[发明专利]基于多层次地图匹配的移动机器人位姿纠正算法

说明书

本发明公开了一种基于多层次地图匹配的移动机器人位姿纠正算法，属于机器人和计算机图形学技术领域。本发明所述算法利用同步定位与构图算法建立全局栅格地图，结合当前观测与栅格地图的匹配关系利用AMCL算法纠正航迹推算出的位姿，从而得到相对准确的全局位姿信息；同时，本发明把栅格地图转换为之对应的全局目标点云地图，将机器人实时观测的激光点云与目标点云地图配准，以进一步修正全局位姿。本发明所述方法可以获得准确的全局位姿信息，减少长距离定位误差积累，避免现有粒子滤波技术中因粒子空间有限导致求解的位姿不够准确以及ICP算法求解的精度与效率对初始位姿过于依赖的缺点，实现了高效且准确的位姿求解。

技术领域

本发明属于机器人和计算机图形学技术领域，具体涉及一种基于多层次地图匹配的移动机器人位姿纠正算法。

背景技术

随着人工智能的不断发展，机器人的应用越来越广泛。为保证机器人能适应不同复杂的环境，因此对机器人的智能化提出了更高的要求。移动机器人的自主导航定位技术是机器人技术的核心，而其中定位是要解决的首要问题，吸引了众多研究人员的热切关注。定位问题可以分为两个子问题，一是机器人初始位置已知的局部位置跟踪问题，二是初始位置未知的全局定位问题。局部位置跟踪可以通过采集里程计、惯性导航单元信息进行航迹推算来完成，但存在很大的误差积累。激光雷达、摄像头、GPS等传感器可以得到机器人的全局位姿信息，但是摄像头和GPS对环境依赖大，如，摄像头对光线要求较高，GPS要求周围遮挡物较少。激光雷达具有精度高、环境适应能力强等特点，被广泛应用于机器人领域。早期的机器人定位算法主要包括扩展卡尔曼滤波、马尔可夫定位、多假设跟踪、粒子滤波等算法。虽然上述算法可以获得机器人的定位信息，但是计算效率和定位精度不高，不适用于一些特殊的应用环境。例如，变电站巡检、工厂物体抓取等工作需要可靠的感知传感器和高精度定位算法。因此，对移动机器人高精度定位研究具有很大的意义。以往机器人定位研究工作主要有以下几种方法：

(1)Fox提出了可尔可夫定位算法，已知移动机器人采用动作和传感器观测求解机器人在某个环境空间的位姿可信度，从而求解出最好的位姿。

(2)Leonard提出把扩展卡尔曼滤波算法应用于移动机器人定位，它其实是马尔可夫定位的一种特殊情况，但用一阶矩和二阶矩表示置信度，即均值和协方差。它适用于地标一致性可以绝对肯定的情况。

(3)Dellaert提出了蒙特卡洛定位算法，通过把合适的概率运动和感知模型代入粒子滤波算法中，它使用粒子滤波估计机器人位姿的后验，适应用于局部定位和全局定位，也能解决部分机器人绑架问题。之后，有学者将自适应机制引入蒙特卡洛算法，减少了计算时间。

(4)Minguez提出采用迭代最近点算法估计移动机器人位移。此算法对里程计输出的位姿进行了有效的纠正，提高了移动机器人长距离移动的定位精度。

粒子滤波算法的运用可以对非线性非高斯问题进行评估，迭代最近点算法可以减少里程计误差的积累。以上方法都在一定程度上解决了机器人定位的问题，但依然存在很多局限，主要表现在：

(1)定位精度不高。由于车轮打滑、传感器温度漂移带来的误差，以上方法在利用二维激光的情况下只能得到一个粗略的位姿估计，不能满足一些高精度定位需求的场合。目前，机器人定位多数是基于概率的方法估计最优的机器人位姿。蒙特卡洛算法由于粒子数量有限、粒子退化、栅格地图分辨率有限等问题，造成了估计得到局部最优位姿，而错过了全局最优位姿。迭代最近点算法在有一个较优的初始解情况下，可以保证全局最优，但如果采用的相邻激光点云进行匹配，这样就不可避免的引出了全局误差积累。