机器人导航方法与制作流程
机器人视觉导航算法设计与仿真
机器人视觉导航算法设计与仿真随着人工智能和机器人技术的不断发展，机器人视觉导航成为了一个重要的研究方向。
机器人的视觉导航可以帮助机器人在未知环境中自主导航和避免障碍物，使其能够更加灵活地完成各种任务。
本文将介绍机器人视觉导航算法的设计原理和仿真实验。
一、机器人视觉导航算法设计原理机器人视觉导航算法的设计原理主要包括环境感知、路径规划和避障三个部分。
1. 环境感知机器人在导航过程中首先需要对周围环境进行感知，以获取环境相关信息。
常用的环境感知方法包括激光雷达、摄像头、深度相机等。
激光雷达可以获取周围物体的距离和形状信息，摄像头可以获取图像信息，深度相机可以获取物体的三维信息。
通过综合利用不同的传感器，机器人可以获得更加全面和准确的环境信息。
2. 路径规划在获取环境信息后，机器人需要进行路径规划，即确定从当前位置到目标位置的最优路径。
路径规划算法可以分为全局路径规划和局部路径规划。
全局路径规划是在整个地图上进行规划，通常使用A*算法、Dijkstra算法等。
局部路径规划是在机器人周围的局部区域内进行规划，通常使用动态窗口法、基于速度的局部规划法等。
路径规划算法需要考虑避开障碍物、避免碰撞和最短路径等因素。
3. 避障在路径规划的过程中，机器人需要避开遇到的障碍物，以确保安全导航。
避障算法可以通过激光雷达或摄像头获取障碍物信息，并根据障碍物的位置和形状进行决策。
常用的避障算法包括人工势场法、虚拟障碍法等。
避障算法可以使机器人绕过障碍物或调整路径避免碰撞。
二、机器人视觉导航算法的仿真实验为了验证机器人视觉导航算法的有效性，常常需要进行仿真实验。
仿真实验可以在计算机上模拟机器人在不同环境下的导航过程，可快速获得结果并进行调整。
1. 环境建模首先需要对导航环境进行建模。
可以使用三维建模软件（如Blender）创建一个虚拟的导航环境，并添加不同类型的障碍物。
2. 传感器模拟在仿真实验中，需要模拟机器人的传感器。
机器人导航与避障系统设计与实现
机器人导航与避障系统设计与实现导航与避障系统是现代机器人领域中非常重要的一个研究方向。
通过设计和实现这样一个系统，机器人能够在未知环境中自主导航，并避免与障碍物的碰撞。
本文将介绍机器人导航与避障系统的设计方案及其实现方法。
一、引言随着人工智能和机器人技术的飞速发展，机器人在各个领域中的应用越来越广泛。
机器人导航与避障系统是其中一个重要的研究方向，其目标是使机器人能够在未知环境中实现自主导航，并且能够智能地避开障碍物。
二、设计方案1. 传感器选取机器人导航与避障系统的核心是传感器的选取和布置。
常用的传感器包括激光雷达、摄像头、超声波传感器等。
激光雷达可以提供较为精确的环境地图，摄像头可以获取环境图像进行识别，超声波传感器可以检测障碍物的距离。
2. 环境感知与地图构建机器人需要能够感知到周围环境并构建地图，以便进行导航和避障。
通过传感器获取到的数据，可以使用SLAM（Simultaneous Localization and Mapping）算法进行地图构建。
SLAM算法能够同时实现定位和地图的构建，为机器人导航提供准确的环境信息。
3. 导航算法设计导航算法是机器人能够自主导航的关键。
常用的导航算法包括A*算法、Dijkstra算法、深度优先搜索算法等。
这些算法可以根据地图信息计算出最优的路径，并指导机器人进行移动。
同时，导航算法还需要考虑到避障问题，确保机器人能够安全绕过障碍物。
4. 避障算法设计避障算法是导航与避障系统的核心部分。
通过传感器获取到的环境信息，机器人需要能够分析障碍物的位置和形状，并做出相应的避让动作。
常用的避障算法包括漫游法、VFH（Vector Field Histogram）算法、RRT（Rapidly-exploring Random Tree）算法等。
