一种移动机器人的多机协同激光SLAM方法、装置及系统

一种移动机器人的多机协同激光slam方法、装置及系统
技术领域
1.本发明涉及slam技术领域，具体涉及一种移动机器人的多机协同激光slam方法、装置及系统。


背景技术：

2.slam技术是指移动机器人在陌生环境中运行，能够同时完成环境地图的构建并确定自身在地图中相对位置的技术。移动机器人在工业和服务业中获得大规模应用以后，多移动机器人协同工作的情形变得越来越普遍，实现诸如避障、编队、巡航等群体协同运动的情形越来越多，因而需更高效、更智能的slam方法及系统与之相匹配。目前，移动机器人slam通常为单机模式，主要依靠机载的激光雷达、里程计、imu等传感器完成前端的数据采集，依靠机载的工控机完成后端的数据处理。这种单机slam模式在小范围场景下有着良好的应用效果，但是当应用在多机、大范围场景时，由于单台机器人视野范围狭窄，会出现计算耗时长、建图质量差、定位不准确等突出问题。单机移动机器人在应用场景尺度范围的扩大时，出现计算耗时长、建图质量差、定位不准确等突出问题，且单机slam模式在多机时是相互孤立的，缺少信息共享和任务协同机制，多台移动机器人对同一工作场景各自建图，造成了计算的低效和算力的浪费。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，本发明提供了一种移动机器人的多机协同激光slam方法、装置及系统，利用多台移动机器人搭载的激光雷达同步扫视周围环境，利用云端的计算资源进行点云数据的融合处理，可快速生成大范围场景的轻量级全局地图并完成多机器人精确定位。
4.为了解决上述技术问题，本发明实施例提供了一种移动机器人的多机协同激光slam方法，所述多机协同激光slam方法，包括：
5.s1：对若干台移动机器人的里程计和imu进行校准，及对激光雷达运动畸变进行去除，对各台移动机器人系统的时钟进行同步；
6.s2：中央调度服务器启动并控制若干台移动机器人开机运行；
7.s3：中央调度服务器刷新移动机器人里程数；
8.s4：中央调度服务器在延时δt后向若干台移动机器人下发数据采集指令；
9.s5：若干台移动机器人的里程计、imu根据数据采集指令采集数据，并对采集的数据传输附加时间戳及标记；
10.s6：若干台移动机器人将采集的数据基于扩展卡尔曼滤波器的融合处理，得到n个粗略位姿；同时，
11.s7：若干台移动机器人的雷达根据数据采集指令扫描环境，生成各自的激光轮廓点云；
12.s8：若干台移动机器人对激光轮廓点云进行去噪处理和下采样，得到n张局部点云
地图并附加时间戳及标记；
13.s9：将n张局部点云地图和n个粗略位姿通过5g无线网络传输至中央调度服务器；
14.s10：中央调度服务器将n张局部点云地图和n个粗略位姿上传至云服务器；
15.s11：云服务器对n张局部点云地图进行融合计算，拼合成全局点云地图；
16.s12：云服务器对全局点云地图及n个粗略位姿进行优化处理，得到最优全局点云地图和n个精确位姿；
17.s13：将最优全局点云地图转换成全局栅格地图，基于精确位姿矩阵在全局栅格地图上标记若干个移动机器人的位置。
18.优选的，所述中央调度服务器刷新移动机器人里程数，包括：
19.所述中央调度服务器根据精确位姿刷新移动机器人里程数，在初始时里程计归零。
20.优选的，所述数据包括行驶里程、加速度和角速度。
21.优选的，所述去噪处理包括去除孤立点和噪声点；所述下采样用于压缩激光点云数据量。
22.优选的，所述若干台移动机器人将采集的数据基于扩展卡尔曼滤波器的融合处理，包括：
23.每台移动机器人将里程计采集的移动机器人行驶里程进行运算转化，得到机器人整体的位移；
24.每台移动机器人分别对imu采集的加速度和角速度进行积分，计算出机器人的线速度和转角，利用扩展卡尔曼滤波器将线速度、位移、角速度、转角进行融合，得到移动机器人的粗略位姿矩阵。
25.优选的，所述云服务器根据pl-icp算法对n张局部点云地图进行融合计算，包括：
26.在云服务器内，采用时间戳对齐的方式进行数据匹配，采用pl-icp算法对若干张局部点云地图进行融合计算，拼合成全局点云地图。
