系的坐标变换，将图像中的边界数据投影到机器人坐标系；/nS4：通过步骤S2中得到的移动机器人的轮式里程，获取移动机器人在当前里程一定范围内所处环境地图中的阵列边界数据；/nS5：将当前观测到的机器人坐标系下的边界数据通过轮式里程投影到世界坐标系，而后将获取到的移动机器人所处单块阵列的边界数据与获取到的环境地图中存放的阵列边界数据进行匹配，计算二者之间的重投影误差，再通过非线性优化得到使重投影误差最小的移动机器人的视觉定位；/nS6：通过扩展卡尔曼滤波器将步骤S2得到的轮式里程和步骤S5得到的视觉定位进行融合即可得到移动机器人最终的定位。/n...

【技术特征摘要】
1.一种基于识别阵列边界的移动机器人定位方法，所述阵列包括玻璃阵列和光伏阵列，所述移动机器人包括机身，所述机身包括底盘以及支撑框架，其特征在于，通过预先构建环境地图，并根据环境地图进行匹配得到视觉定位，然后通过轮式里程融合视觉定位得到移动机器人的全局定位，包括以下步骤：
S1：通过设置在移动机器人上的惯性测量单元，获取移动机器人所处环境的IMU数据，得到移动机器人的姿态信息；
S2：通过设置在移动机器人上的轮式编码器，获取移动机器人的轮速，然后结合移动机器人的姿态信息进行航迹推演，得到移动机器人的轮式里程；
S3：通过设置在移动机器人上的多个摄像头，获取移动机器人所处环境的多角度图像数据，然后通过深度学习模型进行语义分割或端到端学习的方法，提取移动机器人所处单块阵列的边界数据，然后通过标定得到的多个摄像头的参数获取像素平面到机器人坐标系的坐标变换，将图像中的边界数据投影到机器人坐标系；
S4：通过步骤S2中得到的移动机器人的轮式里程，获取移动机器人在当前里程一定范围内所处环境地图中的阵列边界数据；
S5：将当前观测到的机器人坐标系下的边界数据通过轮式里程投影到世界坐标系，而后将获取到的移动机器人所处单块阵列的边界数据与获取到的环境地图中存放的阵列边界数据进行匹配，计算二者之间的重投影误差，再通过非线性优化得到使重投影误差最小的移动机器人的视觉定位；
S6：通过扩展卡尔曼滤波器将步骤S2得到的轮式里程和步骤S5得到的视觉定位进行融合即可得到移动机器人最终的定位。


2.根据权利要求1所述的基于识别阵列边界的移动机器人定位方法，其特征在于，所述机身还包括固定板以及上盖，所述支撑框架固定设置在所述底盘上，所述固定板固定设置在所述支撑框架的上端，所述上盖包覆设置在所述固定板上。


3.根据权利要求2所述的基于识别阵列边界的移动机器人定位方法，其特征在于，所述底盘上位于左侧和右侧的位置均设置有行走机构，所述移动机器人在所述行走机构的驱动下进行移动。


4.根据权利要求1-3中任一所述的基于识别阵列边界的移动机器人定位方法，其特征在于，预先构建环境地图，具体包括以下步骤：
S01：传感器标定，对惯性测量单元和多个摄像头的参数进行标定；
S02：通过设置在移动机器人上的惯性测量单元，获取移动机器人所处环境的IMU数据，得到移动机器人的姿态信息；
S03：通过设置在移动机器人上的轮...

【专利技术属性】
技术研发人员：吴金龙，陈应洪，
申请(专利权)人：深圳怪虫机器人有限公司，
类型：发明
国别省市：广东;44