这些算法能够有效地避开障碍物并找到可行的路径。
三、实现方法1. 硬件搭建机器人导航与避障系统的实现需要搭建相应的硬件平台。
机器人导航系统的设计与开发教程
机器人导航系统的设计与开发教程随着人工智能与机器人技术的不断进步，机器人已经逐渐成为我们生活中的重要伙伴。
而机器人导航系统作为机器人行动的核心，发挥着关键的作用。
本文将介绍机器人导航系统的设计与开发教程，帮助读者了解该系统的基本原理和实现方法。
一、机器人导航系统的基本原理机器人导航系统是一种能够让机器人在未知环境中自主导航的技术。
它可以通过感知环境并进行地图构建，确定机器人当前位置和目标位置，规划行动路径，并实时调整路径以应对环境变化。
1. 感知环境：机器人导航系统需要通过各种传感器来感知环境信息，包括激光雷达、摄像头、超声波传感器等。
这些传感器可以提供机器人周围的障碍物位置、地形高度、光线强度等信息。
2. 地图构建：机器人导航系统通过感知环境的数据构建地图，用于描述环境的特征和机器人在其中的位置。
地图可以是二维或三维的，可以使用栅格地图、拓扑图或点云等表示方法。
3. 位置估计：机器人导航系统需要通过感知数据和地图信息来确定机器人当前的位置。
常用的定位方法包括激光定位、视觉定位和惯性导航等。
这样一来，机器人就可以在未知环境中准确地知道自己所处的位置。
4. 路径规划：机器人导航系统需要根据当前位置和目标位置，结合地图信息，规划机器人的行动路径。
常用的路径规划算法包括A*算法、Dijkstra 算法和RRT（快速随机树）等。
5. 动态路径调整：机器人导航系统需要实时监测环境变化，并对路径进行调整以适应新的情况。
当机器人遇到新的障碍物或地形变化时，导航系统会根据实时感知信息优化路径规划结果。
二、机器人导航系统的开发流程1. 硬件准备：开始开发机器人导航系统之前，我们需要准备相应的硬件设备，包括机器人底盘、传感器和计算机等。
2. 系统架构设计：在开发机器人导航系统之前，我们需要先进行系统架构设计。
这包括确定各个模块的功能和接口设计，确定感知模块、控制模块和算法模块之间的协作关系。
3. 感知与地图构建：实现机器人导航系统的第一步是通过传感器获取环境信息，并将其转化为地图表示。
机器人导航与路径规划算法及现实应用
机器人导航与路径规划算法及现实应用机器人导航与路径规划是机器人技术领域的重要研究方向，通过合理的算法和方法，使机器人能够在复杂环境中自主地感知和规划路径，从而实现目标导航并完成各种任务。
本文将介绍机器人导航与路径规划的基本概念、常用算法以及在现实应用中的一些案例。
一、机器人导航与路径规划的基本概念机器人导航是指机器人在所处环境中自主地寻找和到达目标位置的过程。
路径规划是在所给环境中计算出机器人从起始位置到目标位置的路线。
为了实现机器人的导航和路径规划，首先需要对环境进行感知和建模，通常采用传感器获取环境信息，并利用这些信息构建地图。
常用的传感器包括激光雷达、摄像头、超声波传感器等。
接下来，需要选择合适的路径规划算法，根据机器人的起始位置、目标位置以及环境地图，计算出一条安全、高效的路径，并将路径转化为机器人可执行的指令。
二、常用的机器人路径规划算法1. Dijkstra算法Dijkstra算法是一种基于图的搜索算法，适用于无权有向图和有权有向图的最短路径问题。
在机器人路径规划中，Dijkstra算法可以用来计算机器人在网格地图中的最短路径。
它通过不断更新起点到当前点的最短距离，并选择具有最短距离的邻接节点作为下一个节点，直到到达目标节点。
2. A*算法A*算法是一种启发式搜索算法，基于评估函数（启发式函数）来选择扩展节点。
它综合考虑了起始节点到当前节点的代价和当前节点到目标节点的估计代价，通过优先级队列来选择下一个扩展节点。