27.优选的，所述云服务器对全局点云地图及n个粗略位姿进行优化处理，包括：
28.云服务器根据cartographer算法对全局点云地图进行优化，获得最优全局点云地图，同时n个粗略位姿矩阵根据cartographer算法生成对应移动机器人的精确位姿。
29.优选的，所述基于精确位姿矩阵在全局栅格地图上标记若干个移动机器人的位置，包括：
30.所述栅格地图中每个栅格取值范围为[0,1]，其中，0表示栅格未被占据，1表示栅格被占据，-1表示不确定是否被占据，0～1之间的数值表示栅格被占据的概率。
[0031]
相应的，本发明还提供了一种移动机器人的多机协同激光slam装置，所述多机协同激光slam装置用于实现上述的多机协同激光slam方法，所述多机协同激光slam装置包括准备模块、启动模块、数据刷新模块、命令模块、采集模块、融合计算模块、下采样模块、扫描模块、去噪模块、第一传输模块、第二传输模块、地图拼接模块、地图优化模块和定位建图模块。
[0032]
所述准备模块用于对若干台移动机器人的里程计和imu进行校准，及对激光雷达运动畸变进行去除，对各台移动机器人系统的时钟进行同步；
[0033]
所述启动模块用于中央调度服务器启动并控制若干台移动机器人开机运行；
[0034]
所述数据刷新模块根据中央调度服务器刷新移动机器人里程数；
[0035]
所述命令模块根据中央调度服务器在延时δt后向若干台移动机器人下发数据采集指令；
[0036]
所述采集模块根据若干台移动机器人的里程计、imu根据数据采集指令采集数据，并对采集的数据传输附加时间戳及标记；
[0037]
所述融合计算模块根据若干台移动机器人将采集的数据基于扩展卡尔曼滤波器的融合处理，得到n个粗略位姿；
[0038]
所述扫描模块根据若干台移动机器人的雷达数据采集指令扫描环境，生成各自的激光轮廓点云；
[0039]
所述去噪模块根据若干台移动机器人对激光轮廓点云进行去噪处理，得到n张局部点云地图并附加时间戳及标记；
[0040]
所述下采样模块分别对n张局部点云地图进行下采样，以压缩激光点云数据量；
[0041]
所述第一传输模块用于将n张局部点云地图和n个粗略位姿通过5g无线网络传输至中央调度服务器；
[0042]
所述第二传输模块根据中央调度服务器的n张局部点云地图和n个粗略位姿上传至云服务器；
[0043]
所述地图拼接模块通过云服务器对n张局部点云地图进行融合计算，拼合成全局点云地图；
[0044]
所述地图优化模块基于云服务器对全局点云地图及n个粗略位姿进行优化处理，得到最优全局点云地图和n个精确位姿；
[0045]
所述定位建图模块将最优全局点云地图转换成全局栅格地图，基于精确位姿矩阵在全局栅格地图上标记若干个移动机器人的位置。
[0046]
相应的，本发明还提供了一种移动机器人的多机协同激光slam系统，所述多机协同激光slam系统包括若干台移动机器人、5g专用网络、5g交换机、中央调度服务器和若干台云服务器，所述若干台移动机器人基于5g专用网络与所述5g交换机无线连接，所述5g交换机基于网线与中央调度服务器连接，所述中央调度服务器基于网线与若干台云服务器连接；
[0047]
所述多机协同激光slam系统用于实现上述的多机协同激光slam方法。
[0048]
本发明实施例提供了移动机器人的多机协同激光slam方法、装置及系统，利用多台移动机器人搭载的激光雷达同步扫视周围环境，通过5g网络作为中继并利用云端的计算资源进行点云数据的融合处理，可快速生成大范围场景的轻量级全局地图并完成多机器人精确定位，提升工作效率；多台移动机器人在同一栅格地图mg上进行标记，多台移动机器人同步标记信息来共同对全局进行建图和定位，避免算力的浪费，提升工作效率。
附图说明
[0049]
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0050]
图1是本发明实施例中的多机协同激光slam方法的流程示意图。
[0051]
图2是本发明实施例中的多机协同激光slam方法数据流程示意图。
[0052]
图3是本发明实施例中的多机协同激光slam装置的结构示意图。
[0053]
