一种用于机器人的多雷达定位系统及方法与流程

本申请涉及计算机领域，尤其涉及一种用于机器人的多雷达定位系统及方法。

背景技术：

高精度定位是移动机器人实现无人值守的关键。针对激光雷达(lidar)设备，目前研究主要集中在单线激光lidar与多线激光lidar定位建图系统。单线激光lidar只扫描一个面的信息，其观测信息较少，且在长时间运行过程中，环境动态多变，难以用于实现高精度地图的构建以及定位。而使用多线激光lidar可以获取丰富的观测信息，由于观测点数过多，定位系统进行定位的过程中将耗费大量运算资源，无法在成本较低的处理器中运行，使用多线激光lidar进行高精度定位成本过高。

技术实现要素：

本申请的一个目的是提供一种用于机器人的多雷达定位系统及方法，解决现有技术中使用单线雷达观测不丰富、定位精度低下以及多线定位价格过高、运算量大的问题。

根据本申请的一个方面，提供了一种用于机器人的多雷达定位系统，其特征在于，所述系统包括数据采集模块、定位模块、时间同步模块和位姿融合模块，其中，

所述数据采集模块用于从多个激光雷达处获取激光观测数据，从多个里程计处获取里程数据；

所述定位模块用于获取环境地图、数据采集模块发送的里程数据和激光观测数据，基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿，将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿；

所述时间同步模块用于将各个激光雷达对应的匹配后的粒子位姿进行时间同步处理，得到时间同步后的各个激光雷达对应的粒子位姿；

所述位姿融合模块用于对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿。

可选地，所述数据采集模块包括传感器数据采集滤波模块和里程计采集模块，其中，

所述传感器数据采集滤波模块用于从多个激光雷达处获取激光观测数据，对所述激光观测数据进行滤波处理，其中，所述滤波处理包括孤立点过滤计算和窗口均值滤波；

所述里程计采集模块用于从多个里程计处获取里程数据。

可选地，所述定位模块包括粒子滤波模块、粒子聚类模块和匹配模块，其中，

所述粒子滤波模块用于获取环境地图、数据采集模块发送的里程数据和激光观测数据，以确定机器人对应的当前粒子位姿；

所述粒子聚类模块用于将所述当前粒子位姿进行聚类处理，得到最大聚类粒子分布；

所述匹配模块用于根据所述激光观测数据和所述最大聚类粒子分布将所述当前粒子位姿与所述环境地图进行指定匹配处理，得到匹配度以及匹配后的粒子位姿。

可选地，所述粒子滤波模块用于基于所述里程数据使用预设概率运动模型预测机器人对应的当前粒子位姿，根据所述环境地图和所述激光观测数据确定预测的当前粒子位姿的权重数值，根据所述权重数值和预测的当前粒子位姿确定机器人对应的当前粒子位姿。

根据本申请的另一个方面，还提供了一种用于机器人的多雷达定位方法，其中，所述方法包括：

从多个激光雷达处获取激光观测数据以及从多个里程计处获取里程数据；

获取环境地图，基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿；

将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿；

将各个激光雷达对应的匹配后的粒子位姿进行时间同步处理，得到时间同步后的各个激光雷达对应的粒子位姿，其中，所述时间同步处理包括网络时间协议；

对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿。

可选地，所述方法包括：

对所述激光观测数据进行滤波处理，其中，所述滤波处理包括孤立点过滤计算和窗口均值滤波。

可选地，所述基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿，包括：

基于所述里程数据使用预设概率运动模型预测机器人对应的当前粒子位姿；

根据所述环境地图和所述激光观测数据确定预测的当前粒子位姿的权重数值，根据所述权重数值和预测的当前粒子位姿确定机器人对应的当前粒子位姿。

可选地，所述根据所述环境地图和所述激光观测数据确定预测的当前粒子位姿的权重数值，包括：

根据所述激光观测数据和所述环境地图确定对应的当前观测地图的特征向量；

根据所述预测的当前粒子位姿和所述环境地图确定预测粒子对应位置的特征向量；

根据所述当前观测地图的特征向量和所述预测粒子对应位置的特征向量确定相似度，根据所述相似度确定所述预测的当前粒子位姿的权重数值。

可选地，所述根据所述权重数值和预测的当前粒子位姿确定机器人对应的当前粒子位姿之后，包括：

将所述当前粒子位姿进行聚类处理，得到最大聚类粒子分布。

可选地，所述将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿，包括：

根据所述激光观测数据和所述最大聚类粒子分布将所述当前粒子位姿与所述环境地图进行指定匹配处理，得到匹配度以及匹配后的粒子位姿，其中，所述指定匹配处理包括三维点云匹配处理。