A*算法在机器人路径规划中被广泛应用，可以快速找到最短路径并且适用于不同的地图和环境。
3. RRT算法Rapidly exploring Random Tree (RRT)算法是一种适用于高维空间的路径规划算法。
RRT算法通过随机采样生成树状结构，不断扩展树的节点，直到找到目标节点。
RRT算法具有计算简单、高效、适用于复杂环境等优点，可用于机器人在三维空间中的导航和路径规划。
机器人视觉导航中的建图与路径规划
机器人视觉导航中的建图与路径规划随着人工智能技术的不断发展，机器人在各个领域的应用越来越广泛，其中机器人视觉导航系统的研究与应用成为了热门的研究方向。
在机器人的视觉导航中，建图与路径规划是两个重要的环节，本文将重点介绍机器人视觉导航中的建图和路径规划。
一、建图在机器人视觉导航中的建图阶段，机器人需要通过视觉传感器获取到周围环境的信息，并将其转化为对应的地图。
建图的过程可以分为两个主要步骤：感知和重建。
1. 感知在建图过程中，机器人使用多种传感器来感知环境，最常用的是视觉传感器。
利用视觉传感器，机器人可以获取场景中的图像或深度信息，进而识别出障碍物、地标和其他重要的特征。
此外，机器人还可以利用激光雷达、超声波等传感器获取环境的几何信息。
2. 重建在感知完环境后，机器人需要将获取到的数据进行处理，以构建出对应的环境地图。
常见的重建方法包括：- 图像处理和特征提取：通过图像处理算法，机器人可以识别出环境中的物体，并提取出对应的特征点。
利用这些特征点，机器人可以计算出它们之间的相对位置，进而构建出场景的拓扑关系。
- 点云处理：利用激光雷达等传感器获取到的点云数据，机器人可以将点云数据进行滤波、配准和重建，以得到一个较为精确的环境地图。
- 基于深度学习的方法：近年来，深度学习在机器人建图中的应用逐渐增多。
通过训练深度神经网络，机器人可以将感知数据直接输入网络进行处理，以生成对应的环境地图。
二、路径规划路径规划是机器人视觉导航中的另一个重要环节。
在建立好地图后，机器人需要根据当前位置和目标位置，找到一条最优路径来实现导航。
路径规划的主要目标是在考虑到环境限制和机器人能力的情况下，寻找到一条最短、最安全的路径。
1. 环境建模在路径规划之前，机器人需要对环境进行建模。
这包括将地图进行划分，并对每个区域的可行走性进行建模。
常用的方法包括栅格法、代价地图法和图搜索法等。
2. 路径搜索路径搜索是路径规划的核心部分，其目标是找到一条从起点到终点的最优路径。
机器人导航与路径规划方法与实现
机器人导航与路径规划方法与实现机器人导航和路径规划是智能机器人领域的关键技术，其目的是使机器人能够在未知环境中自主移动，并通过优化路径规划来避免碰撞或绕过障碍物。
本文将介绍机器人导航和路径规划的常见方法和实现。
一、机器人导航方法1.传感器感知方法：机器人通过传感器获取周围环境的信息，例如激光雷达、摄像头、红外线等。
然后利用这些信息构建地图，并通过比对当前位置和目标位置之间的距离和方向来进行导航。
这种方法的优点是能够获得更准确的环境信息，但同时也需要较多的计算资源。
2.基于模型的方法：机器人根据已有地图模型和自身的运动模型，预测出在不同位置和姿态下的行动结果，并选择潜在导航路径中最优的一条。
这种方法的优点是能够通过建模和计算来实现自主导航，但需要准确的地图模型和运动模型。
3.强化学习方法：机器人通过与环境的交互来学习最佳的导航策略。
它基于奖励机制，根据不同的行动结果给予机器人奖励或惩罚，并通过更新价值函数来优化导航策略。
这种方法的优点是能够在未知环境中进行学习和适应，但需要大量的实验和训练时间。
二、路径规划方法1.基于图搜索的方法：机器人将环境表示为图，其中节点代表位置，边代表路径。
然后使用图搜索算法（如A*算法、Dijkstra算法）来找到起始节点到目标节点的最短路径。
这种方法的优点是能够找到全局最优路径，但需要准确的地图数据和高效的搜索算法。
