基于多机器人协同的激光SLAM地图方法技术

本发明专利技术公开了一种基于多机器人协同的激光SLAM地图方法，包括的方法有：将SLAM地图实现栅格化转换；将栅格地图拼接问题用图像配准的最小化问题来表示，并建立数学模型，给出基于ICP算法的迭代求解方法；利用基于卷积神经网络的地图匹配算法从待拼接栅格地图中多目标提取局部不变特征点，建立模板特征点到模板中心的向量集，并结合搜索全局地图中对应匹配点位置，估计子图副本的中心位置，并以此作为初始拼接参数；将拼接参数作为ICP算法的初值，求解目标函数，最终实现栅格子地图到栅格全局地图的融合；利用地图的稀疏表示与低秩矩阵重建算法，实现对地图的压缩与提取。本发明专利技术适应性更强，易处理，降低存储容量，成本低。

Laser SLAM Mapping Method Based on Multi-Robot Collaboration

【技术实现步骤摘要】
基于多机器人协同的激光SLAM地图方法
本专利技术属于激光SLAM地图
，特别是涉及一种基于多机器人协同的激光SLAM地图方法。
技术介绍
近年来，随着SLAM在单体机器人上应用的稳步推进，将现有的SLAM方法应用到多机器人系统的构思越来越受到关注。与单机器人系统相比，多机器人系统在执行效率、容错性、鲁棒性、可重构性和硬件成本等方面都更具优势，并且能够在人类难以到达的未知环境中执行抢险救灾、资源勘探和空间探测等特殊任务，然而在实际大尺度环境中实现多机器人协同工作则依然是困难重重，其主要原因可归纳如下：(1)成本问题。拥有SLAM的单机器人成本(包括硬件、软件和知识产权)过高，尤其拥有3DSLAM的机器人其市场价大都在百万以上，所以对多机器人系统的推广和产业化带来一定的阻力。(2)通信问题。在实际大尺度环境中机器人之间的通讯范围往往受限，或缺乏地理信息(如室内无法获取GPS或北斗定位信息)时，所有假设机器人之间的通讯不受限的SLAM算法都将失去意义。(3)数据关联问题。通常的SLAM算法是通过传感器的观测值和环境预设路标来回避数据关联问题的缺陷，但是当在未知环境中预设路标不存在时，或者多机器人之间在没有各自相对位置的先验知识情况下，机器人如何能够定位自己在地图中的位置而不会出现所谓“失踪”的问题呢？(4)地图存储问题。地图是解决SLAM问题的核心，而地图的容量是随机器人的活动范围呈指数增长的，尤其对3D激光传感器和视觉传感器而言，其所采集的信息点属性丰富且多样，所以需要保存地图的信息量可想而知。对机器人而言，其数据存储量和计算量将随着地图的增大而急剧增大，各种成本也将随之攀升，所以机器人性能的优劣直接制约着地图的应用程度。因此如何能够将地图压缩在可控范围内以及如何能够快速且无损耗提取，是降低单机器人成本的关键，同时也是扩展单机器人活动范围、促进多机器人系统商品化和产业化的关键。(5)地图融合问题。就SLAM机器人的原理而言，机器人采用不同的传感器，以及在机器人构图时不同的起点位置，其所构建的地图都是不同的，同一张地图也不能被非构图机器人所使用，这就是SLAM地图的信息融合问题。其具体表现在单机器人SLAM算法中的多传感器获取的环境信息融合问题和多机器人各自构建的局部地图的信息融合问题。由于机器人放置位置的随机性、环境大小的可变性、以及多机器人的可扩展性都会为地图信息融合问题的解决带来阻力，而目前对该问题的研究尚在探索之中，所以地图信息融合问题已成为当前移动机器人尤其是多移动机器人SLAM应用发展的瓶颈。
技术实现思路
本专利技术的目的就是提供一种基于多机器人协同的激光SLAM地图方法，能完全解决上述现有技术的不足之处。本专利技术的目的通过下述技术方案来实现：一种基于多机器人协同的激光SLAM地图方法，包括的方法有：步骤1.将SLAM地图实现栅格化转换；步骤2.将栅格地图拼接问题用图像配准的最小化问题来表示，并建立数学模型，给出基于ICP算法的迭代求解方法；步骤3.利用基于卷积神经网络的地图匹配算法从待拼接栅格地图中多目标提取局部不变特征点，建立模板特征点到模板中心的向量集，并结合搜索全局地图中对应匹配点位置，估计子图副本的中心位置，并以此作为初始拼接参数；步骤4.将拼接参数作为ICP算法的初值，求解目标函数，最终实现栅格子地图到栅格全局地图的融合；步骤5.利用地图的稀疏表示与低秩矩阵重建算法，实现对地图的压缩与提取；同样，利用步骤2-4实现栅格全局地图到栅格子地图的拆分。进一步，所述机器人为通用移动机器人。进一步，激光SLAM地图为二维SLAM地图。进一步，移动机器人采集图像为二维特征地图。进一步，地图方法的形式包括旋转、平移、缩放、拼接以及裁剪。与现有技术相比，本专利技术的有益效果在于：1.与3DSLAM算法相比，2DSLAM算法相对简单、成熟，且其所对地图的存储量要求不高，这样可以大大降低机器人自身的计算量和存储量，从而可以从根本上降低单个机器人的软硬件成本。2.由于采用2DSLAM算法，其地图本身的信息类型相对不大，所以对数据关联问题的处理，与3DSLAM算法相比较为容易处理。3.实现本技术的目标是建立和维护一张所有机器人共有的地图，即使有部分区域或个别机器人存在通信问题，通过各机器人自身所携带的地图一样可以实现定位与导航。4.本技术提出的均匀化稀疏表示方法以及在此基础上的低秩矩阵重建，可以大大压缩地图的存储容量，同时也可保证地图的提取需要。5.本技术所提出的基于卷积神经网络匹配的多机器人的二维地图融合算法，可以为大尺度未知环境下多机器人2D地图融合问题的解决提供一种新的尝试。附图说明图1是本专利技术的流程图；图2是卷积神经网络VGG模型各层特征图；图3是地图融合前的拼接效果图；图4是地图融合后的拼接效果图；图5是n阶小波变换示意图；图6是均匀化后的n阶小波变换示意图。具体实施方式下面结合具体实施例和附图对本专利技术作进一步的说明。如图1至图4所示，一种基于多机器人协同的激光SLAM地图方法，本方法在基于低成本的单线激光传感器的2D实时SLAM(即时定位与地图构建)快速重建上，利用相对成熟的2DSLAM技术、改进的图像配准技术、地图压缩与提取技术、以及卷积神经网络的点云配准算法，实现2DSLAM地图的拼接与拆分，并保证多机器人在该地图上的定位与导航。通过该技术的实施，可以为多机器人系统产品化提供新的尝试，同时也可以为3DSLAM技术的发展奠定基础和提供依据。其技术的具体步骤如下(如图1所示)：步骤1.将SLAM地图实现栅格化转换；步骤2.将栅格地图拼接问题用图像配准的最小化问题来表示，并建立数学模型，给出基于ICP算法的迭代求解方法；步骤3.利用基于卷积神经网络的地图匹配算法从待拼接栅格地图中多目标提取局部不变特征点，建立模板特征点到模板中心的向量集，并结合搜索全局地图中对应匹配点位置，估计子图副本的中心位置，并以此作为初始拼接参数，如图2所示；步骤4.将拼接参数作为ICP算法的初值，求解目标函数，最终实现栅格子地图到栅格全局地图的融合；步骤5.利用地图的稀疏表示与低秩矩阵重建算法，实现对地图的压缩与提取。同样，利用步骤2-4也可以实现栅格全局地图到栅格子地图的拆分。地图融合前与融合后效果，如图3和图4所示。其具体方法及解决的问题如下：本技术针对多机器人协同构图时通信范围受限或缺乏地理信息等问题，提出了一种基于卷积神经网络匹配的多机器人的二维地图融合方法。该方法是完全分布式的，且不依赖于任何特殊的机器人通信网络结构，利用基于卷积神经网络的地图匹配算法，实现局部地图的边缘提取特征点，并与全局栅格地图中的信息数据进行匹配，以实现局部子地图与全局地图的动态融合。同时，该算法利用机器人所测局部地图的历史数据和当前数据之间的新增信息，通过渐近收敛的方式获取准确的全局地图，以保证在每次迭代过程中全局地图无偏性。1.针对传统栅格地图格式无法满足现实需要问题传统的概率栅格地图是将整个环境分割为均匀的单元栅格，每个栅格赋一个0或1区间的值，0意味着完全为空，1意味着完全占用。这样这个环境空间分为占用空间和空置空间，增加分辨率便意味着增加运行时间和计算机内存的消耗。但是随着人们探测环境的不断扩大和非结构化，环境实体的高维性，本文档来自技高网...