可选地，所述对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿，包括：

对所述各个激光雷达对应的粒子位姿进行指定滤波处理，其中，所述指定滤波处理包括扩展卡尔曼滤波、粒子滤波和粒子群优化。

根据本申请的再一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述任一项所述的方法。

与现有技术相比，本申请通过从多个激光雷达处获取激光观测数据以及从多个里程计处获取里程数据；获取环境地图，基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿；将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿；将各个激光雷达对应的匹配后的粒子位姿进行时间同步处理，得到时间同步后的各个激光雷达对应的粒子位姿，其中，所述时间同步处理包括网络时间协议；对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿。从而实现单线雷达即可完成高精确定位机器人实时位置，有效降低了成本，减少了系统资源浪费。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出根据本申请的一个方面提供的一种用于机器人的多雷达定位系统框架结构示意图；

图2示出本申请根据另一方面提供的一种用于机器人的多雷达定位方法流程示意图；

图3示出了本申请一可选实施例中的一种用于机器人的多雷达定位的方法流程示意图；

图4示出了本申请一可选实施例中的一种用于机器人的多雷达定位的方法流程示意图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

图1示出根据本申请的一个方面提供的一种用于机器人的多雷达定位系统框架结构示意图，其特征在于，所述系统包括数据采集模块100、定位模块200、时间同步模块300和位姿融合模块400，其中，所述数据采集模块100用于从多个激光雷达处获取激光观测数据，从多个里程计处获取里程数据；所述定位模块200用于获取环境地图、数据采集模块发送的里程数据和激光观测数据，基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿，将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿；所述时间同步模块300用于将各个激光雷达对应的匹配后的粒子位姿进行时间同步处理，得到时间同步后的各个激光雷达对应的粒子位姿；所述位姿融合模块400用于对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿。从而实现单线雷达即可完成高精确定位机器人实时位置，有效降低了成本，减少了系统资源浪费。

具体地，所述数据采集模块100用于从多个激光雷达处获取激光观测数据，从多个里程计处获取里程数据，这里的激光雷达为单线激光雷达，所述激光数据包括但不限于激光雷达探测到的机器人实时角度、机器人与环境物体的测量距离。数据采集模块100还用于从设置于机器人上的多个里程计处获取里程数据，为其他模块运行提供先验数据。接着，所述环境地图可以是预存的环境地图，也可以是根据激光雷达获得的激光数据进行实时测绘的环境地图，所述定位模块200用于获取环境地图、数据采集模块发送的里程数据和激光观测数据。在此，所述预设概率运动模型可以为高斯概率模型或粒子运动模型，使用预设概率运动模型结合里程数据可以预测当前状态下的位姿，同时结合激光数据和环境地图可以将预测的位姿确定为当前粒子位姿。接着，将所述当前粒子位姿与所述环境地图进行匹配处理，其中，所述匹配处理可以为点云匹配，得到匹配度对应的数值以及匹配后的粒子位姿，经过匹配的粒子位姿可以在环境地图中进行更准确地表达，有效提高了对机器人定位的准确度。

然后，所述时间同步模块300获取各个激光雷达对应的匹配后的粒子位姿，将所有的激光雷达对应的匹配后的粒子位姿进行时间同步处理，例如使用迭代最近点算法(icp算法)得到时间同步后的各个激光雷达对应的粒子位姿。接着，所述位姿融合模块400对所述各个激光雷达对应的粒子位姿进行位姿融合，例如对各个激光雷达对应的粒子位姿进行滤波处理得到机器人对应的目标位姿。

需要说明的是，所述数据采集模块100和所述定位模块200连接，所述定位模块200和所述时间同步模块300连接，所述时间同步模块300和所述位姿融合模块400连接，连接方式可以是有线的连接，也可以是无线的连接，实现数据的发送和接收，完成数据在各模块之间的传输。