图4是本发明实施例中的多机协同激光slam系统的硬件拓扑结构示意图。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
[0055]
实施例一
[0056]
图1示出了本发明实施例中的多机协同激光slam方法的流程示意图，所述移动机器人的多机协同激光slam方法，slam全称是simultaneous localization and mapping，slam为同步定位与地图构建，多机协同激光slam方法包括：
[0057]
s1：对若干台移动机器人的里程计和imu进行校准，及对激光雷达运动畸变进行去除，对各台移动机器人系统的时钟进行同步；
[0058]
slam运行之前的准备工作包括：对若干移动台机器人的里程计和imu进行校准，及对激光雷达运动畸变进行去除，对各台移动机器人系统的时钟进行同步；将若干台移动机器人的里程计数据全部归零。在启动前检查移动机器人的情况，将机器人的数据初始化，方便计算，保证数据采集的准确性。
[0059]
若干台移动机器人为同一种轮式移动机器人，所述轮式移动机器人搭载有2d激光雷达、里程计、imu、efk和5g无线通讯模块；imu全称inertial measurement unit，imu为惯性传感器，惯性传感器用于采集移动机器人的加速度和角速度；里程计可为视觉里程计、轮式里程计或激光里程计，里程计用于采集移动机器人的行驶里程；efk全称为extended kalman filter，efk是扩展卡尔曼滤波器，扩展卡尔曼滤波器用于计算移动机器人的位姿矩阵。
[0060]
s2：中央调度服务器启动并控制若干台移动机器人开机运行；
[0061]
启动中央调度服务器，再利用中央调度服务器同步启动若干台移动机器人来开始建图检测，使若干台移动机器人的时间进行同步，具有同一性，降低时间导致的数据错误。
[0062]
s3：中央调度服务器刷新移动机器人里程数；
[0063]
中央调度服务器基于5g交换器与若干台移动机器人的5g无线通讯模块进行5g专用网络无线连接，slam的中央调度服务器根据精确位姿刷新若干台机器人的里程计数据；在初始时，里程计数据全部归零，中央调度服务器在刷新若干台机器人的里程计数据的同时，移动机器人进行移动，里程计进行记录位移数据。
[0064]
5g专用网络为具有低时延、高可靠性、大带宽特性的局域通讯网络，5g专用网络可完全覆盖移动机器人运动范围，能够快速传输信号以及数据，加快了传输速率，提升效率。
[0065]
s4：中央调度服务器在延时δt后向若干台移动机器人下发数据采集指令；
[0066]
中央调度服务器生成的数据采集指令在延时δt后通过5g交换器向若干台移动机器人无线传输数据采集指令，若干台移动机器人按照采样频率为1/δt采集数据，数据包括
行驶里程、加速度和角速度。
[0067]
s5：若干台移动机器人的里程计、imu根据数据采集指令采集数据，并对采集的数据传输附加时间戳及标记；
[0068]
每台移动机器人基于5g无线通信模块接收中央调度服务器传输过来的数据采集指令，每台移动机器人按照采样频率为1/δt采集移动机器人的行驶里程、加速度和角速度，里程计采集移动机器人的行驶里程，imu采集移动机器人的加速度和角速度。每台移动机器人对采集的各个数据用附加的时间戳和标号进行区分，并将采集的数据传输至efk。这里对每台移动机器人的数据附加时间戳和标号进行区分，方便识别数据对应的移动机器人，加快识别速率，具有良好的便利性。
[0069]
s6：若干台移动机器人将采集的数据基于扩展卡尔曼滤波器的融合处理，得到n个粗略位姿；
[0070]
每台移动机器人将里程计采集的移动机器人行驶里程，经过运算转化为机器人整体的位移；分别对imu采集的加速度和角速度进行积分，计算出每台移动机器人的线速度和转角，利用efk将线速度、位移、角速度、转角进行融合，得出移动机器人的粗略位姿矩阵p’i
(x,y,θ)
t
(i＝1
…
n)，即若干台移动机器人得到n个粗略位姿矩阵。
[0071]
s7：若干台移动机器人的雷达根据数据采集指令扫描环境，生成各自的激光轮廓点云；
[0072]
在s5执行的同时，每台移动机器人基于2d激光雷达同步扫描周围环境，生成各自的激光轮廓点云。
[0073]
