[发明专利]一种基于分支定界算法的室内移动机器人定位方法

说明书

本发明提供一种基于分支定界算法的室内移动机器人定位方法，通过将深度相机和激光雷达采集的数据进行融合，采用分支定界的方法在离线地图中搜索全局初始位姿，再通过迭代最近点的方法对全局初始位姿进行优化，最后将该全局位姿作为激光雷达扫描匹配的全局初始位姿，之后通过相关性扫描匹配的方法不断计算机器人的当前位姿，该方式能够保证机器人在行进过程中的定位精度，减小机器人的累积误差。另外在激光雷达扫描匹配算法的运行过程中，采用分支定界的方法加速回环检测进行全局优化，当回环检测算法未能及时校正累积的误差时，采用重定位判断方法有效检测误差的累积状态，并通过调用全局定位算法校正累积误差，提高定位过程的准确性。

技术领域

本发明属于移动机器人定位技术领域，具体涉及一种基于分支定界算法的室内移动机器人定位方法。

背景技术

现有的定位技术可分为两大类，绝对定位和相对定位；绝对定位需要预先确定好环境模型或通过传感器直接向机器人提供外接位置信息，计算机器人在全局坐标系中的位置；通常采用的方法是概率定位法、地图匹配法、信标定位法和GPS定位。相对定位则假定机器人初始位姿已知，采用相邻时刻传感器信息对机器人位置进行跟踪估计，相对定位分为里程计法和惯性导航法，该过程会随着机器人行进距离的增加而不断累积误差，需要绝对定位的方式进行修正。

分支定界算法是求解整数规划问题的常用方法，是一种搜索与迭代的方法。其主要流程分为分支和定界两个步骤。分支即把整个可行解空间不断分割成越来越小的子集；定界则是对每个子集内的解集计算一个目标下界(对于最小值问题)。在分支定界算法中，最重要的是剪枝的过程，也就是在每次分枝后，凡是界限超出已知可行解集目标值的那些子集不再进一步分枝。在机器人定位过程中，通过该方法能加快扫描匹配的过程，较快地寻找到机器人位姿的最佳匹配。

在机器人定位研究过程中，人们逐渐采用激光雷达扫描匹配的方式来修正机器人的累积误差，这种方式通过当前帧和前一帧或者几帧的扫描结果相匹配，从而确定机器人在环境中的位姿，能有效减小定位过程的累积误差，但该过程与激光雷达的精度有着很大的关系，另外就是环境的特征需要足够丰富，才能准确的进行匹配，但参与匹配的特征越多，则会导致算法时间复杂度提高。

发明内容

基于上述问题，本发明旨在提出一种基于分支定界算法的室内移动机器人定位方法，解决单一传感器定位精度受限的问题，提高室内移动机器人全局定位的能力和相对定位的准确性。

为实现上述目的，本发明提供的一种基于分支定界算法的室内移动机器人定位方法，包括：

步骤1：采集机器人周围环境的点云数据，并将点云数据转换到机器人本体坐标系下；

步骤2：将预先构建好的整个环境的离线地图转换为多层不同分辨率的栅格地图；

步骤3：将融合后的点云数据作为分支定界算法的输入，通过深度优先搜索的方式，在搜索树中查找具有最高得分的叶子节点作为机器人的全局初始位姿；

步骤4：将当前时刻得到的点云数据作为输入点云，离线地图作为目标点云，以机器人的全局初始位姿作为迭代最近点算法的初始位姿，通过迭代最近点算法得到准确的机器人全局位姿；

步骤5：采集机器人当前时刻的位姿信息作为位姿估计值，利用相关性扫描匹配算法得到机器人前进过程中的相对位姿；

步骤6：通过分支定界算法以深度优先搜索的方式加快回环检测的速度，在构建完成的所有子图中寻找当前机器人的相似匹配，采用非线性优化库优化位姿图；

步骤7：每间隔一定的时间判断机器人累积误差的大小，如果超过设定阈值，则返回执行步骤3来校正累积误差，并输出校正之后的机器人位姿。

所述步骤1包括：

步骤1.1：分别通过深度相机、激光雷达采集当前时刻机器人所在位置周围环境的两组点云数据；