机器人的室内定位方法及装置与流程

1.本发明涉及机器人定位技术领域，特别涉及一种机器人的室内定位方法及装置。


背景技术：

2.随着机器人技术的发展，具有移动行走功能、环境感知能力以及自主规划功能的智能移动机器人得到各国研究人员的普遍重视。实现自主定位与导航是智能机器人最基本的功能之一，也是其完成各种任务的重要前提。而移动机器人实现自主导航的关键是使机器人拥有完整的地图信息和具有良好的自主定位能力。
3.现有技术中，基于卡尔曼滤波算法进行定位的过程中，是使用构建地图时的相机观测误差来确定出机器人的实际位姿的，其中，相机观测误差是使用机器人的相机的当前位姿来确定的。但是此方法导致机器人的定位精度较低。


技术实现要素：

4.本公开示例性的实施方式中提供一种机器人的室内定位方法及装置，用于提高机器人的室内定位精度，以此提高定位的准确率。
5.本公开的第一方面提供一种机器人的室内定位方法，所述方法包括：
6.当机器人的相机捕获到路标点，且所述路标点在加权地图中，则根据上一时刻所述机器人的实际位姿、所述机器人的角度增量以及所述机器人的位移增量确定所述机器人当前时刻的预测位姿；其中，所述加权地图是基于卡尔曼滤波算法建立的，所述机器人的角度增量为当前时刻所述机器人中心点的角度相比于上一时刻所述机器人中心点的角度的变化量，所述位移增量为当前时刻的所述机器人中心点的位移相比于上一时刻所述机器人中心点的位移的变化量；
7.根据捕获到的所述路标点在所述加权地图中对应的协方差矩阵以及所述机器人的相机观测误差确定当前定位观测误差；
8.利用所述当前定位观测误差、观测信息、所述路标点在所述加权地图中的位姿以及所述机器人的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿；其中，所述观测信息为所述机器人的相机本次捕获到所述路标点时确定出的所述路标点在相机坐标系下的坐标。
9.本实施例中通过利用路标点在加权地图中的协方差矩阵以及所述机器人的相机观测误差确定出当前定位误差，并通过当前定位误差确定出机器人的实际位姿。本公开在机器人定位的过程中除了考虑机器人的相机观测误差之外，还结合了当前路标点在加权地图中的不确定性来确定出当前定位误差，由此，提高了机器人的定位精度。
10.在一个实施例中，所述根据捕获到的所述路标点在所述加权地图中对应的协方差矩阵以及所述机器人的相机观测误差确定当前定位观测误差，包括：
11.将所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算，并将所述相机观测误差的标准差分别与开平方运算后的参数进行对应
相加后，再进行平方运算；得到第一中间观测误差值；并，
12.根据所述协方差矩阵中的除所述主对角线之外的其他参数以及所述第一中间观测误差值得到所述当前定位观测误差。
13.本实施例通过确定出路标点在加权地图中的协方差矩阵以及机器人的相机观测误差的标准差确定出当前定位观测误差，使得确定出的当前定位观测误差结合了当前路标点在加权地图中的不确定性，以此提高了定位精度。
14.在一个实施例中，所述将所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算，并将所述相机观测误差的标准差分别与开平方运算后的参数进行对应相加后，再进行平方运算；得到第一中间观测误差值；并根据所述协方差矩阵中的除所述主对角线之外的其他参数以及所述第一中间观测误差值得到所述当前定位观测误差，包括：
15.根据以下公式确定出所述当前定位观测误差：
[0016][0017]
其中，(k
x
，k
y
，k
θ
)为所述机器人的相机观测误差的标准差；为所述路标点在所述加权地图中对应的协方差矩阵；为所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算后的参数。
[0018]
本实施例中通过上述公式确定出当前定位观测误差，以此来提高机器人的定位精度。
[0019]
在一个实施例中，所述方法还包括：
[0020]
当所述机器人的相机捕获到路标点，且所述路标点未在所述加权地图中，则利用卡尔曼滤波算法确定出所述路标点的位姿和所述路标点对应的协方差矩阵；
[0021]
将确定出的所述路标点的位姿和所述路标点对应的协方差矩阵添加到所述加权地图中。
[0022]
本实施例通过当确定路标点未在加权地图中，则利用该路标点的位姿和协方差矩阵对所述加权地图进行更新，以此使得该加权地图更加全面。提高定位效率。
[0023]
在一个实施例中，所述利用所述当前定位观测误差、观测信息、所述路标点在所述加权地图中的位姿以及所述机器人的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿，包括：
[0024]
通过所述路标点在所述加权地图中的位姿以及所述观测信息，确定所述相机在世界坐标系下的坐标；
[0025]
利用预设的所述相机与所述机器人中心点的相对位置关系，根据所述相机在世界
坐标系下的坐标，确定出所述机器人当前时刻的测量位姿；
[0026]