s8：若干台移动机器人对激光轮廓点云进行去噪处理和下采样，得到n张局部点云地图并附加时间戳及标记；
[0074]
每台移动机器人的2d激光雷达对激光轮廓点云进行去噪处理和下采样后生成局部地图mi，去噪处理为去除孤立点和噪声点，所述下采样用于压缩激光点云数据量，且每台移动机器人对各自的局部地图mi附加时间戳和标号，即若干台移动机器人得到n张局部地图mi。
[0075]
这里对局部地图mi进行附加时间戳和标号进行区分，方便识别数据对应的移动机器人，加快识别速率，具有良好的便利性。
[0076]
s9：将n张局部点云地图和n个粗略位姿通过5g无线网络传输至中央调度服务器；
[0077]
每台移动机器人通过5g无线通讯模块与5g交换器无线连接，5g交换器基于网线与中央调度服务器连接，每台移动机器人将局部点云地图mi和粗略位姿p’i
上传至中央调度服务器，即n张局部地图mi(i＝1
…
n)以及n个粗略位姿矩阵p’i
(i＝1
…
n)传输至传至中央调度服务器。
[0078]
s10：中央调度服务器将n张局部点云地图和n个粗略位姿上传至云服务器；
[0079]
中央调度服务器与若干个云处理器通过网线连接。中央调度服务器将n张局部地图mi(i＝1
…
n)以及n个粗略位姿矩阵p’i
(i＝1
…
n)传输至若干个云服务器，同时，中央调度服务器将n张局部地图mi(i＝1
…
n)以及n个粗略位姿矩阵p’i
(i＝1
…
n)传输至数据库，数据库存储移动机器人历史运行数据和历史全局地图。
[0080]
s11：云服务器对n张局部点云地图进行融合计算，拼合成全局点云地图；
[0081]
在云服务器内，采用时间戳对齐的方式进行数据匹配，采用pl-icp算法对若干张
局部点云地图mi进行融合计算，拼合成全局点云地图mc。
[0082]
pl-icp全称为point-to-line iterative closest point，pl-icp算法：首先要进行初始化，初始化的工作做了第一帧雷达数据的赋值，第一帧时间的赋值；并且计算了雷达数据对应的每个角度值的cos与sin，用于节省计算量；之后再将雷达数据转换成需要的格式；再调用pl-icp进行融合计算。
[0083]
s12：云服务器对全局点云地图及n个粗略位姿进行优化处理，得到最优全局点云地图和n个精确位姿；
[0084]
云服务器根据cartographer算法对全局点云地图mc进行优化，获得最优全局点云地图，同时n个粗略位姿矩阵p’i
根据cartographer算法优化生成n个精确位姿矩阵pi(i＝1
…
n)，在优化过程中粗略位姿矩阵p’i
可配合对应的行驶里程通过cartographer算法得到对应的精确位姿矩阵pi。
[0085]
s13：将最优全局点云地图转换成全局栅格地图，基于精确位姿矩阵在全局栅格地图上标记若干个移动机器人的位置；
[0086]
将全局点云地图mc转换为轻量化的全局栅格概率地图mg，并在栅格地图mg上基于精确位姿矩阵pi标示对应的移动机器人的位置，精确位姿矩阵pi根据附加的时间戳和标号来区分对应的移动机器人。地图中每个栅格取值范围为[0,1]，其中，0表示栅格未被占据，1表示栅格被占据，-1表示不确定是否被占据，0～1之间的数值表示栅格被占据的概率。之后返回s3不断重复着s3到s13过程，进行新一轮全局建图和定位，不断地获取移动机器人的移动位置，直至栅格地图mg上所有的栅格均被占据，则完成该区域全局建图。全局建图和若干台移动机器人的定位完成后，若干台移动机器人全部停机，slam停止运行。若干台移动机器人在同一栅格地图mg上进行标记，若干台移动机器人同步标记信息，共同对全局进行建图和定位，提升工作效率。
[0087]
本发明实施例提供了移动机器人的多机协同激光slam方法，利用多台移动机器人搭载的激光雷达同步扫视周围环境，通过5g网络作为中继并利用云端的计算资源进行点云数据的融合处理，可快速生成大范围场景的轻量级全局地图，同时多台移动机器人不断在地图上精确定位来完成全局建图，提升工作效率；多台移动机器人在同一栅格地图mg上进行标记，多台移动机器人同步标记信息来共同对全局进行建图和定位，避免算力的浪费，提升工作效率。
[0088]
实施例二
[0089]
