机器人及其重定位方法、装置及存储介质与流程

1.本技术涉及机器人定位领域，尤其涉及一种机器人及其重定位方法、装置及存储介质。


背景技术：

2.在机器人执行任务的过程中，由于传感器数据存在一定的噪音，以及机器人的运动噪音，可能会发生机器人定位丢失的情况。当机器人定位丢失时，为了使得机器人能够有效的完成任务，需要对机器人进行重定位，以确定机器人当前的最新位置。
3.在对机器人进行重定位时，主要基于特征匹配的方式，包括如基于点云匹配、基于描述子匹配或基于语义信息匹配的方式等。在室内外环境较为复杂的情况下，基于特征匹配的定位效率和定位的鲁棒性不高，不利于提高机器人的定位精度。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种机器人及其重定位方法、装置及存储介质，以解决现有技术中在室内外环境较为复杂的情况下，基于特征匹配的定位效率和定位的鲁棒性不高，不利于提高机器人的定位精度的问题。
5.本技术实施例的第一方面提供了一种机器人的重定位方法，所述方法包括：
6.获取所述机器人所在场景的第一点云；
7.提取所述第一点云中的特征描述子，根据所述特征描述子对所述机器人进行初步重定位，确定所述机器人的初步位姿；
8.确定位于所述初步位姿预定范围内的第二点云；
9.通过点云匹配方法，确定所述第一点云与所述第二点云的匹配误差，根据所述匹配误差确定所述机器人的重定位位姿。
10.结合第一方面，在第一方面的第一种可能实现方式中，所述根据所述匹配误差确定所述机器人的重定位位姿，包括：
11.在所述第一点云与所述第二点云的匹配误差的最小值大于预定的第一误差阈值的情况下，通过占据概率栅格表示所述第一点云和所述第二点云；
12.通过分支定界方法，将所述第二点云和所述第一点云进行匹配，根据所述第一点云所匹配的第二点云中的栅格区域的占据概率得分之和最大的情况，确定所述机器人的重定位位姿。
13.结合第一方面，在第一方面的第二种可能实现方式中，所述根据所述第一点云所匹配的第二点云中的栅格区域的占据概率得分之和最大的情况，确定所述机器人的重定位位姿，包括：
14.在所述第一点云所匹配的第二点云中的栅格区域的占据概率得分之和最大的情况下，确定机器人的第一位姿；
15.在所述第一位姿与所述第一点云对应的位姿的匹配误差大于预定的第二误差阈
值的情况下，通过暴力匹配方法确定所述机器人的重定位位姿。
16.结合第一方面，在第一方面的第三种可能实现方式中，所述提取所述第一点云中的特征描述子，包括：
17.对所述第一点云进行径向划分和周向划分，得到第一栅格集合，和/或，对所述第一点云进行水平方向划分和竖直方向划分，得到第二栅格集合；
18.根据栅格中的点云在垂直水平方向的最大值作为所述栅格的描述子，根据所述描述子确定所述第一栅格集合对应的第一特征描述子矩阵，以及所述第二栅格集合对应的第二特征描述子矩阵。
19.结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，根据所述特征描述子对所述机器人进行初步重定位，包括：
20.将所述第一特征描述子矩阵和/或第二特征描述子矩阵压缩为一维特征；
21.根据所述第一点云的一维特征与建图中的关键帧的一维特征进行匹配，确定候选关键帧；
22.将所述候选关键帧与所述第一点云的第一特征描述子矩阵和/或第二特征描述子矩阵进行匹配，对所述机器人进行初步重定位。
23.结合第一方面的第四种可能实现方式，在第一方面的第五种可能实现方式中，将所述第一特征描述子矩阵和/或第二特征描述子矩阵压缩为一维特征，包括：
24.根据所述第一特征描述子矩阵和/或第二特征描述子矩阵中的每行的描述子和值或平均值，根据所述和值或平均值确定所述一维特征；
25.或者，根据所述第一特征描述子矩阵和/或第二特征描述子矩阵中的每列的描述子和值或平均值，根据所述和值或平均值确定所述一维特征。
26.结合第一方面至第一方面的第五种可能实现方式中的任意一种实现方式，在第一方面的第六种可能实现方式中，根据所述特征描述子对所述机器人进行初步重定位，包括：
27.根据所述机器人的初始位姿确定局部关键帧；
28.根据所述局部关键帧的特征描述子与所述第一点云的特征描述子，对所述机器人进行初步重定位。
29.本技术实施例的第二方面提供了一种机器人的重定位装置，所述装置包括：
30.点云获取单元，用于获取所述机器人所在场景的第一点云；
