[发明专利]一种基于几何信息的全局定位方法

说明书

本发明提供一种基于几何信息的全局定位方法，涉及移动机器人自主定位技术领域。本发明通过获取移动机器人当前的感知信息，采用SLAM算法生成三维点云地图，将三维点云地图分割成全局子地图，机器人移动建立局部地图，计算全局描述符，在全局子地图中，寻找最优局部子地图并计算两者的局部描述符，利用kd‑tree寻找局部描述符对应关系，利用几何一致性算法，去除错误匹配；对于找到的对应关系，利用绝对定位算法求得局部地图与全局子地图的粗略位姿变换；最后，利用ICP或NDT算法进行精匹配，最终将激光扫描与全局地图进行对齐，得到机器人相对于全局地图的位姿关系，本方法适用场景广，仅需要激光测距仪就可实现全局定位，具有易操作、精度高的特点。

技术领域

本发明涉及移动机器人自主定位技术领域，尤其涉及一种基于几何信息的全局定位方法。

背景技术

移动机器人定位就是确定相对于给定地图环境的机器人位姿，被称为位姿估计。根据初始位姿信息是否已知，分为位置跟踪与全局定位。全局定位，认为机器人初始位姿未知。机器人最初放置在环境中的某个地方，但是缺少它的未知信息。绑架机器人问题，是全局定位问题的一个变种，但是它更加困难。在运行过程中，机器人被绑架，瞬间移动到其他位置。通过绑架机器人可以测试一个定位算法，可以用来衡量该算法从全局定位失效中恢复的能力。

由于相机传感器成本较低而且能够感知丰富的环境信息，应用视觉信息进行全局定位是目前的主流方法，但视觉信息受环境光照、遮挡以及视角等影响较大，在黑夜中将无法工作。在有遮挡的环境下，GPS无法实现精确定位。基于几何信息的全局定位有效克服了上述方法的缺点，能够提供准确的初始位姿估计。在定位中，常用的传感器有RGB-D相机，激光测距仪，RGB-D相机可提供点云信息，但探测距离有限。激光雷达精度高，探测距离远，能够提高大量的点云信息，有利于大尺度环境下的定位工作。

传统的全局定位方法有以下几种：基于视觉的全局定位方法通常基于BOW词袋模型进行图像间相似度的匹配并获取相似图像，然后结合相关优化方法实现当前图像与相似图像的位姿变换。然而BOW词袋模型通常采用人工构造的特征并结合聚类算法构造词典表示图像，并利用词典直方图进行图像匹配，在面临光照、遮挡等复杂环境下仍容易出现误匹配的情况。基于GPS全球定位系统容易受到电磁干扰、多路径效应的影响。基于概率地图的定位，用概率论来表示不确定性，将机器人方位表示为对所有可能的机器人位姿的概率分布。

发明内容

针对现有技术存在的问题，本发明提供一种基于几何信息的全局定位方法，根据移动机器人的感知信息采用即时定位与地图构建(SLAM)算法生成三维点云地图，再将三维点云地图进行分割成子地图计算ESF全局描述符，机器人上电启动建立局部地图，局部地图计算ESF全局描述符，在全局子地图中寻找与其相似度最高的子地图，然后对两个地图进行均匀采样处理得到关键点，计算局部SHOT描述符,根据关键点的描述符利用kd-tree算法找到关键点描述符之间的对应关系，采用几何一致性算法去除误关联的点对。然后通过绝对定向算法计算出局部地图之间的旋转矩阵R与平移向量T,得到粗略的位姿变换关系。随后，通过ICP算法或NDT算法完成精匹配，最终得到精确的全局位姿信息。

为解决上述技术问题，本发明所采取的技术方案是：一种基于几何信息的全局定位方法；包括以下步骤：

步骤1：获取移动机器人当前对自定位的感知信息，采用即时定位与地图构建算法，事先生成环境的三维点云地图；

所述移动机器人搭载激光测距仪以及ROS操作系统；所述激光测距仪与机器人刚体连接，用来构建地图及基于地图进行全局定位；所述ROS操作系统是一种用于机器人的后操作系统，为算法提供优良的开发环境；

步骤2：利用kd-tree算法，对所述步骤1生成的三维点云地图进行等间隔划分，生成全局子地图；

步骤3：对全局子地图进行预处理，计算ESF全局描述符并对其进行存储；