[发明专利]一种移动机器人定位方法

说明书

本发明公开了一种移动机器人定位方法，属于移动机器人定位技术领域，包括将搭载二维激光雷达的机器人置于当前定位的环境中，并获取障碍物的地图点云；采用自适应蒙特卡洛定位算法，估计出机器人当前的位姿；利用机器人当前的位姿将二维激光雷达的实时数据转换为与地图点云同一坐标系下的点云PTCloudsubgt;scan/subgt;；将每一帧点云PTCloudsubgt;scan/subgt;作为迭代最近点的输入，得到当前帧点云PTCloudsubgt;scan/subgt;相对于地图点云的旋转矩阵R和平移矩阵T；根据旋转矩阵R和平移矩阵T，计算出机器人最终的位姿。通过将采用自适应蒙特卡洛定位算法得到的位姿作为参考值变换二维激光雷达的点云坐标系，使其与当前的地图点云足够近，以加速迭代最近点的匹配速度，提高定位精度。

技术领域

本发明涉及移动机器人定位技术领域，特别涉及一种移动机器人定位方法。

背景技术

随着科学技术的快速发展以及人工智能时代的来临，移动机器人发展迅速，且在各行各业中得到了广泛应用。其中如何让机器人知道自己在当前所处环境中的位姿并且在移动过程中也反馈位姿需要用到定位技术。在多数机器人工作时，首先需要高精度的定位才能够执行后续的任务，所以，如何对机器人实时、准确、高效的定位成为问题的关键。

现在已有的定位技术有基于卡尔曼滤波(Kalman filtering，KF)，KF是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。以及对KF衍生的EKF、UKF等不同模型假设来近似求最优后验概率，以此来定位机器人。自适应蒙特卡洛定位(adaptive Monte Carlo localization，AMCL)是一种改良版的MCL算法，针对与MCL无法从机器人绑架或全局定位失败中恢复过来，AMCL设置了增加随机粒子来解决这一问题。迭代最近点(adaptive Monte Carlo localization，ICP)方法是不停的求解实时激光点云与地图的变换关系，获的旋转矩阵R和平移向量T来确定机器人的实时位姿。

但是，通过卡尔曼滤波定位方式由于里程计有累计误差，加上不同噪声干扰，会使得定位过程中，误差会随着时间增加越来越大。而自适应蒙特卡洛定位则需要虽然比卡尔曼滤波算法相对稳定，但是其总体定位的精度不高，且需要大量粒子来维持较高的定位精度。使用ICP求解地图和当前激光点关系的定位方式会有大量的计算，尤其在大地图中点云较多，定位时间耗时较长，在机器人移动过程中不能具有时效性，无法应用于后续导航功能。

发明内容

本发明的目的在于克服现有技术的不足，以在移动机器人导航过程中，提高当前位姿定位的精准性。

为实现以上目的，本发明采用一种移动机器人定位方法，包括如下步骤：

将搭载二维激光雷达的机器人置于当前定位的环境中，并获取障碍物的地图点云；

采用自适应蒙特卡洛定位算法，在机器人初始位姿附近生成服从高斯分布的粒子，并根据混入噪声对各个粒子位姿进行更新，并根据粒子的位姿权重估计出机器人当前的位姿；

利用机器人当前的位姿将二维激光雷达的实时数据转换为与地图点云同一坐标系下的点云PTCloud_scan；

将每一帧点云PTCloud_scan作为迭代最近点的输入，得到当前帧点云PTCloud_scan相对于地图点云的旋转矩阵R和平移矩阵T；

根据旋转矩阵R和平移矩阵T，计算出机器人最终的位姿。

进一步地，所述将搭载二维激光雷达的机器人置于当前定位的环境中，并获取障碍物的地图点云，包括：

将所述搭载二维激光雷达的机器人置于当前定位的环境中，并加载预先建立好的当前定位环境二维占据栅格地图；