31.初步位姿确定单元，用于提取所述第一点云中的特征描述子，根据所述特征描述子对所述机器人进行初步重定位，确定所述机器人的初步位姿；
32.第二点云确定单元，用于确定位于所述初步位姿预定范围内的第二点云；
33.重定位位姿确定单元，用于通过点云匹配方法，确定所述第一点云与所述第二点云的匹配误差，根据所述匹配误差确定所述机器人的重定位位姿。
34.本技术实施例的第三方面提供了机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
35.本技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
36.本技术实施例与现有技术相比存在的有益效果是：本技术实施例通过特征描述子匹配，可以高效的获得机器人所在场景的第一点云匹配的初始位姿，基于初始位姿进行点云匹配，从而能够得到初步位姿与机器人位姿的匹配精度，通过匹配误差确定机器人的重定位位姿，有利于提高机器人重定位精度，并且不需要将每个关键帧与第一点云进行点云匹配计算，有利于减少重定位的计算量，提高重定位效率。
附图说明
37.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，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。
38.图1是本技术实施例提供的一种机器人的重定位方法的实现流程示意图；
39.图2是本技术实施例提供的一种栅格划分示意图；
40.图3是本技术实施例提供的又一栅格划分示意图；
41.图4是本技术实施例提供的一种对机器人进行初步重定位方法的实现流程示意图；
42.图5是本技术实施例提供的一种机器人的重定位装置的示意图；
43.图6是本技术实施例提供的机器人的示意图。
具体实施方式
44.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
45.为了说明本技术所述的技术方案，下面通过具体实施例来进行说明。
46.在机器人执行导航任务的过程中，由于传感器精度或运动精度的影响，机器人可能会出现定位丢失的情况，需要通过机器人进行重定位，以重新获得机器人的定位信息。
47.在机器人进行重定位时，通常将机器人当前采集的点云与历史的关键帧的点云进行匹配。采用点云匹配算法进行匹配时，由于算法的计算量较大，使得重定位效率不高，且成功率不高。通过语义信息重定位时，将地图中的物体赋予语义标签并作为重定位辅助的参考信息确实能够提升成功率，但是受限于无法泛化应用到多样化的场景中，鲁棒性不足，语义误识别会让机器人错误的重定位，并且语义信息的获取需要消耗较大的计算机资源。基于描述子进行重定位时，由于难以将场景的有效特征信息描述完全，与建图时的场景出现一定变化时，重定位成功率不高。
48.基于此，本技术实施例提出了一种机器人的重定位方法，该方法的执行主体可以为机器人。如图1所示，该方法包括：
49.在s101中，获取所述机器人所在场景的第一点云。
50.本技术实施例中的机器人，可以为具有智能导航功能的机器人，包括如送餐机器人、扫地机器人、巡逻机器人、迎宾机器人或消毒机器人等。机器人可以通过点云采集装置
采集机器人所在场景中的第一点云。点云采集装置可以包括如激光雷达、深度相机等。
51.在采集机器人所在场景中的第一点云时，可以按照预定的时间间隔进行采集，得到预定时间间隔的第一点云。该时间间隔可以根据机器人移动的速度，以及场景的开阔程度来确定。当机器人的移动速度越快，则该时间间隔可以越短，当机器人的移动速度越慢，则该时间间隔可以越长。当场景越开阔，获取第一点云的时间间隔可以越长，当场景越狭小，获取第一点云的时间间隔可以越短。
52.在可能的实现方式中，还可以根据机器人运动信息来采集第一点云。比如，可以在机器人相对于上一采集点移动的距离达到预定的距离阈值，则采集第一点云，或者机器人相对于上一采集点旋转的角度达到预定的角度阈值，则采集第一点云。
53.在可能的实现方式中，还可以根据所采集的点云中包括的特征的数量确定第一点云。比如，当前帧的点云包括的特征的数量达到预定的数量值，则将该当前帧的点云作为第一点云。
54.在s102中，提取所述第一点云中的特征描述子，根据所述特征描述子对所述机器人进行初步重定位，确定所述机器人的初步位姿。
