基于单线激光雷达识别柱状物的机器人室内自定位系统技术方案

本发明专利技术公开了一种基于单线激光雷达识别柱状物的机器人室内自定位系统，其包括如下步骤：构建柱状物离线地图；利用单线激光雷达获取柱状物的点云数据，并从该点云数据中提取柱状物特征信息；根据柱状物特征信息与柱状物离线地图的匹配进行自定位，得到柱状物的定位信息。本发明专利技术使用的传感器主要为单线激光雷达，并利用粒子滤波器进行数据的处理，最终得到移动机器人的高精度定位。本发明专利技术的自定位方法可以达到分米级的定位精度，在满足实际应用需求的前提下，有着成本较低、精度很高、实时性及鲁棒性好的优点。

【技术实现步骤摘要】
基于单线激光雷达识别柱状物的机器人室内自定位系统
本专利技术属于机器人导航
，涉及一种基于单线激光雷达识别柱状物的机器人室内自定位系统，如基于单线激光雷达识别对柱状物进行定位的方法。
技术介绍
对于在室内环境中工作的智能机器人，如何进行高精度的定位一直都是其最为关键的任务。高精度以及高鲁棒性的定位，是室内机器人完成其感知、规划、控制等任务的基础。然而在室内环境中，由于GPS失去作用，机器人的自定位并不是一项简单的任务，尤其是在需要高精度定位时，成本与精度之间的矛盾会成为一个难以解决的问题。现有的室内自定位方法包括基于WiFi的技术，射频识别设备(RFID)、超宽带(UWB)和蓝牙等，但大多数这些定位方法都存在高成本，不稳定或低精度的缺陷。
技术实现思路
针对现有技术的不足，本专利技术提供了一种基于单线激光雷达识别对柱状物进行定位的方法，其使用单线激光雷达检测室内的柱状物，利用柱状物的信息进行建图和定位。在合适的应用场景下如室内停车场中，可以以较低的成本实现很高的定位精度。为实现上述目的，本专利技术采用了如下技术方案原理为：一种基于单线激光雷达识别对柱状物进行定位的方法，其包括如下步骤：(1)、构建柱状物离线地图；(2)、利用单线激光雷达获取柱状物的点云数据，并从该点云数据中提取柱状物特征信息；(3)、根据柱状物特征信息与柱状物离线地图的匹配进行自定位，得到柱状物的定位信息。优选地，在步骤(1)中，柱状物离线地图的构建方法如下：1-1、利用单线激光雷达获取一片区域内的初始的二维点云数据；1-2、通过密度聚类算法(Density-BasedSpatialClusteringofApplicationswithNoise，DBSCAN)对二维点云数据进行聚类分割，得到聚类；1-3、对聚类分别采用L型检测算法或圆形检测算法，识别并获取的柱状物特征信息就构成了柱状物离线地图。优选地，在步骤(2)中，利用单线激光雷达获取柱状物点云数据，并从该点云数据中提取柱状物特征信息的过程如下：2-1、利用单线激光雷达获取一片区域内的初始的二维点云数据；2-2、通过密度聚类算法对二维点云数据进行聚类分割，得到聚类；2-3、对聚类分别采用L型检测算法或圆形检测算法，识别并获取柱状物特征信息。优选地，在步骤(3)中，至少利用柱状物的位置信息和形状信息进行匹配。由于采用上述方案，本专利技术的有益效果是：本专利技术的基于单线激光雷达识别对柱状物进行定位的方法是一种高精度的自定位方法，应用环境为柱状物常见的室内自定位，例如室内停车场、仓库等。在此类环境中柱状物具有时空上不变以及识别时的简易准确的特点，是一种十分适用于定位的路标。本专利技术使用的传感器主要为单线激光雷达，并利用粒子滤波器进行数据的处理，最终得到移动机器人的高精度定位。本专利技术的自定位方法可以达到分米级的定位精度，在满足实际应用需求的前提下，有着成本较低、精度很高、实时性及鲁棒性好的优点。附图说明图1为本专利技术的定位方法的总流程图。图2为本专利技术的点云聚类分割所使用的DBSCAN算法效果示意图(CorePoints为核心点、Non-corePoints为非核心点和Outliers为外部点)。图3为本专利技术的二维点云数据的L型检测算法伪代码。图4为本专利技术的粒子滤波算法的流程图。具体实施方式本专利技术提供了一种基于单线激光雷达识别对柱状物进行定位的方法。该方法是建立在构建柱状物地图、提取柱状物特征信息和实时定位的基础上的，其详细流程图如图1所示。该方法包括如下步骤：(1)、构建柱状物离线地图；(2)、利用单线激光雷达获取柱状物的点云数据，并从该点云数据中提取柱状物特征信息；(3)、根据柱状物特征信息与柱状物离线地图的匹配进行自定位，得到柱状物的定位信息。其中，柱状物特征信息包括柱状物的截面形状：矩形、圆形；以及特殊点的位置信息：矩形的角点、圆形的圆心与截面半径。在步骤(1)中，构建柱状物离线地图包括对柱状物进行识别的过程，故柱状物离线地图的构建方法如下：1-1、利用单线激光雷达获取一片区域内的初始的二维点云数据；1-2、通过密度聚类算法对二维点云数据进行聚类分割，得到聚类；1-3、对聚类分别采用L型检测算法或圆形检测算法，识别并获取的柱状物特征信息就构成了柱状物离线地图。在步骤1-2中，通过单线激光雷达获得实时的二维点云数据后，需要先对二维点云数据做聚类分割，才能做后续的特征提取。由于室内柱状物分布较为离散，本专利技术采用的是一个经典的聚类分割算法：DBSCAN算法(具有噪声的基于密度的聚类方法)。图2为该算法的效果示意图，核心内容为遍历输入的点云数据，统计在一个给定半径范围内的点云数量，并依此来把点云划分为核心点(CorePoints)、非核心点(Non-corePoints)和外部点(Outliers)，其中核心点和非核心点会最终构成一个聚类，外部点被认定为噪声点。在步骤1-3中，二维点云数据被分割为聚类后，分别对每个聚类进行特征信息的提取。由于室内常见的柱状物截面形状都是矩形或圆形，根据场景可以认为规定识别目标为矩形或圆形，从而分别采用L型检测算法或圆形检测算法，并得到相应的柱状物特征向量。实际上，L型检测算法的伪代码如图3所示。其基本思想是迭代矩形的所有可能方向，并找到包含所有扫描点的矩形。对每一个聚类内的点，分别作出以其为交点的两条垂直相交的直线cosθ*x+sinθ*y＝q以及cosθ*y-sinθ*x＝p，继而可以获得每个点到这两条直线的距离向量D＝[d1,…,dm]，目标函数是所有点到两条垂线的距离di的倒数之和伪代码中的CalculateCloseness函数具体指的便是使每一个点的该目标函数最大，得到一组以该点作为角点的最合适的垂线。遍历了所有点之后，每一个点都会有一组垂线，其中目标函数得分最高的便是最终拟合的L型垂线。在这之后，取这一组垂线上最边缘的点，作出矩形的另外两条边，从而最终得到一个拟合的矩形。矩形的四个角点的坐标(xi,yi)i＝1,2,3,4也可以得到。四个角点的坐标不仅包含了柱状物的位置信息，也包含了柱状物的形状信息。另外，圆形检测算法如下：圆形几何特征：(x-cx)2+(y–cy)2＝r2①通过整理，得到如下形式：-r2+cx2+cy2–2xcx–2ycy＝-(x2+y2)②把②应用到n个点中，得到如下线性方程组：A·c＝b其中：通过解这一个方程组，每三个点可以得到一组圆心和半径的解，计算这一系列解的标准差，通过设定一个阈值把非圆形切面以及不垂直于地面的物体排除。计算得到一个柱状物的各个圆形切面的半径和圆心后，通过计算其平均值得到一个近似的标准圆柱体，且其位置信息和直径信息也已得到。经过以上的处理，柱状物的位置信息和特征信息已经从原始传感器数据中提取出来，可以分别用于基于柱状物的离线地图构建以及自定位。上述的地图构建利用了上述的柱状物识别方法，由于室内高精度定位较为困难，而室内场景的柱状物常在建筑物设计时就有精确的位置信息和形状信息，可以直接根据该信息建立基于柱状物的地图。当然也可以使用搭载高精度惯性导航装置以及室内定位装置的信号采集机器人，根据上述的柱状物识别算法，在目标区域进行基于柱状物的地图构建。地图构建的原理为：由于柱状物的特点，建立一个二维的柱状物地图，本文档来自技高网...

