一种移动探测机器人的自主定位导航方法技术

一种移动探测机器人的自主定位导航方法，属于机器人视觉导航领域。现有的机器人定位前期多采用传统小波变换方法提取目标图像的特征，存在易受噪声影响，影响机器人定位准确性的问题。本发明专利技术方法，通过传感器读取图像信息，之后对图像信息进行预处理，预处理后的信息传递至V‑SLAM系统中；通过改进的RCNN网络预测出相邻两帧图像的变换矩阵并估计相机运动的位姿信息和构建环境局部模型；传递给后端并进行优化，得到精确的相机运动轨迹和地图；通过收取的传感器信息、视觉里程计和局部的后端信息，判断机器人是否在之前曾经到达过某一位置；当检测到正确的回环，则将校正信息传递给后端进行优化和计算；建立地图，以使建立的地图要与任务要求相对应。

【技术实现步骤摘要】
一种移动探测机器人的自主定位导航方法
本专利技术涉及一种移动探测机器人的自主定位导航方法。
技术介绍
机器人的位姿估计是指通过自身安装的各种传感器来实时获得当前的位置和姿态的过程。当前主流的位姿估计算法主要有：全球导航卫星系统(GlobalNavigationSatelliteSystem,GNSS)、惯性导航系统（InertialNavigationSystem)、激光雷达导航、视觉导航等。这些导航方法，均可以独立完成位姿计算、提取与估计。比较传统的GNSS卫星惯导组合进行位姿估计的方法在室外巡检机器人或小型无人机上应用的最多，技术也相对比较成熟，位姿估计的精度较高。然而，GPS星信号易受到环境的影响，在室内或者室外有遮挡的环境中出现通讯失调的情况，这会极大的影响机器人的正常工作。对于激光雷达来说，其环境适用范围广，适合室内、室外环境信息的采集，同时具有精度高，占用资源小的特点，但它的体积相对较大且价格昂贵，且激光雷达在机器人上的安装位置也会对机器人产生影响。另外，单纯使用惯性传感器实现姿态估计，由于惯性传感器本身具有计算频率高，累积误差大的特点，长时间工作会导致位姿估计精度过低，因此不适合长时间独立工作。相反，基于视觉传感器的导航系统，具有频率低，消耗资源相对大，但位姿估计相对准确的特性。进入21世纪以后，以视觉传感器为中心的V-SLAM技术，无论理论深度还是实践效果都有着明显的转变与突破。对于在陌生环境中的机器人来说，由于缺乏先验知识和周围物体的不确定性，有必要去辨识当前位置是否来到过。考虑到视觉传感器虽然成本不高，但是包含丰富的环境信息并且适用于多种类型的机器人定位，研究者们已经提出大量的V-SLAM解决方案。但前期多采用传统小波变换方法提取目标图像的特征，易受噪声影响，后期判断结果不准确，影响机器人定位准确性。基于深度学习的自主导航模型中，一般以短时间内的图像序列作为网络的输入。这种方式只能提供一个时间窗口内的轨迹和地图，由于不可避免的误差累积，轨迹和地图在长时间内就会出现非常大的偏差。
技术实现思路
本专利技术的目的是为了解决现有的机器人定位前期多采用传统小波变换方法提取目标图像的特征，存在易受噪声影响，影响机器人定位准确性的问题，而提出一种移动探测机器人的自主定位导航方法。一种移动探测机器人的自主定位导航方法，实现移动探测机器人的自主导航，包括移动机器人的自主定位与地图构建，而基于视觉传感器的导航系统，具有频率低，消耗资源相对较小，但位姿估计相对准确的特性，因此本专利技术采用Kinectv2.0作为本专利技术的的视觉传感器，Kinect可以根据TimeofFlight(ToF)原理直接获得带有深度信息的RGB-D真彩图像，为提高自主定位与地图构建的精度，本专利技术引入了图像的语义分割技术，语义分割（ImageSemanticSegmentation）是计算机视觉领域中一个研究热点，顾名思义就是将图像分割成若干具有特定语义标签的区域，结合语义信息的不仅为移动机器人提供了环境理解的能力，还能帮助机器人导航系统提高定位与建图的精度。为实现对环境进行标记，需要设计算法将单帧RGB-D数据中的物体和背景区分开。这也是计算机视觉领域中的目标检测、识别与分割的目的。