55.在进行点云匹配之前，先将第一点云与预先获取的关键帧进行特征描述子的匹配，对机器人进行初步重定位。基于特征描述子匹配的计算方式，与基于点云匹配的方式相比，可以大大的减小匹配的计算量，有利于高效的确定机器人初步位姿。基于特征描述子的匹配方式，可以在预先获取的关键帧中，得到一个或者多个与当前帧的第一点云的特征描述子匹配的关键帧。
56.在进行特征描述子匹配之前，可以将关键帧的点云和第一点云进行栅格划分，得到每个栅格对应的特征描述子，基于多个栅格确定特征描述子矩阵。其中，对第一点云或关键帧的点云进行栅格划分的方式可以包括：
57.划分方式一：
58.如图2所示，可以将第一点云或关键帧的点云截取预定半径的划分区域，在该划分区域进行栅格划分。预先设定的半径可以根据不同的场景来确定。比如，对于室外场景，预定的半径可以为30-100米中的任意值。比如可以设定半径为80米，得到半径80米以内的部分为划分区域。根据所确定的划分区域，可以在径向和周向划分预定数量的栅格。在每一块栅格中，可以根据该栅格中的点云的z轴方向，即垂直于水平方向的最大值作为该栅格的特征描述子。如果栅格的数量为r*q，可将整个关键帧的点云或第一点云以相应尺度的矩阵，比如r*q的特征描述子矩阵简单表示出来，该特征描述子矩阵可称之为旋转描述子矩阵或第一特征描述子矩阵。
59.如图3所示，可以将第一点云或历史关键帧的点云，在水平方向及竖直方向进行预定间隔或预定数量的栅格划分。比如水平方向和竖直方向的数量可以分别为x和y。相应的，可以采用栅格中点云的z轴方向，即垂直于水平面的方向上的最大值作为该栅格的特征描述子。关键帧的点云或第一点云也可用x*y的特征描述子矩阵表示。该特征描述子矩阵可称之为横向描述子矩阵或第二特征描述子矩阵。
60.可以使用第一点云和历史关键帧的第一特征描述子矩阵进行匹配确定匹配结果，或者也可以使用第一点云和历史关键帧的第二特征描述子矩阵进行匹配确定匹配结果，或者也可以使用第一点云和历史关键帧的第一特征描述子矩阵进行匹配、以及使用第二点云
和历史关键帧的第二特征描述子矩阵进行匹配，以确定第一点云与历史关键帧的匹配结果。
61.在使用第一点云和历史关键帧的第一特征描述子矩阵进行匹配、以及使用第二点云和历史关键帧的第二特征描述子矩阵进行匹配确定匹配结果时，其中任意特征描述子矩阵(第一特征描述子矩阵或第二特征描述子矩阵)的匹配结果满足预定的匹配误差的要求，则可以确定第一点云与该关键帧的点云的特征描述子匹配。
62.为了进一步提高特征描述子的匹配效率，本技术实施例还可以如图4所示，通过分层匹配的方式，对机器人进行初步重定位，具体包括：
63.在s401中，将所述第一特征描述子矩阵和/或第二特征描述子矩阵压缩为一维特征。
64.由于第一特征描述子矩阵或第二特征描述子矩阵为二维的数据，在对历史关键帧与第一点云的第一特征描述子矩阵进行匹配时，需要进行二维的数据匹配计算。为进一步提高匹配效率，可以将二维的第一特征描述子和/或第二特征描述子压缩为一维特征，基于一维特征进行匹配，可大大的提高匹配效率。
65.将二维的第一特征描述子矩阵和/或第二特征描述子矩阵压缩为一维特征时，可以包括：
66.根据所述第一特征描述子矩阵和/或第二特征描述子矩阵中的每行的描述子和值或平均值，根据所述和值或平均值确定所述一维特征。或者，根据所述第一特征描述子矩阵和/或第二特征描述子矩阵中的每列的描述子和值或平均值，根据所述和值或平均值确定所述一维特征。
67.比如，假设第一特征描述子矩阵和/或第二特征描述子矩阵为x*y的矩阵，可以将每行中的y个特征描述子压缩为一个特征描述子。压缩的方式可以包括如求和、求平均值的方式，确定该行的y个特征描述子压缩后的特征描述子。比如，可以通过求平均值的方式，计算第一行的特征描述子压缩后的特征描述子为：s1＝(s
11
+s
12
+
…s1i
…
+s
1y
)/y。其中，s1为压缩后的一维矩阵的第一特征描述子，s
1i
为第一行第i列的特征描述子，y为第一特征描述子矩阵或第二特征描述子矩阵的列数。
68.在s402中，根据所述第一点云的一维特征与建图中的关键帧的一维特征进行匹配，确定候选关键帧。
69.将第一点云和建图中的历史的关键帧的点云进行压缩均得到一维特征后，将第一点云与建图中的关键帧的一维特征进行匹配，可以快速的确定建图中的关键帧中与第一点云的一维特征匹配的关键帧，称之为候选关键帧。由于候选关键帧的计算只需要进行一维特征的比较，因此，可以大大的候选关键帧的计算效率。