利用所述当前定位观测误差、所述机器人当前时刻的测量位姿和所述机器人当前时刻的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿。
[0027]
本实施例通过利用所述当前定位观测误差、观测信息、所述路标点在所述加权地图中的位姿以及所述机器人的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿，以此提高了机器人的定位精度。
[0028]
本公开第二方面提供一种机器人的室内定位装置，所述装置包括：
[0029]
机器人当前时刻预测位姿确定模块，用于当机器人的相机捕获到路标点，且所述路标点在加权地图中，则根据上一时刻所述机器人的实际位姿、所述机器人的角度增量以及所述机器人的位移增量确定所述机器人当前时刻的预测位姿；其中，所述加权地图是基于卡尔曼滤波算法建立的，所述机器人的角度增量为当前时刻所述机器人中心点的角度相比于上一时刻所述机器人中心点的角度的变化量，所述位移增量为当前时刻的所述机器人中心点的位移相比于上一时刻所述机器人中心点的位移的变化量；
[0030]
当前定位观测误差确定模块，用于根据捕获到的所述路标点在所述加权地图中对应的协方差矩阵以及所述机器人的相机观测误差确定当前定位观测误差；
[0031]
机器人实际位姿确定模块，用于利用所述当前定位观测误差、观测信息、所述路标点在所述加权地图中的位姿以及所述机器人的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿；其中，所述观测信息为所述机器人的相机本次捕获到所述路标点时确定出的所述路标点在相机坐标系下的坐标。
[0032]
在一个实施例中，所述当前定位观测误差确定模块，包括：
[0033]
第一确定单元，用于将所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算，并将所述相机观测信息的标准差分别与开平方运算后的参数进行对应相加后，再进行平方运算；得到第一中间观测误差值；并，根据所述协方差矩阵中的除所述主对角线之外的其他参数以及所述第一中间观测误差值得到所述当前定位观测误差。
[0034]
在一个实施例中，所述第一确定单元，具体用于：
[0035]
根据以下公式确定出所述当前定位观测误差：
[0036][0037]
其中，(k
x
，k
y
，k
θ
)为所述机器人的相机观测误差的标准差；为所述路标点在所述加权地图中对应的协方差矩阵；为所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算后的参数。
[0038]
在一个实施例中，所述装置还包括：
[0039]
路标点位姿及协方差矩阵确定模块，用于当所述机器人的相机捕获到路标点，且所述路标点未在所述加权地图中，则利用卡尔曼滤波算法确定出所述路标点的位姿和所述路标点对应的协方差矩阵；
[0040]
加权地图更新模块，用于将确定出的所述路标点的位姿和所述路标点对应的协方差矩阵添加到所述加权地图中。
[0041]
在一个实施例中，所述机器人实际位姿确定模块，具体用于：
[0042]
通过所述路标点在所述加权地图中的位姿以及所述观测信息，确定所述相机在世界坐标系下的坐标；
[0043]
利用预设的所述相机与所述机器人中心点的相对位置关系，根据所述相机在世界坐标系下的坐标，确定出所述机器人当前时刻的测量位姿；
[0044]
利用所述当前定位观测误差、所述机器人当前时刻的测量位姿和所述机器人当前时刻的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿。
[0045]
根据本公开实施例的第三方面，提供一种电子设备，包括：
[0046]
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有被所述至少一个处理器执行的指令；所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
[0047]
根据本公开实施例提供的第四方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行如第一方面所述的方法。
附图说明
[0048]
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1为根据本公开一个实施例中的适用场景示意图；
[0050]
图2为根据本公开一个实施例的机器人的室内定位方法的流程示意图之一；
[0051]
图3为根据本公开一个实施例的机器人的室内定位方法的流程示意图之二；
[0052]
图4为根据本公开一个实施例的机器人的室内定位装置；
[0053]
图5为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
[0054]
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0055]