图2示出了本发明实施例中的多机协同激光slam方法数据流程示意图。移动机器人基于激光雷达扫描周围环境得到激光点云参数，对激光点云进行去噪处理和下采样得到局部点云地图；同时，移动机器人通过imu得到imu数据，移动机器人通过里程计得到里程计数据，将efk对里程计数据以及imu数据进行计算处理得到粗略位姿；之后，pl-icp算法对局部点云地图进行融合计算，拼合成全局点云地图；然后，cartographer算法对全局点云地图进行优化得到最优全局点云地图，且粗略位姿矩阵可配合对应的行驶里程通过cartographer算法得到对应的精确位姿矩阵；最后，将全局点云地图转换为轻量化的全局栅格概率地图，并在栅格地图上基于精确位姿矩阵标示对应的移动机器人的位置，进行全局建图以及移动机器人全局地图上定位。多机协同激光slam方法通过多台动机器人不断移动，并记录移动机器人的数据，不断构建补充全局地图，直至全局地图补充完整且移动机器
人在全局地图上完成定位，标志这个全局建图完成。
[0090]
实施例三
[0091]
图3示出了本发明实施例中的多机协同激光slam装置的结构示意图，所述多机协同激光slam装置包括准备模块301、启动模块302、数据刷新模块303、命令模块304、采集模块305、融合计算模块306、扫描模块307、去噪模块308、第一传输模块309、第二传输模块310、下采样模块、地图拼接模块311、地图优化模块312和定位建图模块313。
[0092]
所述准备模块301用于对若干台移动机器人的里程计和imu进行校准，及对激光雷达运动畸变进行去除，对各台移动机器人系统的时钟进行同步；
[0093]
所述启动模块302用于中央调度服务器启动并控制若干台移动机器人开机运行；
[0094]
所述数据刷新模块303根据中央调度服务器刷新移动机器人里程数；
[0095]
所述命令模块304根据中央调度服务器在延时δt后向若干台移动机器人下发数据采集指令；
[0096]
所述采集模块305根据若干台移动机器人的里程计、imu根据数据采集指令采集数据，并对采集的数据传输附加时间戳及标记；
[0097]
所述融合计算模块306根据若干台移动机器人将采集的数据基于扩展卡尔曼滤波器的融合处理，得到n个粗略位姿；
[0098]
所述扫描模块307根据若干台移动机器人的雷达根据数据采集指令扫描环境，生成各自的激光轮廓点云；
[0099]
所述去噪模块308根据若干台移动机器人对激光轮廓点云进行去噪处理，得到n张局部点云地图并附加时间戳及标记；
[0100]
所述的下采样模块分别对n张局部点云地图进行下采样，以压缩激光点云数据量；
[0101]
所述第一传输模块309用于将n张局部点云地图和n个粗略位姿通过5g无线网络传输至中央调度服务器；
[0102]
所述第二传输模块310根据中央调度服务器的n张局部点云地图和n个粗略位姿上传至云服务器；
[0103]
所述地图拼接模块311通过云服务器对n张局部点云地图进行融合计算，拼合成全局点云地图；
[0104]
所述地图优化模块312基于云服务器对全局点云地图及n个粗略位姿进行优化处理，得到最优全局点云地图和n个精确位姿；
[0105]
所述定位建图模块313将最优全局点云地图转换成全局栅格地图，基于精确位姿矩阵在全局栅格地图上标记若干个移动机器人的位置。
[0106]
实施例四
[0107]
图4示出了本发明实施例中的多机协同激光slam系统的硬件拓扑结构示意图，所述移动机器人的多机协同激光slam系统用于实现实施例一的移动机器人的多机协同激光slam方法，所述移动机器人的多机协同激光slam系统包括所述多机协同激光slam系统包括若干台移动机器人、5g专用网络、5g交换机、中央调度服务器、数据库和若干台云服务器，所述若干台移动机器人基于5g专用网络与所述5g交换机无线连接，所述5g交换机基于网线与中央调度服务器连接，所述中央调度服务器基于网线与若干台云服务器连接，所述中央调度服务器基于网线与数据库连接，所述数据库用于存储移动机器人历史运行数据和历史全