70.在s403中，将所述候选关键帧与所述第一点云的第一特征描述子矩阵和/或第二特征描述子矩阵进行匹配，对所述机器人进行初步重定位。
71.通过一维特征的匹配计算，确定一维特征匹配度满足要求的关键帧，即候选关键帧后，可以将该候选关键帧与第一点云进行二维特征(即第一特征描述子矩阵或第二特征描述子矩阵)的匹配，基于一个或者多个候选帧的匹配计算，在满足二维特征的匹配要求时，将匹配的候选关键帧的位姿确定为初步重定位后的机器人的位姿。
72.由于二维特征的匹配的基础为一维特征匹配后的候选关键帧，因此，可以不需要
对每个建图中的关键帧进行二维特征的匹配计算，可以减少匹配的计算量，提高初步重定位的效率。
73.在可能的实现方式中，本技术在确定建图中的关键帧时，可以根据机器人的模糊的初始位姿确定采用全局重定位或局部重定位。模糊的初始位姿可以指机器人可以获取定位信息，但定位信息的精度未能满足重定位的精度要求。
74.当未能获取到机器人在重定位时的模糊的初始位姿时，可以采用全局重定位，在全局地图范围内执行重定位方法。全局重定位初始化全局点云地图时，首先对地图进行体素滤波降采样，计算当前帧点云的三维点云的特征描述子，随后进行三维点云的特征描述子的搜索匹配寻找到相应的建图中的关键帧。
75.当机器人可以通过gnns(中文全称为全球导航卫星系统，英文全称为global navigation satellite system)等定位方法，或者接收定位设定值的方式确定模糊的初始位姿时，可以根据模糊的初始位姿确定局部关键帧用于重定位。对局部关键帧确定的地图进行体素滤波降采样，计算当前帧的第一点云的三维点云的特征描述子，然后通过三维点云的特征描述子的搜索匹配寻找到匹配的历史关键帧，对机器人进行初步重定位，得到机器人的初步位姿。
76.在s103中，确定位于所述初步位姿预定范围内的第二点云。
77.通过特征描述子确定机器人的初步位姿后，可以基于该初步位姿确定第二点云。比如，可根据机器人的初步位姿作为中心点，选择预定半径确定的点云作为第二点云。当然，不局限于此，也可以根据初步位姿，结合其它形状确定第一点云。
78.由于初步位姿相对于初始位姿的精度更高，因此，可以基于该初步位姿确定第二点云，相对于初始位姿确定的局部区域的点云的精度更高。
79.在s104中，通过点云匹配方法，确定所述第一点云与所述第二点云的匹配误差，根据所述匹配误差确定所述机器人的重定位位姿。
80.根据初步位姿确定第二点云后，可以基于精度更高的第二点云进行点云匹配的计算。由于点云匹配计算的对象为初步位姿确定的第二点云，不需要对建图中的所有关键帧进行匹配计算，在保证了匹配精度的同时，可以大大的减少点云匹配的计算量，提高机器人的重定位效率。
81.在第一点云与第二点云进行匹配计算时，可以得到不同的历史的关键帧与当前的关键帧的第一点云匹配误差，可以选择匹配误差最小的历史的关键帧的位姿，作为机器人的重定位位姿。
82.在可能的实现方式中，根据匹配误差确定所述机器人的重定位位姿，还可能出现匹配误差的最小值大于预定的第一误差阈值。在这种情况下，机器人的当前位姿的第一点云，与匹配误差最小的历史的关键帧的点云的匹配度，未能满足预设的匹配度要求，可以进一步通过分支定界的方法，确定机器人的重定位位姿。
83.比如，可以根据图2或图3所示的栅格划分方式，将第一点云和第二点云进行栅格划分，通过占据概率栅格表示第一点云和第二点云，即对划分的栅格通过占据概念来表示。可以根据每一个点在局部地图坐标系，即第二点云对应的坐标系下的位姿对应更新栅格被占用的概率值。点与该坐标系的原点的连线对应的子图中像素(排除点命中的像素)用空闲概率更新概率值。
84.可以将第一点云的占据概率栅格与第二点云的占据概率栅格进行匹配，将位姿求解转换为非线性最小二乘问题，找到在局部点云中匹配当前帧点云使对应栅格占据概率最大的位姿，即占据概率得分之和最大的位姿，确定为机器人重定位位姿。
85.在可能的实现方式中，基于分支定界方法确定占据概率得分之和最大的情况，确定的机器人的重定位位姿还可能包括：
86.在所述第一点云所匹配的第二点云中的栅格区域的占据概率得分之和最大的情况下，确定机器人的第一位姿。通过计算第一位姿与机器人当前位姿，即第一点云对应的位姿的匹配误差。如果该匹配误差大于预定的第二误差阈值，则通过暴力匹配方法确定机器人的重定位位姿。即可以将当前帧的第一点云与局部的第二点云，进行迭代多次的匹配，若匹配得分达到预定的得分阈值，或者则匹配误差小于预定的第三误差阈值，得到第一点云匹配的位姿，作为机器人重定位位姿。