2.基于采样的方法：机器人通过在环境中随机采样一系列点，并评估每个点的可通行性和距离目标的代价。
然后使用最优化算法（如RRT、PRM）来连接这些点，生成一条可行的路径。
这种方法适用于复杂和动态的环境，但可能无法找到最优解。
3.基于人工势场的方法：机器人根据环境中的障碍物和目标位置，构建一个势场模型，其中障碍物产生斥力，目标位置产生吸引力。
然后机器人根据当前位置和势场，选择产生最小势能的方向来移动。
这种方法简单有效，但可能会陷入局部最小值。
三、路径规划实现1.地图构建：在实现路径规划前，需要先将环境进行地图构建。
机器人智能导航系统的设计与实现
机器人智能导航系统的设计与实现导语：随着科技的迅猛发展，机器人已然成为现代社会中不可或缺的一部分。
机器人智能导航系统作为其中之一的重要应用，为人们提供了更加便捷和高效的导航服务。
本文将重点讨论机器人智能导航系统的设计与实现。
一、引言机器人智能导航系统是指利用计算机视觉、传感器技术以及路径规划算法等，使机器人能够在室内或室外环境中高效地感知、定位和规划导航路径的系统。
其设计和实现旨在为机器人提供准确、安全的导航能力，使其能够自主地完成各种导航任务。
二、系统设计（一）感知模块机器人智能导航系统中的感知模块起着重要的作用，通过感知模块，机器人能够实时感知到周围环境的信息。
感知模块一般包括以下几个方面：1. 计算机视觉：利用计算机视觉技术，机器人可以通过摄像头或3D传感器等设备获取环境图像或点云数据。
通过对图像或点云数据的处理，机器人可以提取出目标物体的特征信息，从而实现对目标物体的识别和跟踪。
2. 环境感知传感器：环境感知传感器如激光雷达、红外传感器等，可以用来感知机器人周围的环境信息。
通过激光雷达可以获取到机器人周围的障碍物的距离和形状信息，从而可以进行避障操作。
（二）定位模块定位模块是机器人智能导航系统中的关键模块，通过定位模块，可以准确地获取机器人当前的位置信息。
常用的定位方法主要包括：1. 惯性测量：利用惯性传感器如陀螺仪、加速度计等测量机器人的角速度和线加速度，通过积分计算机器人的位移信息，并结合初始位置信息，最终得到机器人的位置。
2. 视觉定位：通过计算机视觉技术，从环境图像中提取特征点，并通过与地图中已知特征点的匹配，得到机器人的位置信息。
（三）路径规划模块路径规划模块是机器人智能导航系统中的核心模块，通过路径规划算法，可以实现机器人的自主导航。
常用的路径规划算法主要包括以下几种：1. 最短路径算法：最短路径算法是寻找两个给定节点之间最短路径的算法，其中最经典的算法之一是迪杰斯特拉算法。
机器人自主导航方法及应用综述
机器人自主导航方法及应用综述概述机器人的自主导航是指机器人能够在未知或多变的环境中自主地规划路径并实现导航的能力。
这是机器人领域的一个重要研究方向，也是实现智能机器人的关键一环。
本文将对机器人自主导航的方法及应用进行综述。
一、基于传感器的导航方法基于传感器的导航方法是机器人自主导航中常用的方法之一。
该方法通过机器人搭载各种传感器，如激光雷达、摄像头、超声波传感器等，获取周围环境的信息，并根据信息进行路径规划和导航。
1.1 激光雷达导航激光雷达是一种能够通过发射激光束并测量反射回来的信号来感知环境的传感器。
机器人通过激光雷达扫描周围环境，获取环境中物体的距离和方位等信息，并根据这些信息进行路径规划和导航。
激光雷达导航方法在室内环境中表现出较高的精度和可靠性，广泛应用于仓储、清洁等机器人领域。
1.2 视觉导航视觉导航是机器人自主导航中另一种常用方法。
机器人搭载摄像头，并通过图像处理算法对摄像头捕捉到的图像进行分析和识别。
通过识别环境中的特征物体、路标或者地标，机器人可以计算出自身位置并进行路径规划和导航。
视觉导航方法在室外环境或者需要特定标志的室内环境中具有广泛的应用潜力。
