一种室内动态环境下的语义SLAM服务机器人导航方法技术

本发明专利技术提供了一种室内动态环境下的语义SLAM服务机器人导航方法，包括如下步骤：（1）信息语义分割并提取特征点；（2）移动一致性检查，剔除动态点，再利用稳定的静态特征点进行相机位姿估计；（3）语义八叉树地图的构建；（4）初始化服务机器人自身位姿；（5）通过结合灰狼优化算法的DWA局部路径规划算法，求解最优速度轨迹，确定服务机器人行驶路径……解决现有的传统SLAM场景认知能力弱，导致服务机器人定位准确性不高和传统DWA局部动态规划易陷入局部最优位置的问题，提出了结合灰狼优化算法的DWA局部路径规划方法，结合语义信息实现动态避障，保障服务机器人行进时对环境的认知能力，能够提供更准确的速度信息，同时增加安全可靠性。

【技术实现步骤摘要】
一种室内动态环境下的语义SLAM服务机器人导航方法
本专利技术是一种室内动态环境下的语义SLAM服务机器人导航方法，涉及服务机器人自主导航领域，具体涉及语义SLAM服务机器人导航方法领域。
技术介绍
随着当代社会生活水平的不断提高，人们对生活质量的需求也不断提高，各种智能服务型机器人不断出现，更好地研究服务机器人变得日益重要。移动机器人SLAM方法是智能服务机器人的基础。早期传统的SLAM方法主要以静态环境假设为前提，近年来人工智能方法尤其是机器学习方法的出现，使得移动机器人在动态环境下的表现得到了显著提升，极大增强了对环境中可移动物体的认知能力，整个过程也更加智能化和安全可靠。室内场景中存在可移动的目标，比如人、宠物、玩具汽车及其他移动机器人等，对于动态场景，传统的SLAM方法的定位和场景认知能力较弱，准确性大大降低，因为移动的物体会极大地干扰场景结构和定位，结果可能是完全不可靠的。传统视觉SLAM结合语义信息能消除动态特征，提高准确性。路径规划是服务机器人导航的基本环节，能使服务机器人在运动过程中安全、无碰撞地绕过所有障碍物，反映了服务机器人对动态环境地综合性判断，更好地进行智能决策。传统的DWA局部路径规划易陷入局部最优位置，无法满足更精准的导航。
技术实现思路
本专利技术所要解决的技术问题是，提供了一种室内动态环境下的语义SLAM服务机器人导航方法，解决现有的传统SLAM场景认知能力弱，导致服务机器人定位准确性不高和传统DWA局部动态规划易陷入局部最优位置的问题，提出了结合灰狼优化算法的DWA局部路径规划方法，结合语义信息实现动态避障，保障服务机器人行进时对环境的认知能力，能够提供更准确的速度信息，同时增加安全可靠性，实现服务机器人动态环境下的位姿估计和路线的有效规划，也能满足服务机器人的实时避障要求。为解决上述技术问题，本专利技术采用的技术方案为：一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，该方法包括以下步骤：步骤(1)：利用服务机器人携带的传感器所获取的信息进行语义分割并提取特征点；步骤(2)：根据所述步骤(1)中提取的特征点进行移动一致性检查，剔除动态点，再利用稳定的静态特征点进行相机位姿估计；步骤(3)：根据所述步骤(2)中的静态特征点在构建好的三维点云地图基础上进行语义八叉树地图的构建；步骤(4)：根据所述步骤(3)中语义八叉树地图，初始化服务机器人自身位姿；步骤(5)：根据所述步骤(4)中确定的服务机器人位姿信息进行定位的同时，通过结合灰狼优化算法的DWA局部路径规划算法，求解最优速度轨迹，确定服务机器人行驶路径；步骤(6)：根据所述步骤(5)中的最优速度轨迹，将生成的速度指令发送给服务机器人底盘执行机构，到达目标区域；步骤(7)：根据所述步骤(6)中的速度指令，服务机器人在到达目标区域过程中若陷入局部障碍区域，则启动恢复模式，使其脱离被困区域，重新导航。