[发明专利]机器人位姿估计

说明书

本发明涉及一种用于估计机器人位姿的装置和方法，其中，基于第一位姿估计或第二位姿估计或所述第一位姿估计和所述第二位姿估计的组合确定所述机器人位姿的当前位姿估计，其中，所述第一位姿估计是基于当前位姿分布；其中，基于所述当前位姿分布确定所述第一位姿估计对所述当前位姿估计的贡献和所述第二位姿估计对所述当前位姿估计的贡献。因此，将每个位姿估计的强度合并到所述当前位姿估计中。此外，描述了改进的粒子滤波方法和系统，其中，基于一组参考特征与一组观察特征之间的相似度评分更新所述粒子的权重，其中，在所述机器人的环境中根据所述机器人的一个或多个传感器的传感器数据检测该组观察特征。利用相似度评分解决了机器人环境中有关动态对象的问题，提高了特征可辨别性。

本发明涉及稳健和有效地估计机器人，特别是车辆的位姿。所公开的系统和方法可用于车辆的实时定位。

背景技术

随着机器人系统在日益增加的非结构化环境中运行，移动机器人定位在机器人学中变得越来越重要。目前，移动机器人系统的应用包括以不同应用作为以下各项的移动平台：行星探测、用于深海探测的潜水器、空中或密闭空间(如矿井)中的机器人车辆、在城市环境中自主行驶的汽车，以及在涉及与人类互动的高度动态环境中工作的安卓机器人。

这些以及其他应用中的移动机器人需要在本质上不可预测的环境中运行，在这些环境中，移动机器人通常必须在由静态和动态对象构成的环境中导航。此外，即使是静态对象的位置也常常是未知的，或者所知晓的位置也具有不确定性。因此，对机器人进行十分精准的定位至关重要，通常使用机器人传感器和/或外部传感器的传感器数据。定位问题涉及根据传感器数据，通常使用环境地图，在外部参考框架或全局坐标系中估计机器人的坐标及其一般方向，共同形成所谓的位姿。

为了说明该定位过程固有的不确定性，包括不可避免的测量误差和传感器噪声，通常采用概率方法，其中，机器人瞬时位姿的估计(也称为置信度)通过所有位置和潜在方向的空间(即所谓的状态空间)内的概率密度函数来表示。

针对定位问题常用的概率方法涉及递归贝叶斯估计，也称为贝叶斯滤波器。利用贝叶斯滤波器，基于最新获得的传感器数据或观察值持续更新机器人的概率密度函数。递归算法由两部分组成：预测和更新。假设机器人的真实状态X是未被观察的马尔可夫过程，测量值Z是隐马尔可夫模型的观察状态。

预测步骤使用系统模型p(X_t|X_t–1)(也称为运动模型)，在根据时间t–1的先前概率分布函数p(X_t–1|Z_1:t–1)(所谓的先前后验)给定先前观察值Z_1:t–1的条件下，预测在时间t的概率分布函数p(X_t|Z_1:t–1)(所谓的当前先验)，其中，由于噪声，预测的概率分布函数是扩散的。更新步骤根据新观察数据更新预测，以在给定当前时刻的观察值Z_1:t的条件下，计算当前概率分布函数p(X_t|Z_1:t)(所谓的当前后验)。

当前后验与测量似然函数p(Z_t|X_t)和证据p(Z_t|Z_1:t–1)归一化的当前先验p(X_t|Z_1:t-1)的乘积成正比。通过似然函数p(Z_t|X_t)，测量模型进入计算阶段，其中，该测量模型表示在给定时间t的真实状态X_t的条件下观察值Z_t的条件概率。根据当前后验p(X_t|Z_1:t)，可以通过确定当前概率分布函数的最大值或应用最小均方误差(minimum mean-square error，MMSE)方法等，确定在时间t下真实状态X_t的最优估计即机器人位姿的估计。然后，可以使用位姿估计在机器人的环境中操作机器人。