所述方法通过以下步骤实现：步骤一、传感器读取图像信息，之后对图像信息进行预处理，预处理后的信息传递至V-SLAM系统中；其中，视觉SLAM系统（visualSLAM）是指，以图像作为主要环境感知信息源的即时定位与地图构建系统，可应用于无人驾驶、增强现实等应用领域，是近年来的热门研究方向；V-SLAM系统是指基于视觉传感器的SLAM；通过相机在运动过程中得到的一系列连续变化的图像，进行定位和地图构建；步骤二、视觉里程计的估算过程：通过计算预处理后的相邻两帧图像的变换矩阵估计相机运动的位姿信息和构建环境局部模型；步骤三、判断图像采集是否结束；若否，返回步骤一继续进行图像信息的的读取；若是，则后端优化过程：将不同时刻视觉里程计估算出来的相机位姿信息以及闭环检测提供的信息，传递给后端并进行优化，得到精确的相机运动轨迹和地图；步骤四、闭环检测过程：通过收取的传感器信息、视觉里程计和局部的后端信息，判断机器人是否在之前曾经到达过某一位置；当检测到正确的回环，则将校正信息传递给后端进行优化和计算；步骤五、地图构建过程：根据估计出来的轨迹与相机运动信息，按照应用场合所需要的地图模型建立地图，以使建立的地图要与任务要求相对应。本专利技术的有益效果为：本专利技术在短序列预测的基础上，还构建一个尺度、规模更大的闭环检测优化问题，以考虑长时间内的最优轨迹和地图。本专利技术利用传统的图优化方法对预测的位姿变换结果作进一步的优化，并且利用得到的位姿结果结合深度信息和语义信息建立地图。本专利技术利用卷积神经网络对机器人自主定位与构图算法建模，依靠众多的网络参数来拟合传统方法上视觉里程计与后端优化模块过程，以端到端的方式代替复杂的优化过程，深度网络的学习过程是一个以数据驱动的过程，可以减少传统方法中人工设计特征的局限性，从而泛化到各种未知的区域和不同的环境，增加移动机器人对各种环境的适应性和鲁棒性。结合语义信息可以提高机器人导航系统的定位精度，且深度学习在图像内容的理解上有优势。因此将语义分割与SLAM相结合一方面是利用深度学习卓越的图像理解能力，提高移动机器人的导航性能，另一方面促使一直基于图像低层特征的自主定位与构图和图像高层次的语义内容相结合，增加机器人对环境的认知能力。本专利技术是根据SLAM框架图可知，SLAM需要研究的主要问题有：图像特征检测与提取，机器人位姿估计，后端优化以及闭环检测。随着近些年来深度学习在计算机视觉领域的成功与推广，我们知道深度学习在图像特征提取与非线性优化方面也有很大的优势，因此本专利技术将使用深度学习的方法对SLAM的闭环检测部分加以重点研究。检测闭环的关键点在于决定观察到的相似性，大部分视觉闭环检测算法是将当前位置图像与先前位置图像进行配准，深度学习技术的目的是从可用于分类的原始数据中学习表示数据的方法，闭环检测本质上来说很像一个分类问题，这为典型的闭环检测问题带来了新的方法。本专利技术把深度置信网络引入图像识别,以平面图像为研究对象,并且对在目标图像的识别过程中特征的提取进行了一定的研究,分析了用传统小波变换方法提取目标图像的特征,并且进一步提出了用改进型小波分析来提取目标图像特征的方法,将用两种方法提取图像的特征值分别输入经过训练的动量自适应人工神经网络识别系统,实验结果表明,由于改进后的小波变换与深度置信网络求得的是图像的全局特征,容易受噪声影响,而小波矩不变量不但可以求得图像的全局特征,而且可以求得图像的局部特征。本专利技术研究工作的重点是图像处理的方法和相关算法的研究。在每一种方法的研究中，都详细介绍了理论基础和改进后算法的思想，做了大量的实验并对每种方法都做了详细的分析。提出的计算阈值的方法虽然在图像去噪、图像增强和边缘检测等方面效果不错，有一定的合理性，但各个参数是否最合理，或者有没有更好的计算阈值的方法，还有待进一步的探讨目前，国内外对图像处理技术的研究虽然进行了很多，还提出了一些比较好的理论，如小波理论、神经元理论、形态学理论、模糊理论、粗糙集理论等，这些理本文档来自技高网...