所述步骤(1)包括如下步骤：步骤(1-1)：利用服务机器人携带的传感器获取原始图像信息Ij，使用PSPNet进行语义分割，得到的语义图像Cj中所有相同类别标记为同一类，将语义图像Cj中每个像素点乘以该像素点对应的语义先验权重，用结果得分的中值代替每个像素点的结果得分，得到语义一致的结果图像其中，j表示图像的编号，在服务机器人导航过程中，传感器连续获取图像Ij，Wc为图像中的语义先验权重，Cj为经过PSPNet分割后的语义图像，为经过PSPNet分割后的结果得分图像；步骤(1-2)：将语义图像Cj分割为k*k的块,对于每个块，根据公式(1)计算中值si作为该块的被选择的权重，其中，i为块的编号，一幅图像中不只一块，si越高，则此块被选择的概率越大，然后在选择的块内根据梯度值进一步提取特征点，若梯度值小于50，则剔除特征点。所述步骤(2)中的移动一致性检查包括：如果匹配的特征点接近图像Ij边缘或者与中心处图像块的像素相差大，则丢弃当前的匹配点，再通过RANSAC算法求取基础矩阵，计算当前帧的极线，判断从匹配点到对应极线的距离是否小于阈值，如果距离大于阈值，则确定匹配点是移动的。特征点接近传感器获取的原始图像Ij边缘是与原始图像Ij同心，半径为原始图像Ij半径的0.95的同心圆与原始图像Ij相离的部分，中心处图像块的像素相差大是该特征点与中心处像素值之差与中心处像素值比值大于0.8，阈值为0.4倍原始图像Ij尺寸。5.根据权利要求1所述的一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，步骤(3)包括如下步骤：步骤(3-1)：在步骤(2)剔除动态点之后，利用静态特征点，系统自动生成三维点云地图；步骤(3-2)：在八叉树中，假设时刻t＝1，2，…，T，传感器观测的数据为Z1，Z2，…，ZT，则第n个子节点的语义信息P(n|z1：T)为：其中，P(n|z1：T)为在观测数据Z1到ZT下第n个子节点的占用概率，P(n|zT)为仅根据观测数据ZT获得的第n个子节点的占用概率，P(n|z1：T-1)为在T时刻之前的观测数据下第n个子节点的占用概率，P(n)为无观测数据下第n个子节点的占用概率；变换此语义信息到全实数空间上：其中，E为概率对数值，p为上述P(n|z1：T)的简称，-子节点占据情况的概率对数形式L(n|z1：T+1)为：：L(n|z1：T+1)＝L(n|z1：T1)+L(n|z1：T)(5)其中，L(n|z1：T+1)为在观测数据Z1到ZT+1下第n个子节点的对数占用概率，L(n|z1：T-1)为在观测数据Z1到ZT-1下第n个子节点的对数占用概率，L(n|z1：T)为在观测数据Z1到ZT下第n个子节点的对数占用概率；步骤(3-3)：根据步骤(3-2)利用获取的结果图像建立语义八叉树地图。所述步骤(4)包括如下步骤：步骤(4-1)：服务机器人自身搭载有Linux操作系统，服务机器人导航开始时初始化服务机器人位姿使其位于路线起始点半径0.1m范围内；步骤(4-2)：自动建图导航算法通过传感器观测环境信息，利用贝叶斯估计即粒子滤波方法，获取服务机器人每一时刻的位姿估计：预测：由t-1时刻的后验概率密度函数计算p(xt-1|y1:t-1)，得到t时刻的先验概率密度函数p(xt|y1:t-1)，p(xt|y1:t-1)＝∫p(xt|xt-1)p(xt-1|y1:t-1)dxt-1(6)其中，xt表示系统t时刻的位姿状态估计，xt-1表示系统t-1时刻的位姿状态估计，y1:t-1表示1到t-1时刻的传感器观测环境信息；更新：由t时刻得到的先验概率密度函数p(xt|y1:t-1)，结合环境观测量yt，针对上一步的观测过程，获取后验概率密度p(xt|y1:t)，其中，p(yt|y1:t-1)为归一化常数，表示为p(y本文档来自技高网...

