[发明专利]机器人位姿的确定方法、装置、机器人和可读存储介质

说明书

本公开涉及一种机器人位姿的确定方法、装置、机器人和可读存储介质，涉及计算机技术领域。本公开的方法包括：通过在机器人拍摄的当前帧图像和前一帧图像中匹配相同的特征点和特征线段，并参考机器人拍摄前一帧图像时的位置和姿态，估计机器人拍摄当前帧图像时的位置和姿态；根据地图中的特征点和特征线段在当前帧图像中的匹配信息，以及估计的机器人拍摄当前帧图像时的位置和姿态，确定对机器人拍摄当前帧图像时的位置和姿态进行估计而产生的误差；根据误差对估计的机器人拍摄当前帧图像时的位置和姿态进行修正，从而确定机器人拍摄当前帧图像时的位置和姿态。本公开的方案对SVO算法进行改进，提高了机器人的位置和姿态的估计的准确性。

技术领域

本公开涉及计算机技术领域，特别涉及一种机器人位姿的确定方法、装置、机器人和可读存储介质。

背景技术

视觉里程计(Visual Odometry，VO)是通过处理分析相机的序列图像来估计机器人位置和姿态的相对变化，是视觉SLAM(Simultaneous Localization and Mapping，即时定位与地图构建)系统中的前端工作，是SLAM系统不可或缺的组成部分。作为移动机器人自主定位和导航的关键技术，视觉里程计也是移动智能机器人方向的研究热点，在整个机器人智能化方面起着举足轻重的作用。

2014年，苏黎世大学机器人感知组的Forster等人提出了的SVO(Semi-DirectMonocular Visual Odometry，半直接单目视觉里程计里程计)算法。SVO算法是目前移动机器人自主定位和导航中普遍应用的算法。

发明内容

发明人发现：SVO算法根据图像中的点特征估计机器人的位置和姿态。在低纹理和结构化的情景中点特征不丰富，例如图1中，大面积的图像纹理相同(例如墙、门)、结构化明显，属于低纹理和结构化的情景。因此，基于点特征的SVO算法的鲁棒性和准确性大大降低机器人的位置和姿态的估计的准确性。

本公开所要解决的一个技术问题是：如何低纹理和结构化场景中如何提高。

根据本公开的一些实施例，提供的一种机器人位姿的确定方法，包括：通过在机器人拍摄的当前帧图像和前一帧图像中匹配相同的特征点和特征线段，并参考机器人拍摄前一帧图像时的位置和姿态，估计机器人拍摄当前帧图像时的位置和姿态；根据地图中的特征点和特征线段在当前帧图像中的匹配信息，以及估计的机器人拍摄当前帧图像时的位置和姿态，确定对机器人拍摄当前帧图像时的位置和姿态进行估计而产生的误差；根据误差对估计的机器人拍摄当前帧图像时的位置和姿态进行修正，从而确定机器人拍摄当前帧图像时的位置和姿态。

在一些实施例中，估计机器人拍摄当前帧图像时的位置和姿态包括：通过比对地图中的特征点和特征线段在当前帧图像中的投影信息和在前一帧图像中的投影信息，确定机器人拍摄当前帧图像时相对于拍摄前一帧图像时的相对位移和姿态变化；根据机器人拍摄当前帧图像时相对于拍摄前一帧图像时的相对位移和姿态变化，以及机器人拍摄前一帧图像时的位置和姿态，估计机器人拍摄当前帧图像时的位置和姿态。

在一些实施例中，确定机器人拍摄当前帧图像时相对于拍摄前一帧图像时的相对位移和姿态变化包括：确定地图中的特征点和特征线段上的点在当前帧图像中的投影的亮度信息作为第一亮度信息；确定地图中的特征点和特征线段上的点在前一帧图像中的投影的亮度信息作为第二亮度信息；使第一亮度信息和第二亮度信息误差最小的情况下，确定机器人拍摄当前帧图像时相对于拍摄前一帧图像时的相对位移和姿态变化。

在一些实施例中，确定地图中的特征点和特征线段在当前帧图像中的投影信息包括：确定地图中的特征点和特征线段上的点在拍摄对应的关键帧图像时机器人坐标系下的三维坐标；根据机器人拍摄当前帧图像相对于拍摄关键帧图像的位移和姿态变化，将特征点和特征线段上的点的三维坐标由拍摄关键帧图像时机器人坐标系下，转换至拍摄当前帧图像时机器人坐标系下；根据相机的内置参数，以及特征点和特征线段上的点在拍摄当前帧图像时机器人坐标系下的三维坐标，将特征点和特征线段的点投影到当前帧图像上，得到二维坐标作为在当前帧图像中的投影信息。