[发明专利]一种机器人的扫图方法、装置、存储介质和机器人

说明书

本发明公开了一种机器人的扫图方法、装置、存储介质和机器人，方法包括：对机器人的里程计数据、惯性测量单元数据以及局部优化位姿进行融合；对第一实时激光扫描数据的运动畸变进行校正，生成第二实时激光扫描数据；将融合结果作为前端扫描匹配器的初始位姿，并基于第二实时激光扫描数据构建子地图；通过回环检测对全部子地图进行优化；将优化后的子地图拼接为大地图。本发明不仅采用扩展卡尔曼滤波方法对多个传感器数据进行融合，而且采用插值方法消除了激光扫描数据中的运动畸变，同时对用于更新子地图的高斯牛顿迭代过程进行优化，从而大幅提高了服务机器人创建环境地图的效率和精度，提高了机器人的服务质量和用户满意度。

技术领域

本发明涉及机器人领域，尤其涉及一种机器人的扫图方法、装置、存储介质和机器人。

背景技术

随着机器人行业的快速发展，各种服务机器人层出不穷，机器人在我们的生活、工作中也应用得越来越广泛。目前，机器人构建地图的方法有很多，SLAM(SimultaneousLocalization And Mapping，即时定位与地图构建)为最常用的方法，其通常是指在机器人上，通过对各种传感器数据进行采集和计算，生成对其自身位置姿态的定位和场景地图信息的系统。SLAM本质是个系统状态估计问题，即：在给定系统输入的条件下，估计出机器人的位姿和地图点的坐标，因此延伸出基于贝叶斯滤波以及基于图优化的两类SLAM算法。

基于贝叶斯滤波的方法是一种贝叶斯迭代状态估计理论，即先对机器人运动进行建模，构造出贴合物理场景的运动方程和观测方程，然后进行状态预测和测量更新。由于滤波类算法是基于递归计算的，下一时刻的估计值依赖于上一时刻的估计，因此在大尺度场景下，由于系统参数和传感器观测数据的不准确性，会造成误差慢慢累积，一旦当前时刻的估计出现偏差，无法修正该误差，最终将无法获得一致性的地图。而基于图优化的SLAM分为前端和后端两个模块：前端先从里程计获得初始位姿，然后通过激光雷达数据连续帧匹配，求得激光约束后的位姿；后端采用回环检测，构造闭环约束，通过最小化观测和估计残差求得优化后的位姿。在前端中会产生由估计所引入的误差，随着运动范围的扩大，该误差会逐渐累积，导致最后产生错误的结果。为解决该问题，在后端使用闭环检测进行全局优化，通过判断机器人是否回到历史中的某一点，添加约束较强的闭环约束，从而消除误差累积。

现有技术的图优化方法包括Cartographer方法，其主要采用UKF滤波器对激光雷达(LIDAR)、惯性导航测量单元(IMU)和里程计(Odometry)等传感器数据进行融合，然后形成子地图并采用回环检测方法生成分辨率为5cm的栅格地图，虽然累计误差相对较小，但是计算速度和计算精度均难以满足机器人，尤其是在楼宇间行使递送等业务的服务机器人对扫图定位精度和速度的需求。

发明内容

本发明提供了一种机器人的扫图方法、装置、存储介质和机器人，解决了现有技术的地图创建方法难以满足精度和速度需求的技术问题。

本发明解决上述技术问题的技术方案如下：一种机器人的扫图方法，基于cartographer算法，包括以下步骤：

步骤1，获取机器人的当前里程计数据、当前惯性测量单元数据、第一实时激光扫描数据以及前端扫描匹配器输出的局部优化位姿；

步骤2，对所述当前里程计数据、所述当前惯性测量单元数据以及所述局部优化位姿进行融合，生成融合结果，以根据所述融合结果生成机器人在任意时刻的预测位姿和预测运动速度；

步骤3，根据对应时刻的目标预测位姿和目标预测运动速度对所述第一实时激光扫描数据的运动畸变进行校正，生成第二实时激光扫描数据；

步骤4，将所述融合结果作为所述前端扫描匹配器的初始位姿，并基于所述第二实时激光扫描数据构建子地图；

步骤5，获取机器人的当前激光扫描数据，采用分支定界方法对所述子地图进行回环检测，并根据回环检测结果对全部子地图进行优化；

步骤6，将优化后的子地图拼接为大地图。