【技术保护点】
1.一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，/n该方法包括以下步骤：/n步骤(1)：利用服务机器人携带的传感器所获取的信息进行语义分割并提取特征点；/n步骤(2)：根据所述步骤(1)中提取的特征点进行移动一致性检查，剔除动态点，再利用稳定的静态特征点进行相机位姿估计；/n步骤(3)：根据所述步骤(2)中的静态特征点在构建好的三维点云地图基础上进行语义八叉树地图的构建；/n步骤(4)：根据所述步骤(3)中语义八叉树地图，初始化服务机器人自身位姿；/n步骤(5)：根据所述步骤(4)中确定的服务机器人位姿信息进行定位的同时，通过结合灰狼优化算法的DWA局部路径规划算法，求解最优速度轨迹，确定服务机器人行驶路径；/n步骤(6)：根据所述步骤(5)中的最优速度轨迹，将生成的速度指令发送给服务机器人底盘执行机构，到达目标区域；/n步骤(7)：根据所述步骤(6)中的速度指令，服务机器人在到达目标区域过程中若陷入局部障碍区域，则启动恢复模式，使其脱离被困区域，重新导航。/n

【技术特征摘要】
1.一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，
该方法包括以下步骤：
步骤(1)：利用服务机器人携带的传感器所获取的信息进行语义分割并提取特征点；
步骤(2)：根据所述步骤(1)中提取的特征点进行移动一致性检查，剔除动态点，再利用稳定的静态特征点进行相机位姿估计；
步骤(3)：根据所述步骤(2)中的静态特征点在构建好的三维点云地图基础上进行语义八叉树地图的构建；
步骤(4)：根据所述步骤(3)中语义八叉树地图，初始化服务机器人自身位姿；
步骤(5)：根据所述步骤(4)中确定的服务机器人位姿信息进行定位的同时，通过结合灰狼优化算法的DWA局部路径规划算法，求解最优速度轨迹，确定服务机器人行驶路径；
步骤(6)：根据所述步骤(5)中的最优速度轨迹，将生成的速度指令发送给服务机器人底盘执行机构，到达目标区域；
步骤(7)：根据所述步骤(6)中的速度指令，服务机器人在到达目标区域过程中若陷入局部障碍区域，则启动恢复模式，使其脱离被困区域，重新导航。


2.根据权利要求1所述的一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，所述步骤(1)包括如下步骤：
步骤(1-1)：利用服务机器人携带的传感器获取原始图像信息Ij，使用PSPNet进行语义分割，得到的语义图像Cj中所有相同类别标记为同一类，将语义图像Cj中每个像素点乘以该像素点对应的语义先验权重，用结果得分的中值代替每个像素点的结果得分，得到语义一致的结果图像



其中，j表示图像的编号，在服务机器人导航过程中，传感器连续获取图像Ij，Wc为图像中的语义先验权重，Cj为经过PSPNet分割后的语义图像，为经过PSPNet分割后的结果得分图像；
步骤(1-2)：将语义图像Cj分割为k*k的块,对于每个块，根据公式(1)计算中值si作为该块的被选择的权重，其中，i为块的编号，一幅图像中不只一块，si越高，则此块被选择的概率越大，然后在选择的块内根据梯度值进一步提取特征点，若梯度值小于50，则剔除特征点。


3.根据权利要求1所述的一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，所述步骤(2)中的移动一致性检查包括：
如果匹配的特征点接近图像Ij边缘或者与中心处图像块的像素相差大，则丢弃当前的匹配点，再通过RANSAC算法求取基础矩阵，计算当前帧的极线，判断从匹配点到对应极线的距离是否小于阈值，如果距离大于阈值，则确定匹配点是移动的。


4.根据权利要求3所述的一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，特征点接近传感器获取的原始图像Ij边缘是与原始图像Ij同心，半径为原始图像Ij半径的0.95的同心圆与原始图像Ij相离的部分，中心处图像块的像素相差大是该特征点与中心处像素值之差与中心处像素值比值大于0.8，阈值为0.4倍原始图像Ij尺寸。


5.根据权利要求1所述的一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，步骤(3)包括如下步骤：
步骤(3-1)：在步骤(2)剔除动态点之后，利用静态特征点，系统自动生成三维点云地图；
步骤(3-2)：在八叉树中，假设时刻t＝1，2，…，T，传感器观测的数据为Z1,Z2,…,ZT，则第n个子节点的语义信息P(n|z1：T)为：



其中，P(n|z1：T)为在观测数据Z1到ZT下第n个子节点的占用概率，P(n|zT)为仅根据观测数据ZT获得的第n个子节点的占用概率，P(n|z1：T-1)为在T时刻之前的观测数据下第n个子节点的占用概率，P(n)为无观测数据下第n个子节点的占用概率；
变换此语义信息到全实数空间上：






其中，E为概率对数值，p为上述P(n|z1：T)的简称，
-子节点占据情况的概率对数形式L(n|z1：T+1)为：：
L(n|z1:T+1)＝L(n|z1:T-1)+L(n|z1:T)(5)
其中，L(n|z1：T+1)为在观测数据Z1到ZT+1下第n个子节点的对数占用概率，L(n|z1：T-1)为在观测数据Z1到ZT-1下第n个子节点的对数占用概率，L(n|z1：T)为在观测数据Z1到ZT下第n个子节点的对数占用概率；
步骤(3-3)：根据步骤(3-2)利用获取的结果图像建立语义八叉树地图。


6.根据权利要求1所述的一种室内动态环境下的语义SLAM服务机器人导航方法，其特征在于，所述步骤(4)包括如下步骤：
步骤(4-1)：服务机器人自身搭载有Linux操作系统，服务机器人导航开始时初始化服务机器人位姿使其位于路线起始点半径0.1m范围内；
步骤(4-2)：自动建图导航算法通过传感器观测环境信息，利用贝叶斯估计即粒子滤波方法，获取服务机器人每一时刻的位姿估计：
预测：由t-1时刻的后验概率密度函数计算p(xt-1|y1:t-1)，得到t时刻的先验概率密度函数p(xt|y1:t-1)，
p(xt|y1:t-1)＝∫p(xt|xt-1)p(xt-1|y1:t-1)dxt-1(6)
其中，xt表示系统t时刻的位姿状态估计，xt-1表示系统t-1时刻的位姿...

【专利技术属性】
技术研发人员：易辉，王珏，徐芳，刘宇芳，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32