[发明专利]基于场景重识的定位方法、电子设备、存储介质、系统

说明书

本发明提供基于场景重识的定位方法，包括数据转换，将三维激光数据转换为二维单通道图像；建立特征地图，对图像进行标记，得到图像对应的标签；将图像与标签作为输入，采用神经网络训练模型进行训练得到特征向量，根据特征向量建立特征地图；全局定位，根据当前激光数据与已有特征地图进行匹配，选取匹配结果最近的结果作为当前全局定位。本发明还涉及电子设备、存储介质、系统。本发明基于k‑d树的快速搜索完成激光数据与地图的匹配，以场景重识作为观测模型、融合里程信息、粒子滤波算法在全局上估计出机器人的二维位姿；本发明具有旋转不变性，与机器人此时的朝向无关；本发明适应室外环境的缓变，适用于机器人的长期运行。

技术领域

本发明涉及定位方法，尤其涉及基于场景重识的定位方法、电子设备、存储介质、检测系统。

背景技术

近年来，室外移动机器人出现在生产生活的各个方面。对于无人驾驶、室外巡检、自动送货等功能而言，移动机器人需要较为鲁棒的全局定位。而在长期运行的环境中，定位丢失或者机器人被绑架的情况难以避免，所以在这种情况下需要快速且精准地定位机器人。三维激光传感器能够较为精准地得到机器人周围的环境结构信息，已经被广泛应用于室外机器人的地图构建与实时定位。这正成为本发明研究与深入的方向。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于场景重识的定位方法、电子设备、存储介质、检测系统，采用基于三维激光数据的场景重识技术是全局定位的关键与基础；此外，基于k-d树的快速搜索完成激光数据与地图的匹配，以场景重识作为观测模型、融合里程计信息、粒子滤波算法在全局上估计出机器人的二维位姿，这种转化方法具有旋转不变性，与机器人此时的朝向无关。同时本发明适应室外环境的缓变，适用于机器人的长期运行。

本发明提供基于场景重识的定位方法，包括以下步骤：

数据转换，将三维激光数据转换为二维单通道图像；

建立特征地图，根据场景对所述图像标记对应的场景标签；将所述图像与场景标签作为输入，采用神经网络训练模型进行训练得到特征向量模型，利用特征向量模型将所述图像转化得到特征向量，根据所述特征向量建立特征地图；

全局定位，利用特征向量模型获取当前激光数据对应的特征向量，将所述特征向量与所述特征地图进行匹配，根据最优匹配结果计算当前位置。进一步地，所述步骤数据转换具体为：

S101、获取三维激光数据中各激光点的仰角；

S102、根据所述激光点的仰角，将三维激光数据划分得到不同仰角区间的子集；

S103、统计相同仰角区间内相邻激光点之间的距离变化，得到各个所述子集的一维统计分布；

S104、对各个所述子集的统计分布进行排列，得到二维单通道图像。

进一步地，所述步骤建立特征地图具体采用k-d树将所有所述特征向量构建特征地图。

进一步地，所述步骤建立特征地图具体为：

S201、获取所述二维单通道图像，并对所述二维单通道图像进行标注，得到所述图像对应的标签；

S202、将所述图像与所述标签作为输入，采用神经网络训练模型进行训练得到一维特征向量；

S203、根据所述一维特征向量，采用k-d树构建特征地图。

进一步地，所述S201步骤具体为：计算每一帧激光数据对应的机器人位姿，根据所述位姿差值判断是否为相同场景，并将所述激光数据与所述图像配上闭环场景或非闭环场景的标签。

进一步地，所述S202步骤中采用对称神经网络训练模型进行训练。