本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0056]
本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0057]
现有技术中，基于卡尔曼滤波算法进行定位的过程中，仅使用构建地图时的相机观测误差来确定出机器人的实际位姿，其中，相机观测误差是使用机器人的相机的当前位姿确定出的，但是此方法导致机器人的定位精度较低。
[0058]
因此，本公开提供一种机器人的室内定位方法，通过利用路标点在加权地图中的协方差矩阵以及所述机器人的相机观测误差确定出当前定位误差，并通过当前定位误差确定出机器人的实际位姿。本公开在机器人定位的过程中除了考虑机器人的相机观测误差之外，还结合了当前路标点在加权地图中的不确定性来确定出当前定位误差，由此，提高了机器人的定位精度。下面，结合附图对本公开的方案详细的进行介绍。
[0059]
如图1所示，一种机器人的室内定位方法的应用场景，该应用场景中包括机器人110和多个路标点120，图1中是以六个路标点120为例，实际上不限制路标点120的数量。
[0060]
在一种可能的应用场景中，当机器人110的相机捕获到路标点120，且所述路标点120在加权地图中，则根据上一时刻所述机器人110的实际位姿、所述机器人的角度增量以及所述机器人的位移增量确定所述机器人110当前时刻的预测位姿；其中，所述加权地图是基于卡尔曼滤波算法建立的；根据捕获到的所述路标点120在所述加权地图中对应的协方差矩阵以及所述机器人的相机观测误差确定当前定位观测误差；利用所述当前定位观测误差、观测信息、所述路标点120在所述加权地图中的位姿以及所述机器人110的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人110的实际位姿；其中，所述观测信息为所述机器人110的相机本次捕获到所述路标点120时确定的所述路标点120在相机坐标系下的坐标。由此，本公开在机器人定位的过程中除了考虑机器人的相机观测误差之外，还结合了当前路标点在加权地图中的不确定性来确定出当前定位误差，提高了机器人的定位精度。
[0061]
在对本公开的机器人的室内方法进行详细的介绍之前，首先对基于卡尔曼滤波算法进行建图的过程进行简单的介绍：首先，确定建图的世界坐标系：以机器人的初始位置为原点，机器人开始运动的正前方为坐标系的x轴，逆时针旋转90度方向为y轴，垂直于机器人平面向上为z轴。在机器人运动的过程中，当相机观测到路标时，通过pnp算法确定出该路标点在相机坐标系下的位姿，然后确定出相机坐标系和世界坐标系的位姿转换关系，并根据该位姿转换关系确定出该路标点在世界坐标系下位姿。并确定出该路标点的协方差矩阵。当机器人运动结束后。得到n个路标点的位姿以及n个路标点对应协方差矩阵。n个路标点的位姿可为：(x
1 y
1 θ1ꢀ…ꢀ
x
n y
n θ
n
)。协方差矩阵为：
[0062]
下面，结合附图对本公开的机器人的室内定位方法进行详细的介绍。
[0063]
图2为本公开的机器人的室内方法的流程示意图，可包括以下步骤：
[0064]
步骤201：当机器人的相机捕获到路标点，且所述路标点在加权地图中，则根据上一时刻所述机器人的实际位姿、所述机器人的角度增量以及所述机器人的位移增量确定所述机器人当前时刻的预测位姿；其中，所述加权地图是基于卡尔曼滤波算法建立的，所述机器人的角度增量为当前时刻所述机器人中心点的角度相比于上一时刻所述机器人中心点的角度的变化量，所述位移增量为当前时刻的所述机器人中心点的位移相比于上一时刻所述机器人中心点的位移的变化量；
[0065]
其中，所述上一时刻所述机器人的实际位姿为上一次所述机器人的相机捕获到在加权地图中的路标点时所述机器人的实际位姿。
[0066]
例如，机器人的相机此次捕获到是路标点3，则机器人的相机在捕获路标点3之前，按照时间顺序，先捕获到路标点1，然后捕获到路标点2。且路标点1和路标点2均在加权地图中。则上一时刻所述机器人的实际位姿为捕获到路标点2时所述机器人的实际位姿。
[0067]
其中，可根据公式(1)确定出机器人的角度增量：
[0068][0069]
其中，δθ为角度增量，d
r
为机器人右轮直径，d
l
为机器人左轮直径，δs
r
为机器人右轮的位移增量，δs
l
为机器人左轮的位移增量，b为机器人的左轮与右轮之间的距离。
[0070]
可根据公式(2)确定出机器人的位移增量：
[0071][0072]
其中，δs为位移增量。
[0073]
机器人左轮的位移增量δs
l
可通过公式(3)确定，机器人右轮的位移增量δs
r
可通过公式(4)确定：
[0074]
δs
l
＝k
l
*δe
l
ꢀꢀ
(3)；
[0075]
δs
r
＝k
r
*δe
r
ꢀꢀ
(4)；
[0076]
其中，k
l
为左轮编码器系数，k
r
为右轮编码器系数，δe
l
为左轮编码器增量读数，δe
l
为右轮编码器增量读数。
[0077]