二、基于地图的导航方法基于地图的导航方法是另一种常用的机器人自主导航方法。
该方法通过预先构建环境地图，并将地图与机器人的传感器数据进行对比，从而实现机器人的路径规划和导航。
2.1 基于占据地图的导航占据地图是一种常用的环境地图表示方法。
它通过将环境划分为一系列小的网格单元，每个单元表示一个可达或不可达状态，进而构建出环境的地图。
机器人在导航过程中通过传感器数据更新这个地图，并根据地图信息进行路径规划和导航。
2.2 基于拓扑地图的导航拓扑地图是另一种环境地图表示方法。
它通过识别环境中的关键地点和连接关系，构建出地图的拓扑结构。
机器人在导航过程中，通过判断当前所在地点和目标地点之间的关系，从而确定下一步的导航目标。
拓扑地图导航方法在大规模环境中表现出较高的效率和鲁棒性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种机器人导航方法，属于机器人导航控制技术领域。
方法包括：步骤S01,获取驱动轮和旋转编码器信息，计算机器人里程；步骤S02,获取九轴传感器采集信息，基于融合算法计算机器人的偏航角Z、横滚角X和俯仰角Y；步骤S03,获取激光导航模块扫描信息，定位机器人的平面位置；步骤S04,基于机器人里程、偏航角Z、横滚角X、俯仰角Y和激光导航模块的扫描结果，提取机器人周围信息并生成二维地图；步骤S05,获取视觉导航模块的图像信息，提取机器人在空间中所处的位置、方向和环境信息，建立环境模型；步骤S06,基于二维地图和环境模型，生成全景空间地图。
本技术使得机器人在高精度综合导航上定位精度可达豪米级别，且消除了机器人运动累积误差。
权利要求书1.一种机器人导航方法，其特征在于，应用于在底盘设置配有旋转编码器的驱动轮、九轴传感器和激光导航模块，以及在头部设置视觉导航模块的机器人，方法包括：步骤S01,获取驱动轮和旋转编码器信息，计算机器人里程；步骤S02,获取九轴传感器采集信息，基于融合算法计算机器人的偏航角Z、横滚角X和俯仰角Y；步骤S03,获取激光导航模块扫描信息，定位机器人的平面位置；步骤S04,基于机器人里程、偏航角Z、横滚角X、俯仰角Y和激光导航模块的扫描结果，提取机器人周围信息并生成二维地图；步骤S05,获取视觉导航模块的图像信息，提取机器人在空间中所处的位置、方向和环境信息，建立环境模型；步骤S06,基于二维地图和环境模型，生成全景空间地图。
2.根据权利要求1所述的一种机器人导航方法，其特征在于，所述步骤S01具体包括：步骤S11,获取驱动轮和旋转编码器信息，计算机器人的左轮速度vl和右轮速度vr；步骤S12,根据机器人的左轮速度vl和右轮速度vr，依据公式计算机器人前进速度v，并依据公式计算机器人绕圆心运动的角速度w；步骤S13，根据机器人前进速度v和机器人绕圆心运动的角速度，依据公式计算机器人圆弧运动的半径。
3.根据权利要求2所述的一种机器人导航方法，其特征在于，所述旋转编码器信息包括左轮旋转圈数、右轮旋转圈数；所述驱动轮信息包括左轮周长、右轮周长；依据左轮旋转圈数和左轮周长计算所述左轮速度vl，依据右轮旋转圈数和右轮周长计算所述右轮速度vr。
4.根据权利要求1所述的一种机器人导航方法，其特征在于，所述九轴传感器包括三轴加速度计、三轴陀螺仪和三轴磁力计。
5.根据权利要求1所述的一种机器人导航方法，其特征在于，所述步骤S03具体包括：激光导航模块通过其内的旋转机构带动激光雷达360度扫描外围环境；每次扫描获得光脉冲从发射到反射回的传播时间，根据传播时间确定扫描距离，进而定位机器人的平面位置。
6.根据权利要求1所述的一种机器人导航方法，其特征在于，所述步骤S04具体包括：步骤S41，将机器人里程、偏航角Z、横滚角X、俯仰角Y和激光导航模块的扫描结果基于融合算法融合，更新机器人位置状态，收敛误差；步骤S42，提取机器人周围信息并生成二维地图。
