[发明专利]机器人重定位方法、装置、计算机可读存储介质及机器人

说明书

本发明属于计算机技术领域，尤其涉及一种机器人重定位方法、装置、计算机可读存储介质及机器人。所述方法获取激光地图中的物体级别特征，并计算对应的第一位姿列表；获取机器人重定位的初始位置，并计算所述物体级别特征与所述初始位置之间的距离；若小于距离阈值，则将机器人采集的激光子图点云与所述第一位姿列表进行匹配，得到第二位姿列表；将所述激光子图点云拼接为子图，并进行多目标模板匹配，得到第一匹配候选结果；根据所述第二位姿列表对所述第一匹配候选结果进行筛选，得到第二匹配候选结果；确定所述第二匹配候选结果与所述子图的第一重合区域，并将所述第一重合区域内的边界点与所述激光子图点云进行匹配，得到机器人重定位结果。

技术领域

本发明属于计算机技术领域，尤其涉及一种机器人重定位方法、装置、计算机可读存储介质及机器人。

背景技术

当前智能移动服务机器人使用的主流即时定位与地图构建（SimultaneousLocalization And Mapping，SLAM）方案为以二维激光为主的SLAM方案。机器人在导航开始之前，或定位丢失之后，经常会遇到感知周围环境、根据已知地图确认当前机器人在地图中的位置的问题，即重定位问题。而当借助人的帮助以提高重定位成功率，从而在整个大地图上加一个重定位的限制区域时的问题，即为局部重定位问题。局部重定位问题的解决方法有两类，一类是用户指定，即用户控制机器人移动到已知的固定位置（比如每次机器人都从充电桩开始启动第一次上电后的导航），此类方法简单，但效率低、限制条件多，因此使用很少；另一类是软件算法处理，机器人通过传感器感知周围环境，通过与已知地图匹配，自主得出当前位置，此类方法复杂，但效率高、成本低，因此大量使用。

当前自适应蒙特卡洛定位 (Adaptive Monte Carlo Localization，AMCL)方法为使用最为广泛的重定位方法，该方法在用户给定初始估计位置的基础上，以概率模型生成很多位置猜测，再实时获取机器人激光雷达数据，与已知地图的边界点进行匹配、评价，得出最优位置猜测，再以最优位置猜测为下一次循环的初始估计值，重复上述过程，直到最优位置猜测满足判断条件，将最优位置猜测作为最终重定位结果。AMCL重定位方法，对计算资源要求低，在环境不变且特征明显的情况下，定位精确率较高，耗时短，但是在环境变化情况下，精确率低，错误率高，耗时长。机器人实际应用时，场景变化难以控制，定位错误容易带来严重的导航安全事故，所以现有的AMCL重定位方法在实际应用中有较大的安全风险。

发明内容

有鉴于此，本发明实施例提供了一种机器人重定位方法、装置、计算机可读存储介质及机器人，以解决现有的AMCL重定位方法在环境变化情况下错误率高，存在较大安全风险的问题。

本发明实施例的第一方面提供了一种机器人重定位方法，可以包括：

获取激光地图中的物体级别特征，并计算与所述物体级别特征对应的第一位姿列表；

获取机器人重定位的初始位置，并根据所述第一位姿列表计算所述物体级别特征与所述初始位置之间的距离；

若所述物体级别特征与所述初始位置之间的距离小于预设的距离阈值，则将机器人采集的激光子图点云与所述第一位姿列表进行匹配，得到第二位姿列表；

将所述激光子图点云拼接为子图，并以所述子图为目标图像，以所述激光地图为源图像，进行多目标模板匹配，得到第一匹配候选结果；

根据所述第二位姿列表对所述第一匹配候选结果进行筛选，得到第二匹配候选结果；

确定所述第二匹配候选结果与所述子图的第一重合区域，并将所述第一重合区域内的边界点与所述激光子图点云进行匹配，得到机器人重定位结果。

进一步地，所述机器人重定位方法还可以包括：