然后根据确定出角度增量、位移增量以及上一时刻机器人的实际位姿确定出当前时刻机器人的预测位姿：其中可通过公式(5)来确定出机器人当前时刻的预测位姿：
[0078][0079]
其中，为所述机器人当前时刻的预测位姿，为上一时刻机器人的实际位姿，其中，δθ为机器人的角度增量，θ2为上一时刻机器人的角度，δs为机器人的位移增量。
[0080]
步骤202：根据捕获到的所述路标点在所述加权地图中对应的协方差矩阵以及所
述机器人的相机观测误差确定当前定位观测误差；
[0081]
其中，相机观测误差与捕获到所述路标点时所述相机的位姿是成正比的。
[0082]
在一个实施例中，步骤202可实施为：将所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算，并将所述相机观测误差的标准差分别与开平方运算后的参数进行对应相加后，再进行平方运算；得到第一中间观测误差值；并，根据所述协方差矩阵中的除所述主对角线之外的其他参数以及所述第一中间观测误差值得到所述当前定位观测误差。
[0083]
其中，可通过公式(6)来确定出当前定位观测误差：
[0084][0085]
其中，(k
x
，k
y
，k
θ
)为所述机器人的相机观测误差的标准差；为所述路标点在所述加权地图中对应的协方差矩阵；为所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算后的参数。
[0086]
步骤203：利用所述当前定位观测误差、观测信息、所述路标点在所述加权地图中的位姿以及所述机器人的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿；其中，所述观测信息为所述机器人的相机本次捕获到所述路标点时确定出的所述路标点在相机坐标系下的坐标。
[0087]
在一个实施例中，步骤203可具体实施为：通过所述路标点在所述加权地图中的位姿以及所述观测信息，确定所述相机在世界坐标系下的坐标；利用预设的所述相机与所述机器人中心点的相对位置关系，根据所述相机在世界坐标系下的坐标，确定出所述机器人当前时刻的测量位姿；利用所述当前定位观测误差、所述机器人当前时刻的测量位姿和所述机器人当前时刻的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿。
[0088]
其中，所述机器人当前时刻的测量位姿和所述机器人当前时刻的预测位姿先进行卡尔曼滤波融合后，再进行卡尔曼滤波更新。
[0089]
由此，本公开通过利用路标点在加权地图中的协方差矩阵以及相机观测误差确定出当前定位误差，并通过当前定位误差确定出机器人的实际位姿。本公开在进行机器人定位的过程中除了考虑相机观测误差之外，还结合了当前路标点在加权地图中的不确定性来确定出当前定位观测误差，以此提高了机器人的定位精度。
[0090]
为了使得加权地图的信息更加全面，在一个实施例中，当所述机器人的相机捕获到路标点，且所述路标点未在所述加权地图中，则利用卡尔曼滤波算法确定出所述路标点的位姿和所述路标点对应的协方差矩阵；将确定出的所述路标点的位姿和所述路标点对应
的协方差矩阵添加到所述加权地图中。
[0091]
例如，路标点包括路标点1、路标点2、路标点3、路标点4、路标点5和路标点6。其中，路标点1、路标点2、路标点3、路标点4在加权地图中，路标点5和路标点6并未在加权地图中，若相机此时观测到的路标点为路标点5，则将确定出的路标点5的位姿和协方差矩阵添加到加权地图中。
[0092]
本实施例通过当确定路标点未在加权地图中，则利用该路标点的位姿和协方差矩阵对所述加权地图进行更新，以此使得该加权地图更加全面。提高定位效率。
[0093]
为了进一步的了解本公开的技术方案，下面结合图3进行详细的说明，可包括以下步骤：
[0094]
步骤301：当机器人的相机捕获到路标点，判断所述路标点是否在所述加权地图中，若否，则执行步骤302；若是，则执行步骤303；
[0095]
步骤302：利用卡尔曼滤波算法确定出所述路标点的位姿和所述路标点对应的协方差矩阵；并将确定出的所述路标点的位姿和所述路标点对应的协方差矩阵添加到所述加权地图中。
[0096]
步骤303：根据上一时刻所述机器人的实际位姿、所述机器人的角度增量以及所述机器人的位移增量确定所述机器人当前时刻的预测位姿；
[0097]
其中，所述加权地图是基于卡尔曼滤波算法建立的；所述机器人的角度增量为当前时刻所述机器人中心点的角度相比于上一时刻所述机器人中心点的角度的变化量，所述位移增量为当前时刻的所述机器人中心点的位移相比于上一时刻所述机器人中心点的位移的变化量；
[0098]
步骤304：根据捕获到的所述路标点在所述加权地图中对应的协方差矩阵以及所述机器人的相机观测误差确定当前定位观测误差；
[0099]
步骤305：通过所述路标点在所述加权地图中的位姿以及所述观测信息，确定所述相机在世界坐标系下的坐标；
[0100]
步骤306：利用预设的所述相机与所述机器人中心点的相对位置关系，根据所述相机在世界坐标系下的坐标，确定出所述机器人当前时刻的测量位姿；
[0101]