在本申请一可选实施例中，所述数据采集模块100包括传感器数据采集滤波模块101和里程计采集模块102，其中，所述传感器数据采集滤波模块101用于从多个激光雷达处获取激光观测数据，对所述激光观测数据进行滤波处理，其中，所述滤波处理包括孤立点过滤计算和窗口均值滤波；所述里程计采集模块102用于从多个里程计处获取里程数据。在此，所传感器采集滤波模块101可以实时获取多个激光雷达探测到的各类激光数据，这里的激光雷达为单线激光雷达，所述激光数据包括但不限于激光雷达探测到的机器人实时角度、机器人与环境物体的测量距离，接着通过滤波处理除去激光数据中多余噪点。然后里程计模块102用于获取多个里程计处探测得到的里程计数据，其中，所述里程计可以为轮子里程计、光电传感器或视觉里程计。在实际应用场景中，现在机器人在(0，0，0deg)位置，其在下一时刻移动里程数据(0.1，0.1，10deg)，根据里程计预测机器人移动后粗略位置在(0.1，0.1，10deg)，这个预测的位置就是先验信息，由于里程计的测量存在误差，后续根据该预测位置进行精匹配处理后可以得到精确位置。

在本申请一可选实施例中，所述定位模块200包括粒子滤波模块201、粒子聚类模块202和匹配模块203，其中，所述粒子滤波模块201用于获取环境地图、数据采集模块发送的里程数据和激光观测数据，以确定机器人对应的当前粒子位姿；所述粒子聚类模块202用于将所述当前粒子位姿进行聚类处理，得到最大聚类粒子分布；所述匹配模块203用于根据所述激光观测数据和所述最大聚类粒子分布将所述当前粒子位姿与所述环境地图进行指定匹配处理，得到匹配度以及匹配后的粒子位姿。在此，所述环境地图可以是预存的环境地图，也可以是根据激光雷达获得的激光数据进行实时测绘的环境地图。所述粒子滤波模块201用于获取环境地图、数据采集模块发送的里程数据和激光观测数据，以确定机器人对应的当前粒子位姿，例如使用预设概率运动模型结合里程数据以预测当前状态下的位姿，同时结合激光数据和环境地图将预测的位姿确定为当前粒子位姿。接着，所述粒子聚类模块202将所述当前粒子位姿通过基于密度聚类的方式进行聚类处理，例如具有噪声的基于密度的聚类方法(dbscan)，得到最大聚类粒子分布，其中，所述最大聚类粒子分布为最大聚类均值的位姿，是一种用以表征粒子稳定位姿的特征向量。

接上述实施例，根据最大聚类粒子分布和激光数据将所述当前粒子位姿与所述环境地图进行匹配处理，其中，所述匹配处理可以为点云匹配，例如使用icp匹配算法进行计算，得到匹配度对应的数值以及匹配后的粒子位姿，经过匹配的粒子位姿可以在环境地图中进行更准确地表达，有效提高了对机器人定位的准确度。

在本申请一可选实施例中，所述粒子滤波模块201用于基于所述里程数据使用预设概率运动模型预测机器人对应的当前粒子位姿，根据所述环境地图和所述激光观测数据确定预测的当前粒子位姿的权重数值，根据所述权重数值和预测的当前粒子位姿确定机器人对应的当前粒子位姿。在此，所述预设概率运动模型可以为高斯概率模型或粒子运动模型。粒子滤波模块201利用随机采样策略，基于上一时刻的权重w(t-1)重新生成采样粒子，并利用odometry传感器获得机器人运动信息，更新粒子位置。然后利用激光雷达观测到的地图和粒子所在位置处的地图相似度计算预测的当前粒子位姿的权重数值，得到当前粒子分布，其中，所述当前粒子分布由当前粒子位姿与粒子权重数值计算得到。

图2示出本申请根据另一方面提供的一种用于机器人的多雷达定位方法流程示意图，其中，所述方法包括：s100～s500，其中，s100，从多个激光雷达处获取激光观测数据以及从多个里程计处获取里程数据；s200，获取环境地图，基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿；s300，将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿；s400，将各个激光雷达对应的匹配后的粒子位姿进行时间同步处理，得到时间同步后的各个激光雷达对应的粒子位姿，其中，所述时间同步处理包括网络时间协议；s500，对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿。从而实现单线雷达即可完成高精确定位机器人实时位置，有效降低了成本，减少了系统资源浪费。

具体地，在s100中，从多个激光雷达处获取激光观测数据以及从多个里程计处获取里程数据。在此，可以并行同步获取多个激光雷达处的激光观测数据，可以并行同步获取多个里程计处的里程数据，从设置于机器人上的多个里程计处获取里程数据，为其他模块运行提供先验数据。需要说明的是，这里的激光雷达为单线激光雷达，所述激光数据可以为周围环境物体的扫描数据，从多个里程计处获取里程数据，所述里程数据可以为机器人运动里程、当前运动轨迹与上一时刻运动轨迹间的运动角度等。