7.根据权利要求1所述的一种机器人导航方法，其特征在于，所述步骤S05具体包括：步骤S51，利用视觉导航模块捕捉图像信息，以获取机器人在空间所处的位置、方向和环境信息；步骤S52，利用图像算法对机器人在空间所处的位置、方向和环境信息进行处理，建立环境模型。
8.根据权利要求1所述的一种机器人导航方法，其特征在于，所述步骤S06具体包括：步骤S61，将里程参数、机器人姿态参数、二维地图参数、环境模型参数组成空间信息；步骤S62，采用竞争性自适应重加权算法CARS，通过自适应重加权采样ARS技术，选择出PLS模型中回归系数绝对值大的波长点，去掉权重小的波长点；步骤S63，用交互验证选出RMSECV指最低的子集，寻出最优参数组合，计算机器人所在环境中的精确坐标。
9.根据权利要求8所述的一种机器人导航方法，其特征在于，所述步骤S63还包括：在机器人运行过程中，根据加权算法计算机器人所处位置与实际位置的偏差，根据运动轨迹修正算法，修正偏差，进而获得机器人所在环境中的精确坐标。
技术说明书一种机器人导航方法技术领域本技术属于机器人导航控制技术领域，特别涉及到工业机器人、服务机器人、送餐机器人等智能控制领域的一种机器人导航方法。
背景技术导航与定位是移动机器人研究的两个重要问题。
根据环境信息的完整程度、导航指示信号类型、导航地域等因素的不同，机器人的导航方式可分为:基于环境信息的地图模型匹配导航；基于路标导航；基于视觉导航；基于传感器导航等。
环境地图模型匹配导航是在机器人内部存储关于环境的完整信息，并在预先规划出的一条全局路线的基础上，采用路径跟踪和避障技术，实现机器人导航。
一旦环境发生变化，则需要完善环境的整体信息，否则无法有效实现机器人导航。
另外，目前机器人导航只是单一传感器，或是简单几个传感器组合导航，导航精度不高，不适合导航精度要求高的场所。
技术专利申请CN109946732A公开了一种基于多传感器数据融合的无人车定位方法，该方法充分利用厘米级高精度地图、视觉和激光雷达传感器数据，在卫星定位信号被遮挡区域实现高精度定位。
但该定位精度仅达到厘米级。
技术内容本技术针对现有技术存在的问题，提出了一种机器人导航方法，导航精度高，消除了机器人运动累积误差。
本技术是通过以下技术方案得以实现的：本技术提供一种机器人导航方法，应用于在底盘设置配有旋转编码器的驱动轮、九轴传感器和激光导航模块，以及在头部设置视觉导航模块的机器人，方法包括：步骤S01,获取驱动轮和旋转编码器信息，计算机器人里程；步骤S02,获取九轴传感器采集信息，基于融合算法计算机器人的偏航角Z、横滚角X和俯仰角Y；步骤S03,获取激光导航模块扫描信息，定位机器人的平面位置；步骤S04,基于机器人里程、偏航角Z、横滚角X、俯仰角Y和激光导航模块的扫描结果，提取机器人周围信息并生成二维地图；步骤S05,获取视觉导航模块的图像信息，提取机器人在空间中所处的位置、方向和环境信息，建立环境模型；步骤S06,基于二维地图和环境模型，生成全景空间地图。
作为优选，所述步骤S01具体包括：步骤S11,获取驱动轮和旋转编码器信息，计算机器人的左轮速度vl和右轮速度vr；步骤S12,根据机器人的左轮速度vl和右轮速度vr，依据公式计算机器人前进速度v，并依据公式计算机器人绕圆心运动的角速度w；步骤S13，根据机器人前进速度v和机器人绕圆心运动的角速度，依据公式计算机器人圆弧运动的半径。
作为优选，所述旋转编码器信息包括左轮旋转圈数、右轮旋转圈数；所述驱动轮信息包括左轮周长、右轮周长；依据左轮旋转圈数和左轮周长计算所述左轮速度vl ，依据右轮旋转圈数和右轮周长计算所述右轮速度vr。
作为优选，所述九轴传感器包括三轴加速度计、三轴陀螺仪和三轴磁力计。