87.本技术实施例通过特征描述子进行初步定位，并基于初步定位确定第二点云，将第二点云与第一点云进行点云匹配，可以减少点云匹配的计算量，提高重定位效率的同时，提高重定位精度。在使用特征描述子匹配时，可以将二维的特征描述子矩阵压缩为一维特征进行预匹配，确定候选关键帧，根据候选关键帧进行二维特征的匹配，有利于减少二维特征的匹配计算量，提高特征描述子的匹配效率。在点云匹配失败时，还可以基于分支定界方法确定机器人的重定位位姿。在点云匹配和基于分支定界方法均失败时，还可以采用暴力匹配的方式，将第一点云与第二点云中的所有位姿进行匹配计算，得到第一点云匹配的重定位位姿。
88.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
89.图5为本技术实施例提供的一种机器人的重定位装置的示意图。如图5所示，该装置包括：
90.点云获取单元501，用于获取所述机器人所在场景的第一点云；
91.初步位姿确定单元502，用于提取所述第一点云中的特征描述子，根据所述特征描述子对所述机器人进行初步重定位，确定所述机器人的初步位姿；
92.第二点云确定单元503，用于确定位于所述初步位姿预定范围内的第二点云；
93.重定位位姿确定单元504，用于通过点云匹配方法，确定所述第一点云与所述第二点云的匹配误差，根据所述匹配误差确定所述机器人的重定位位姿。
94.图5所示的机器人的重定位装置，与图1所示的机器人的重定位方法对应。
95.图6是本技术一实施例提供的机器人的示意图。如图6所示，该实施例的机器人6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如机器人的重定位程序。所述处理器60执行所述计算机程序62时实现上述各个机器人的重定位方法实施例中的步骤。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能。
96.示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于
描述所述计算机程序62在所述机器人6中的执行过程。
97.所述机器人可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是机器人6的示例，并不构成对机器人6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人还可以包括输入输出设备、网络接入设备、总线等。
98.所称处理器60可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
99.所述存储器61可以是所述机器人6的内部存储单元，例如机器人6的硬盘或内存。所述存储器61也可以是所述机器人6的外部存储设备，例如所述机器人6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述机器人6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述机器人所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
100.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
101.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
102.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
103.在本技术所提供的实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
104.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
105.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
106.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