在s200中，获取环境地图，基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿。在此，所述环境地图可以是预存的环境地图，也可以是根据激光雷达获得的激光数据进行实时测绘的环境地图。所述预设概率运动模型可以为高斯概率模型或粒子运动模型，使用预设概率运动模型结合里程数据可以预测当前状态下的位姿，同时结合激光数据和环境地图可以将预测的位姿确定为当前粒子位姿。

在s300中，将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿。在此，所述匹配处理可以为点云匹配，得到匹配度对应的数值以及匹配后的粒子位姿，经过匹配的粒子位姿可以在环境地图中进行更准确地表达，有效提高了对机器人定位的准确度。

在s400中，将各个激光雷达对应的匹配后的粒子位姿进行时间同步处理，得到时间同步后的各个激光雷达对应的粒子位姿，其中，所述时间同步处理包括网络时间协议。在此，将所有的激光雷达对应的匹配后的粒子位姿进行时间同步处理，例如使用迭代最近点算法(icp算法)得到时间同步后的各个激光雷达对应的粒子位姿，以将所有的激光雷达对应的匹配后的粒子位姿的时间戳进行统一，便于后续进行位姿融合处理。

在s500中，对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿。在此，所述位姿融合可以为对各个激光雷达对应的粒子位姿进行滤波处理，得到机器人对应的目标位姿。

在本申请一可选实施例中，对所述激光观测数据进行滤波处理，其中，所述滤波处理包括孤立点过滤计算和窗口均值滤波。在此，这里的激光雷达为单线激光雷达，所述激光数据包括但不限于激光雷达探测到的机器人实时角度、机器人与环境物体的测量距离。可以使用传感器采集滤波模块101对获取到的多个激光雷达探测到的各类激光数据进行滤波处理，除去激光数据中多余噪点。

在本申请一可选实施例中，在s200中，基于所述里程数据使用预设概率运动模型预测机器人对应的当前粒子位姿；根据所述环境地图和所述激光观测数据确定预测的当前粒子位姿的权重数值，根据所述权重数值和预测的当前粒子位姿确定机器人对应的当前粒子位姿。在此，所述预设概率模型包括高斯概率模型、粒子运动模型等，获取初始位姿后，基于获取到的里程数据确定机器人从初始位姿前行的方向和距离，根据所述方向和距离结合预设概率模型计算迭代所述初始位姿，通过graphslam的方式来预测机器人对应的当前位姿。接着，可以利用随机采样策略，基于上一时刻的权重w(t-1)重新生成采样粒子，并利用odometry传感器获得机器人运动信息，更新粒子位置。然后利用激光雷达观测到的地图和粒子所在位置处的地图相似度计算预测的当前粒子位姿的权重数值，得到当前粒子分布，其中，所述当前粒子分布由当前粒子位姿与粒子权重数值计算得到。

在本申请一可选实施例中，在s200中，根据所述激光观测数据和所述环境地图确定对应的当前观测地图的特征向量；根据所述预测的当前粒子位姿和所述环境地图确定预测粒子对应位置的特征向量；根据所述当前观测地图的特征向量和所述预测粒子对应位置的特征向量确定相似度，根据所述相似度确定所述预测的当前粒子位姿的权重数值。在此，可以使用似然域计算根据所述当前观测地图的特征向量和所述预测粒子对应位置的特征向量确定相似度，而粒子权重与相似度正相关，可反应相似置信程度，因此，根据所述相似度确定所述预测的当前粒子位姿的权重数值。

在本申请一可选实施例中，所述根据所述权重数值和预测的当前粒子位姿确定机器人对应的当前粒子位姿之后，将所述当前粒子位姿进行聚类处理，得到最大聚类粒子分布。在此，所述聚类处理可以为具有噪声的基于密度的聚类方法(dbscan)，将所述当前粒子位姿通过基于密度聚类的方式进行聚类处理，得到最大聚类粒子分布，其中，所述最大聚类粒子分布为最大聚类均值的位姿，是一种用以表征粒子稳定位姿的特征向量。

在本申请一可选实施例中，在s300中，根据所述激光观测数据和所述最大聚类粒子分布将所述当前粒子位姿与所述环境地图进行指定匹配处理，得到匹配度以及匹配后的粒子位姿，其中，所述指定匹配处理包括三维点云匹配处理。在此，所述指定匹配处理可以为点云匹配，例如使用三维点云匹配处理(icp匹配算法)进行计算，得到匹配度对应的数值以及匹配后的粒子位姿，经过匹配的粒子位姿可以在环境地图中进行更准确地表达，有效提高了对机器人定位的准确度。

