[发明专利]基于现场场线特征的移动机器人定位方法

摘要

本发明提供了一种基于现场场线特征的移动机器人定位方法，其包括步骤S1‑S10。在本发明中，使用工作环境中的已有场线特征，保证了全局环境地图与真实工作环境的一致性；基于场线特征离散化成采样点的方式来进行匹配度的计算，有效地克服了可能存在的有效特征信息不足的问题；构建出的全局概率地图，方便后续机器人在定位过程中的定量计算，节约了计算时间；增量式边线提取算法受外界噪声干扰低、使用的参数少，减少了计算量；基于蒙特卡罗方法进行采样，使得滤波精度可以逼近最优估计，大大降低了计算复杂度；粒子滤波算法具有较强的建模能力，可以有效克服非线性情况下高斯分布的制约、能够适应现实复杂环境的要求，提高了机器人的自定位精度。

主权项

1.一种基于现场场线特征的移动机器人定位方法，其特征在于，包括步骤：S1，构建出移动机器人所需工作环境的全局环境地图，所述全局环境地图包含工作环境中的全部场线信息，其中移动机器人设置有用于采集工作环境中的场线信息的视觉系统，所述工作环境建立有全局坐标系O₁‑X_wY_wZ_w；S2，将所述全局环境地图中的场线定义为真实场线，并将所述全局环境地图分割成等大小的单元格、选取靠近真实场线最近的单元格顶点作为基准采样点，则所有的基准采样点构成第一采样集合A＝{P_si,i＝1,2,3…n}，分别获得基准采样点P_si的位置坐标(x_si,y_si)以及与基准采样点P_si对应的真实场线的倾斜角其中i表示基准采样点的编号、n表示基准采样点的个数；S3，预先假设所述视觉系统采集到的场线信息为虚拟场线，选取靠近虚拟场线最近的单元格顶点作为目标采样点，其中各目标采样点可以为任意的单元格顶点，则由所有的单元格顶点构成第二采样集合B＝{P_xj,j＝1,2,3,…m}，分别获得单元格顶点P_xj的位置坐标(x_sj,y_sj)，其中j表示单元格顶点的编号、m表示单元格顶点的个数；S4，基于获得的基准采样点的位置信息以及单元格顶点的位置信息，分别计算出单元格顶点P_xj与基准采样点P_si之间的匹配度ω_ji，则单元格顶点P_xj被采样的概率由此获得全局概率地图；S5，在工作环境中，移动机器人利用视觉系统采集出工作环境的不同位置的原始照片，其中，移动机器人建立有机器人坐标系O₂‑X_rY_rZ_r、视觉系统建立有相机坐标系O₃‑X_cY_cZ_c、原始照片建立有图像坐标系O₄‑XY；S6，基于视觉系统采集到的原始照片，提取出实际场线信息，包括步骤：S61，将原始照片转化为多值图像且所述多值图像建立有像素坐标系O₅‑UV；S62，利用增量式边线提取算法提取出多值图像中的实际场线信息；S63，对得到的实际场线信息进行滤波处理；S64，将提取出的实际场线信息转换到机器人坐标系下；S7，采用蒙特卡罗方法在全局环境地图上选取一定数量的单元格顶点作为初始样本，并由初始样本中的所有单元格顶点构建粒子集合D₀＝{(x_w,y_w,α_w)_k⁽⁰⁾,k＝1,2…f,f＜n}、一个粒子对应一个单元格顶点，则移动机器人位于粒子集合D₀中的每个粒子处的初始权重均为ω⁽⁰⁾＝1/f，其中x_w、y_w分别是粒子在全局环境地图的全局坐标系下的X轴坐标和Y轴坐标、α_w是移动机器人在对应粒子处相对于全局坐标系的X轴正方向的旋转角、k表示粒子集合D₀中的粒子编号、f表示粒子集合D₀中的粒子个数；S8，基于粒子集合D₀，分别求出每个粒子对应的全局坐标系与机器人坐标系变换之间的旋转矩阵和平移矩阵，并将步骤S6中得到的机器人坐标系下的实际场线信息转换到全局坐标系下，即：由此获得每个粒子对应的全局实测地图，其中[x_r,y_r,z_r]^T是机器人坐标系下的坐标、[x_w,y_w,z_w]^T是全局坐标系下的坐标、R_wr^k表示第k个粒子对应的全局坐标系与机器人坐标系变换之间的旋转矩阵、T_wr^k表示第k个粒子对应的全局坐标系与机器人坐标系变换之间的平移矩阵；S9，在每个全局实测地图中，选取靠近实际场线最近的单元格顶点作为实际采样点并构成第三采样集合C＝{P_j',j'＝1,2,3,…e}，且在步骤S4中获得的全局概率地图中找出实际采样点P_j'对应的被采样概率ω_j'、j'为每个全局实测地图中实际采样点的编号，则第k个粒子的计算权重并将粒子集合D₀中的所有粒子进行归一化处理、且归一化处理后第k个粒子的计算权重由此获得粒子集合D₀的粒子概率分布结果S10，根据获得的粒子集合D₀的粒子概率分布结果并基于粒子滤波算法重新调整粒子分布，由此获得的新的粒子集合D₁以及粒子集合D₁的粒子概率分布结果以此类推不断重新调整粒子分布并获得调整后的粒子集合对应的粒子概率分布结果，直至粒子概率分布结果收敛，则粒子概率分布结果收敛时的极值为最终的移动机器人定位结果。