步骤307：利用所述当前定位观测误差、所述机器人当前时刻的测量位姿和所述机器人当前时刻的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿。
[0102]
下面，以4个路标点为例对本公开的方案进行详细的介绍，其中，路标点1、路标点2和路标点3为在加权地图中的路标点。路标点4不是加权地图中的路标点：
[0103]
机器人在运动过程中，若观测到路标点4时，确定出路标点4未在加权地图中，则利用卡尔曼滤波算法确定出路标点4的位姿和对应的协方差矩阵，并将确定出的路标点4的位姿和对应的协方差矩阵添加到所述加权地图中。若机器人的相机捕获到路标点1时，确定出路标点1在加权地图中，则根据上一时刻所述机器人的实际位姿、所述机器人的角度增量以及所述机器人的位移增量确定所述机器人当前时刻的预测位姿；然后根据捕获到的所述路标点1在所述加权地图中对应的协方差矩阵以及所述机器人的相机观测误差确定当前定位观测误差；最后利用所述当前定位观测误差、观测信息(为路标点1在相机坐标系下的坐标)、所述路标点1在所述加权地图中的位姿以及所述机器人的预测位姿进行卡尔曼滤波更
新和卡尔曼滤波融合，得到所述机器人的实际位姿。
[0104]
基于相同的公开构思，本公开如上所述的机器人的室内定位方法还可以由一种机器人的室内定位装置实现。该机器人的室内定位装置的效果与前述方法的效果相似，在此不再赘述。
[0105]
图4为根据本公开一个实施例的机器人的室内定位装置的结构示意图。
[0106]
如图4所示，本公开的机器人的室内定位装置400可以包括机器人当前时刻预测位姿确定模块410、当前定位观测误差确定模块420和机器人实际位姿确定模块430。
[0107]
机器人当前时刻预测位姿确定模块410，用于当机器人的相机捕获到路标点，且所述路标点在加权地图中，则根据上一时刻所述机器人的实际位姿、所述机器人的角度增量以及所述机器人的位移增量确定所述机器人当前时刻的预测位姿；其中，所述加权地图是基于卡尔曼滤波算法建立的，所述机器人的角度增量为当前时刻所述机器人中心点的角度相比于上一时刻所述机器人中心点的角度的变化量，所述位移增量为当前时刻的所述机器人中心点的位移相比于上一时刻所述机器人中心点的位移的变化量；
[0108]
当前定位观测误差确定模块420，用于根据捕获到的所述路标点在所述加权地图中对应的协方差矩阵以及所述机器人的相机观测误差确定当前定位观测误差；
[0109]
机器人实际位姿确定模块430，用于利用所述当前定位观测误差、观测信息、所述路标点在所述加权地图中的位姿以及所述机器人的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿；其中，所述观测信息为所述机器人的相机本次捕获到所述路标点时确定出的所述路标点在相机坐标系下的坐标。
[0110]
在一个实施例中，所述当前定位观测误差确定模块420，包括：
[0111]
第一确定单元421，用于将所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算，并将所述相机观测信息的标准差分别与开平方运算后的参数进行对应相加后，再进行平方运算；得到第一中间观测误差值；并，根据所述协方差矩阵中的除所述主对角线之外的其他参数以及所述第一中间观测误差值得到所述当前定位观测误差。
[0112]
在一个实施例中，所述第一确定单元421，具体用于：
[0113]
根据以下公式确定出所述当前定位观测误差：
[0114][0115]
其中，(k
x
，k
y
，k
θ
)为所述机器人的相机观测误差的标准差；为所述路标点在所述加权地图中对应的协方差矩阵；为所述路标点在所述加权地图中对应的协方差矩阵上的主对角线上的每一项参数进行开平方运算后的参数。
[0116]
在一个实施例中，所述装置还包括：
[0117]
路标点位姿及协方差矩阵确定模块440，用于当所述机器人的相机捕获到路标点，且所述路标点未在所述加权地图中，则利用卡尔曼滤波算法确定出所述路标点的位姿和所述路标点对应的协方差矩阵；
[0118]
加权地图更新模块450，用于将确定出的所述路标点的位姿和所述路标点对应的协方差矩阵添加到所述加权地图中。
[0119]
在一个实施例中，所述机器人实际位姿确定模块430，具体用于：
[0120]
通过所述路标点在所述加权地图中的位姿以及所述观测信息，确定所述相机在世界坐标系下的坐标；
[0121]
利用预设的所述相机与所述机器人中心点的相对位置关系，根据所述相机在世界坐标系下的坐标，确定出所述机器人当前时刻的测量位姿；
[0122]
利用所述当前定位观测误差、所述机器人当前时刻的测量位姿和所述机器人当前时刻的预测位姿进行卡尔曼滤波更新和卡尔曼滤波融合，得到所述机器人的实际位姿。
[0123]
在介绍了本公开示例性实施方式的一种机器人的室内定位方法及装置之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。
[0124]
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0125]