【技术保护点】
1.一种基于多机器人协同的激光SLAM地图方法，其特征在于，包括的方法有：步骤1.将SLAM地图实现栅格化转换；步骤2.将栅格地图拼接问题用图像配准的最小化问题来表示，并建立数学模型，给出基于ICP算法的迭代求解方法；步骤3.利用基于卷积神经网络的地图匹配算法从待拼接栅格地图中多目标提取局部不变特征点，建立模板特征点到模板中心的向量集，并结合搜索全局地图中对应匹配点位置，估计子图副本的中心位置，并以此作为初始拼接参数；步骤4.将拼接参数作为ICP算法的初值，求解目标函数，最终实现栅格子地图到栅格全局地图的融合；步骤5.利用地图的稀疏表示与低秩矩阵重建算法，实现对地图的压缩与提取；同样，利用步骤2‑4实现栅格全局地图到栅格子地图的拆分。

【技术特征摘要】
1.一种基于多机器人协同的激光SLAM地图方法，其特征在于，包括的方法有：步骤1.将SLAM地图实现栅格化转换；步骤2.将栅格地图拼接问题用图像配准的最小化问题来表示，并建立数学模型，给出基于ICP算法的迭代求解方法；步骤3.利用基于卷积神经网络的地图匹配算法从待拼接栅格地图中多目标提取局部不变特征点，建立模板特征点到模板中心的向量集，并结合搜索全局地图中对应匹配点位置，估计子图副本的中心位置，并以此作为初始拼接参数；步骤4.将拼接参数作为ICP算法的初值，求解目标函数，最终实现栅格子地图到栅格全局地图的融合；步骤5.利用地图的稀疏表示与低秩矩阵重...

【专利技术属性】
技术研发人员：王巍，
申请(专利权)人：集美大学，
类型：发明
国别省市：福建,35