【技术保护点】
1.一种基于单线激光雷达识别对柱状物进行定位的方法，其特征在于：其包括如下步骤：(1)、构建柱状物离线地图；(2)、利用单线激光雷达获取柱状物的点云数据，并从该点云数据中提取柱状物特征信息；(3)、根据所述柱状物特征信息与所述柱状物离线地图的匹配进行自定位，得到柱状物的定位信息。

【技术特征摘要】
1.一种基于单线激光雷达识别对柱状物进行定位的方法，其特征在于：其包括如下步骤：(1)、构建柱状物离线地图；(2)、利用单线激光雷达获取柱状物的点云数据，并从该点云数据中提取柱状物特征信息；(3)、根据所述柱状物特征信息与所述柱状物离线地图的匹配进行自定位，得到柱状物的定位信息。2.根据权利要求1所述的方法，其特征在于：在步骤(1)中，柱状物离线地图的构建方法如下：1-1、利用单线激光雷达获取一片区域内的初始的二维点云数据；1-2、通过密度聚类算法对所述二维点云数据进行聚类分割，得到聚类；1-3、对所述聚类分别采用L型...

【专利技术属性】
技术研发人员：陈广，叶灿波，瞿三清，杨谦益，陈凯，杜嘉彤，胡瑞恩，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31