在本申请一可选实施例中，在s500中，对所述各个激光雷达对应的粒子位姿进行指定滤波处理，其中，所述指定滤波处理包括扩展卡尔曼滤波、粒子滤波和粒子群优化。在此，进行指定滤波处理可以融合各个激光雷达对应的粒子位姿，确定机器人对应的目标位姿，其中，所述指定滤波处理包括扩展卡尔曼滤波(ekf)、粒子滤波(pf)和粒子群优化(pso)。

图3示出了本申请一可选实施例中的一种用于机器人的多雷达定位的方法流程示意图，其中，环境地图标识为map。首先获取激光数据、里程计数据以及环境地图为其他模块运行提供数据支撑。采集智能设备配置传感器数据，使用滤波处理除去激光数据的多余噪点，例如孤立点过滤算法和窗口均值滤波等。然后获取智能设备里程数据，为后续定位提供先验知识。在此，根据给定的初始位姿进行位姿(pose)迭代计算，每一次计算预测当前状态下的激光位姿均根据上一次迭代激光pose以及预设概率运动模型进行迭代计算，根据当前激光数据确定上一次迭代位姿，然后基于上一次迭代位姿预测当前状态下的粒子位姿，然后利用scanmatch校准预测到的当前位姿。对于每个粒子,首先利用随机采样策略，基于上一时刻的权重w(t-1)重新生成采样粒子，并利用odometry传感器获得的机器人运动信息，更新粒子位置，然后利用激光观测与粒子所在位置处的地图相似度，计算粒子权重，得到当前激光观测下的粒子分布。粒子权重为粒子的重要性因子，粒子权重与相似度正相关，可反应相似置信程度。接着，可以使用基于密度的聚类算法对当前激光观测下的，最大聚类均值位姿用以表征最终的稳定位姿，而最大聚类粒子分布由每个粒子位姿与其对应的权重计算得到。

接上述实施例，根据最大聚类粒子分布、激光数据，与用于定位的全局环境地图进行点云匹配，例如icp匹配算法，得到匹配程度及匹配后粒子位姿。

图4示出了本申请一可选实施例中的一种用于机器人的多雷达定位的方法流程示意图，其中，数据采集滤波模块以及定位模块的方法流程均为并行处理，得到各个激光雷达对应的匹配后的粒子位姿，对各个激光雷达对应的匹配后的粒子位姿并行进行时间同步处理(synctime)，得到时间同步后的各个激光雷达对应的粒子位姿，其中，所述时间同步处理包括网络时间协议(ntp)。接着，对所述各个激光雷达对应的粒子位姿进行位姿融合(posefusion)，使用指定滤波处理进行位姿融合，得到融合后的位姿(fusionpose)，即机器人对应的目标位姿，其中，所述指定滤波处理包括扩展卡尔曼滤波(ekf)、粒子滤波(pf)和粒子群优化(pso)。从而实现单线雷达即可完成高精确定位机器人实时位置，有效降低了成本，减少了系统资源浪费。

本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述一种用于机器人的多雷达定位方法。

与上文所述的方法相对应的，本申请还提供一种终端，其包括能够执行上述图2或图3或图4或各个实施例所述的方法步骤的模块或单元，这些模块或单元可以通过硬件、软件或软硬结合的方式来实现，本申请并不限定。例如，在本申请一实施例中，还提供了一种用于机器人的多雷达定位的设备，其中，所述设备包括：

一个或多个处理器；以及

存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行前述所述一种用于机器人的多雷达定位方法的操作。

例如，计算机可读指令在被执行时使所述一个或多个处理器：从多个激光雷达处获取激光观测数据以及从多个里程计处获取里程数据；获取环境地图，基于所述激光观测数据、所述里程数据和所述环境地图使用预设概率运动模型确定机器人对应的当前粒子位姿；将所述当前粒子位姿与所述环境地图进行匹配处理，得到匹配度以及匹配后的粒子位姿；将各个激光雷达对应的匹配后的粒子位姿进行时间同步处理，得到时间同步后的各个激光雷达对应的粒子位姿，其中，所述时间同步处理包括网络时间协议；对所述各个激光雷达对应的粒子位姿进行位姿融合，得到机器人对应的目标位姿。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。