107.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种机器人的重定位方法，其特征在于，所述方法包括：获取所述机器人所在场景的第一点云；提取所述第一点云中的特征描述子，根据所述特征描述子对所述机器人进行初步重定位，确定所述机器人的初步位姿；确定位于所述初步位姿预定范围内的第二点云；通过点云匹配方法，确定所述第一点云与所述第二点云的匹配误差，根据所述匹配误差确定所述机器人的重定位位姿。2.根据权利要求1所述的方法，其特征在于，所述根据所述匹配误差确定所述机器人的重定位位姿，包括：在所述第一点云与所述第二点云的匹配误差的最小值大于预定的第一误差阈值的情况下，通过占据概率栅格表示所述第一点云和所述第二点云；通过分支定界方法，将所述第二点云和所述第一点云进行匹配，根据所述第一点云所匹配的第二点云中的栅格区域的占据概率得分之和最大的情况，确定所述机器人的重定位位姿。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一点云所匹配的第二点云中的栅格区域的占据概率得分之和最大的情况，确定所述机器人的重定位位姿，包括：在所述第一点云所匹配的第二点云中的栅格区域的占据概率得分之和最大的情况下，确定机器人的第一位姿；在所述第一位姿与所述第一点云对应的位姿的匹配误差大于预定的第二误差阈值的情况下，通过暴力匹配方法确定所述机器人的重定位位姿。4.根据权利要求1所述的方法，其特征在于，所述提取所述第一点云中的特征描述子，包括：对所述第一点云进行径向划分和周向划分，得到第一栅格集合，和/或，对所述第一点云进行水平方向划分和竖直方向划分，得到第二栅格集合；根据栅格中的点云在垂直水平方向的最大值作为所述栅格的描述子，根据所述描述子确定所述第一栅格集合对应的第一特征描述子矩阵，以及所述第二栅格集合对应的第二特征描述子矩阵。5.根据权利要求4所述的方法，其特征在于，根据所述特征描述子对所述机器人进行初步重定位，包括：将所述第一特征描述子矩阵和/或第二特征描述子矩阵压缩为一维特征；根据所述第一点云的一维特征与建图中的关键帧的一维特征进行匹配，确定候选关键帧；将所述候选关键帧与所述第一点云的第一特征描述子矩阵和/或第二特征描述子矩阵进行匹配，对所述机器人进行初步重定位。6.根据权利要求5所述的方法，其特征在于，将所述第一特征描述子矩阵和/或第二特征描述子矩阵压缩为一维特征，包括：根据所述第一特征描述子矩阵和/或第二特征描述子矩阵中的每行的描述子和值或平均值，根据所述和值或平均值确定所述一维特征；或者，根据所述第一特征描述子矩阵和/或第二特征描述子矩阵中的每列的描述子和
值或平均值，根据所述和值或平均值确定所述一维特征。7.根据权利要求1-6任一项所述方法，其特征在于，根据所述特征描述子对所述机器人进行初步重定位，包括：根据所述机器人的初始位姿确定局部关键帧；根据所述局部关键帧的特征描述子与所述第一点云的特征描述子，对所述机器人进行初步重定位。8.一种机器人的重定位装置，其特征在于，所述装置包括：点云获取单元，用于获取所述机器人所在场景的第一点云；初步位姿确定单元，用于提取所述第一点云中的特征描述子，根据所述特征描述子对所述机器人进行初步重定位，确定所述机器人的初步位姿；第二点云确定单元，用于确定位于所述初步位姿预定范围内的第二点云；重定位位姿确定单元，用于通过点云匹配方法，确定所述第一点云与所述第二点云的匹配误差，根据所述匹配误差确定所述机器人的重定位位姿。9.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结
本申请涉及机器人定位领域，提出了一种机器人及其重定位方法、装置及存储介质。该方法包括：获取所述机器人所在场景的第一点云；提取所述第一点云中的特征描述子，根据所述特征描述子对所述机器人进行初步重定位，确定所述机器人的初步位姿；确定位于所述初步位姿预定范围内的第二点云；通过点云匹配方法，确定所述第一点云与所述第二点云的匹配误差，根据所述匹配误差确定所述机器人的重定位位姿。通过特征描述子确定初步位姿后，通过初步位姿确定的第二点云进行点云匹配，有利于减少点云匹配的计算量，提高点云匹配效率的同时，有利于提高重定位精度。高重定位精度。高重定位精度。


技术研发人员：韦和钧 焦继超 赖有仿 温焕宇 毕占甲 何婉君 熊金冰
受保护的技术使用者：深圳市优必选科技股份有限公司
技术研发日：2023.04.14
技术公布日：2023/8/14