作为优选，所述步骤S03具体包括：激光导航模块通过其内的旋转机构带动激光雷达360度扫描外围环境；每次扫描获得光脉冲从发射到反射回的传播时间，根据传播时间确定扫描距离，进而定位机器人的平面位置。
作为优选，所述步骤S04具体包括：步骤S41，将机器人里程、偏航角Z、横滚角X、俯仰角Y和激光导航模块的扫描结果基于融合算法融合，更新机器人位置状态，收敛误差；步骤S42，提取机器人周围信息并生成二维地图。
作为优选，所述步骤S05具体包括：步骤S51，利用视觉导航模块捕捉图像信息，以获取机器人在空间所处的位置、方向和环境信息；步骤S52，利用图像算法对机器人在空间所处的位置、方向和环境信息进行处理，建立环境模型。
作为优选，所述步骤S06具体包括：步骤S61，将里程参数、机器人姿态参数、二维地图参数、环境模型参数组成空间信息；步骤S62，采用竞争性自适应重加权算法CARS，通过自适应重加权采样ARS技术，选择出PLS模型中回归系数绝对值大的波长点，去掉权重小的波长点；步骤S63，用交互验证选出RMSECV指最低的子集，寻出最优参数组合，计算机器人所在环境中的精确坐标。
作为优选，所述步骤S63还包括：在机器人运行过程中，根据加权算法计算机器人所处位置与实际位置的偏差，根据运动轨迹修正算法，修正偏差，进而获得机器人所在环境中的精确坐标。
本技术具有以下有益效果：本技术一种机器人导航方法，使得机器人在高精度综合导航上定位精度可达豪米级别，且消除了机器人运动累积误差；可以在室内室外不同场景和不同环境的场地上可靠运行。
附图说明图1为本技术一种机器人导航方法的流程图；图2为采用本技术一种机器人导航方法的机器人的结构示意图；图3为图1中步骤S04中二维地图的示意图；图4为图1中步骤S05中视觉导航处理流程图。
具体实施方式以下是本技术的具体实施例并结合附图，对本技术的技术方案作进一步的描述，但本技术并不限于这些实施例。
如图1，本技术一种机器人导航方法，应用于在底盘1设置配有旋转编码器的驱动轮、九轴传感器和激光导航模块2，以及在头部设置视觉导航模块3的机器人（如图2）。
方法包括：步骤S01,获取驱动轮和旋转编码器信息，计算机器人里程；步骤S02,获取九轴传感器采集信息，基于融合算法计算机器人的偏航角Z、横滚角X和俯仰角Y；步骤S03,获取激光导航模块扫描信息，定位机器人的平面位置；步骤S04,基于机器人里程、偏航角Z、横滚角X、俯仰角Y和激光导航模块的扫描结果，提取机器人周围信息并生成二维地图；步骤S05,获取视觉导航模块的图像信息，提取机器人在空间中所处的位置、方向和环境信息，建立环境模型；步骤S06,基于二维地图和环境模型，生成全景空间地图。
其中，图2示出了送餐机器人的结构示意图。
送餐机器人由机器人底盘1、机身4、机器人头部人机交互界面5三大部份组成，机器人底盘1由控制器、驱动轮、九轴传感器、激光导航模块组成，另外机器人头部加装视觉导航模块3。
机器人底盘装有两个驱动轮，并配有旋转编码器作为机器人的里程计，机身装有托菜盘6。
送餐机器人采用本技术方法能精确导航到每个餐位。
本技术方法不限于应用于送餐机器人，还适用于其他需要导航定位的任意用途机器人。
所述步骤S01具体包括：步骤S11,获取驱动轮和旋转编码器信息，计算机器人的左轮速度vl和右轮速度vr；步骤S12,根据机器人的左轮速度vl和右轮速度vr，依据公式计算机器人前进速度v，并依据公式计算机器人绕圆心运动的角速度w；步骤S13，根据机器人前进速度v和机器人绕圆心运动的角速度，依据公式计算机器人圆弧运动的半径。
在步骤S11中，Vr和Vl这两个速度就是通过旋转编码器输出的脉冲数（以轮子转一圈输出脉冲数为基础）和轮子的周长计算而得。
具体地，所述旋转编码器信息包括左轮旋转圈数、右轮旋转圈数；所述驱动轮信息包括左轮周长、右轮周长；依据左轮旋转圈数和左轮周长计算所述左轮速度vl ，依据右轮旋转圈数和右轮周长计算所述右轮速度vr。