【技术保护点】
1.一种移动探测机器人的自主定位导航方法，其特征在于：所述方法通过以下步骤实现：步骤一、传感器读取图像信息，之后对图像信息进行预处理，预处理后的信息传递至V‑SLAM系统中；其中，视觉SLAM系统是指，以图像作为主要环境感知信息源的即时定位与地图构建系统；V‑SLAM系统是指基于视觉传感器的SLAM；通过相机在运动过程中得到的一系列连续变化的图像，进行定位和地图构建；步骤二、视觉里程计的估算过程：通过计算预处理后的相邻两帧图像的变换矩阵估计相机运动的位姿信息和构建环境局部模型；步骤三、判断图像采集是否结束；若否，返回步骤一继续进行图像信息的的读取；若是，则后端优化过程：将不同时刻视觉里程计估算出来的相机位姿信息以及闭环检测提供的信息，传递给后端并进行优化，得到精确的相机运动轨迹和地图；步骤四、闭环检测过程：通过收取的传感器信息、视觉里程计和局部的后端信息，判断机器人是否在之前曾经到达过某一位置；当检测到正确的回环，则将校正信息传递给后端进行优化和计算；步骤五、地图构建过程：根据估计出来的轨迹与相机运动信息，按照应用场合所需要的地图模型建立地图，以使建立的地图要与任务要求相对应。

【技术特征摘要】
1.一种移动探测机器人的自主定位导航方法，其特征在于：所述方法通过以下步骤实现：步骤一、传感器读取图像信息，之后对图像信息进行预处理，预处理后的信息传递至V-SLAM系统中；其中，视觉SLAM系统是指，以图像作为主要环境感知信息源的即时定位与地图构建系统；V-SLAM系统是指基于视觉传感器的SLAM；通过相机在运动过程中得到的一系列连续变化的图像，进行定位和地图构建；步骤二、视觉里程计的估算过程：通过计算预处理后的相邻两帧图像的变换矩阵估计相机运动的位姿信息和构建环境局部模型；步骤三、判断图像采集是否结束；若否，返回步骤一继续进行图像信息的的读取；若是，则后端优化过程：将不同时刻视觉里程计估算出来的相机位姿信息以及闭环检测提供的信息，传递给后端并进行优化，得到精确的相机运动轨迹和地图；步骤四、闭环检测过程：通过收取的传感器信息、视觉里程计和局部的后端信息，判断机器人是否在之前曾经到达过某一位置；当检测到正确的回环，则将校正信息传递给后端进行优化和计算；步骤五、地图构建过程：根据估计出来的轨迹与相机运动信息，按照应用场合所需要的地图模型建立地图，以使建立的地图要与任务要求相对应。2.根据权利要求1所述的一种移动探测机器人的自主定位导航方法，其特征在于：步骤二所述的视觉里程计的估算过程具体为：通过相邻图像估计出相机运动，连续的相机运动串联在一起就形成了机器人的运动轨迹；同时，根据视觉里程计得到的相机位置，后续将各像素与对应空间点的位置计算出来，从而得到环境地图。3.根据权利要求1或2所述的一种移动探测机器人的自主定位导航方法，其特征在于：步骤三所述的后端优化过程具体为：从带有噪声的传感器数据中估计系统的整体状态，优化SLAM过程中的噪声数据，包括机器人自身的轨迹、周围环境的地图，以及从上述状态估计中的最大后验概率估计。4.根据权利要求3所述的一种移动探测机器人的自主定位导航方法，其特征在于：步骤四所述的闭环检测过程具体为：机器人通过自身携带的传感器，对两幅非常相似的图像计算图像相似性的度量值，通过图像携带的信息，完成闭环检测。5.根据权利...

【专利技术属性】
技术研发人员：何召兰，何乃超，张庆洋，姚徐，丁淑培，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23