为了解决落布机器人在纺织车间应用时,由于计算效率低和粒子贫化导致的定位精度降低问题,本文提出了一种基于AMCL(Adaptive Monte Carlo Localization)与点云匹配校正的全局定位方法。首先由AMCL中KLD(Kullback Leibler distance)采样...为了解决落布机器人在纺织车间应用时,由于计算效率低和粒子贫化导致的定位精度降低问题,本文提出了一种基于AMCL(Adaptive Monte Carlo Localization)与点云匹配校正的全局定位方法。首先由AMCL中KLD(Kullback Leibler distance)采样动态删除冗余粒子,并利用蝙蝠算法优化KLD调整后的粒子集,提高粒子多样性,有效压缩粒子规模,从而实现计算精度和效率的双重提升,最后通过NDT(Normal Distribution Transform)算法对二维栅格地图进行高精度激光测量匹配,对AMCL的全局位姿进一步修正,提高定位精度。实验结果验证了本文算法的有效性与可行性。展开更多
针对厂房、银行和大型超市等需要人工巡逻的场所,文章设计了一款基于ROS的巡逻机器人自主导航系统。文章将ROS系统部署到基于树莓派硬件开发的巡逻机器人上,对巡逻机器人的环境感知模块、导航模块和监控模块等进行研究设计。该系统使用...针对厂房、银行和大型超市等需要人工巡逻的场所,文章设计了一款基于ROS的巡逻机器人自主导航系统。文章将ROS系统部署到基于树莓派硬件开发的巡逻机器人上,对巡逻机器人的环境感知模块、导航模块和监控模块等进行研究设计。该系统使用同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术,通过激光雷达和里程计实现定位、建图与导航功能。实验结果表明,该系统定位收敛速度快,构建地图精度高,路径规划稳定性好,能替代人类巡逻。展开更多
针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。...针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。展开更多
文摘为了解决落布机器人在纺织车间应用时,由于计算效率低和粒子贫化导致的定位精度降低问题,本文提出了一种基于AMCL(Adaptive Monte Carlo Localization)与点云匹配校正的全局定位方法。首先由AMCL中KLD(Kullback Leibler distance)采样动态删除冗余粒子,并利用蝙蝠算法优化KLD调整后的粒子集,提高粒子多样性,有效压缩粒子规模,从而实现计算精度和效率的双重提升,最后通过NDT(Normal Distribution Transform)算法对二维栅格地图进行高精度激光测量匹配,对AMCL的全局位姿进一步修正,提高定位精度。实验结果验证了本文算法的有效性与可行性。
文摘针对厂房、银行和大型超市等需要人工巡逻的场所,文章设计了一款基于ROS的巡逻机器人自主导航系统。文章将ROS系统部署到基于树莓派硬件开发的巡逻机器人上,对巡逻机器人的环境感知模块、导航模块和监控模块等进行研究设计。该系统使用同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术,通过激光雷达和里程计实现定位、建图与导航功能。实验结果表明,该系统定位收敛速度快,构建地图精度高,路径规划稳定性好,能替代人类巡逻。
文摘针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。