局地图。具体的，该系统的基于若干个机器人来数据采集，系统基于5g专用网络实现数据传输，系统基于5g交换机、中央调度服务器及数据库来实现调度控制，系统基于若干个云服务器进行云计算，云计算基于数据采集完成构建地图。多机协同激光slam系统利用多台移动机器人搭载的激光雷达同步扫视周围环境，通过5g网络作为中继并利用云端的计算资源进行点云数据的融合处理，5g网络可完全覆盖移动机器人运动范围，可快速生成大范围场景的轻量级全局地图并完成多机器人精确定位。
[0108]
所述若干台移动机器人在同一区域范围内同时运行；所述若干台移动机器人为同一种轮式移动机器人，所述轮式移动机器人设置有2d激光雷达、里程计、imu、扩展卡尔曼滤波器和5g无线通讯模块；imu全称inertial measurement unit，imu为惯性传感器，惯性传感器用于采集移动机器人的加速度和角速度，里程计可为视觉里程计、轮式里程计或激光里程计，里程计用于采集移动机器人的行驶里程，扩展卡尔曼滤波器用于计算移动机器人的位姿矩阵，2d激光雷达用于扫描周围环境生成局部点云地图。所述若干台移动机器人基于5g无线通讯模块与所述5g交换机无线连接，移动机器人通过5g专用网络无线连接，5g专用网络为具有低时延、高可靠性、大带宽特性的局域通讯网络，5g专用网络可完全覆盖移动机器人运动范围，加快了传输速率，提升效率。
[0109]
需要说明的是，每台移动机器人通过里程计采集移动机器人的行驶里程，每台移动机器人通过imu采集移动机器人的加速度和角速度，每台移动机器人对采集的数据用附加的时间戳和标号进行区分；将里程、加速度和角速度通过计算处理得到每台移动机器人的粗略位姿矩阵p'i。将里程计采集的移动机器人行驶里程，经过运算转化为机器人整体的位移；分别对imu采集的加速度和角速度进行积分，计算出机器人的线速度和转角，利用扩展卡尔曼滤波器即扩展卡尔曼滤波器将线速度、位移、角速度、转角进行融合，产生机器人的粗略位姿矩阵p’i
(x,y,θ)
t
(i＝1
…
n)；每台移动机器人扫描周围环境，生成各自的激光轮廓点云，激光轮廓点云经去噪处理和下采样后生成局部地图mi，并对每台移动机器人的局部地图mi附加时间戳和标号进行区分。
[0110]
所述云服务器基于hadoop架构构建，所述云服务器内部存储了pl-icp算法和cartographer算法，所述云服务器利用云端计算资源完成多张局部地图的融合来生成环境场景的全局地图，云服务器可利用云端计算资源完成多张局部地图的融合，生成环境场景的全局地图。在云服务器140内，采用时间戳对齐的方式进行数据匹配，采用pl-icp算法对若干张局部点云地图mi进行融合计算，拼合成全局点云地图mc。云服务器根据cartographer算法对全局点云地图mc进行优化，获得最优的全局点云地图，同时若干个粗略位姿矩阵p’i
根据cartographer算法优化生成若干台移动机器人的精确位姿矩阵pi，最终建立轻量级的全局栅格概率地图，在栅格地图mg上基于精确位姿矩阵pi标示对应的移动机器人的位置，精确位姿矩阵pi根据附加的时间戳和标号来区分对应的移动机器人，实现同步建图和定位。该系统适用于未知的大范围场景同步建图和定位。
[0111]
pl-icp全称为point-to-line iterative closest point，处理方法：首先要进行初始化，初始化的工作做了第一帧雷达数据的赋值，第一帧时间的赋值；并且计算了雷达数据对应的每个角度值的cos与sin，用于节省计算量；之后再将雷达数据转换成需要的格式；再调用pl-icp进行融合计算。
[0112]
本发明实施例提供了移动机器人的多机协同激光slam系统，利用多台移动机器人
搭载的激光雷达同步扫视周围环境，通过5g网络作为中继并利用云端的计算资源进行点云数据的融合处理，可快速生成大范围场景的轻量级全局地图并完成多机器人精确定位，提升工作效率；多台移动机器人在同一栅格地图mg上进行标记，多台移动机器人同步标记信息来共同对全局进行建图和定位，避免算力的浪费，提升工作效率。
[0113]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0114]
另外，以上对本发明实施例进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。