在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的机器人的室内定位方法中的步骤。例如，处理器可以执行如图2中所示的步骤201
‑
203。
[0126]
下面参照图5来描述根据本公开的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0127]
如图5所示，电子设备500以通用电子设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理器501、上述至少一个计算机存储介质502、连接不同系统组件(包括计算机存储介质502和处理器501)的总线503。
[0128]
总线503表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
[0129]
计算机存储介质502可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(ram)521和/或高速缓存存储介质522，还可以进一步包括只读计算机存储介质(rom)523。
[0130]
计算机存储介质502还可以包括具有一组(至少一个)程序模块524的程序/实用工具525，这样的程序模块524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0131]
电子设备500也可以与一个或多个外部设备504(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备500交互的设备通信，和/或与使得该电子设备
500能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口505进行。并且，电子设备500还可以通过网络适配器506与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器506通过总线503与用于电子设备500的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0132]
在一些可能的实施方式中，本公开提供的一种机器人的室内定位方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的机器人的室内定位方法中的步骤。
[0133]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(ram)、只读计算机存储介质(rom)、可擦式可编程只读计算机存储介质(eprom或闪存)、光纤、便携式紧凑盘只读计算机存储介质(cd
‑
rom)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
[0134]
本公开的实施方式的机器人的室内定位的程序产品可以采用便携式紧凑盘只读计算机存储介质(cd
‑
rom)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0135]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0136]
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0137]
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
[0138]
应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特
征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
[0139]
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0140]
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘计算机存储介质、cd
‑
rom、光学计算机存储介质等)上实施的计算机程序产品的形式。
[0141]
本公开是参照根据本公开的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0142]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读计算机存储介质中，使得存储在该计算机可读计算机存储介质中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0143]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0144]
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。