同步定位与地图构建slam中的增量建图方法和装置制造方法及图纸

本申请公开同步定位与地图构建slam中的增量建图方法和装置。本申请的方法包括：实时采集机器人周边环境的激光数据，对各采集时刻下的激光数据进行特征提取，获得激光数据中用于表征环境反馈结果的特征数据；利用特征数据和各采集时刻下机器人的位姿对预先构建的神经网络模型进行训练；在启动slam增量建图时，对机器人在当前时刻采集到的激光数据进行特征提取，将提取到的特征数据输入到训练好的神经网络模型中，获得神经网络模型输出的位姿数据；根据当前时刻采集的激光数据构建原始地图，并根据所述位姿数据与所述原始地图进行增量建图。本申请的技术方案能够提高所构建地图的精度，避免出现地图断层、重叠等问题。

【技术实现步骤摘要】
同步定位与地图构建slam中的增量建图方法和装置
本申请涉及计算机
，具体涉及一种同步定位与地图构建slam中的增量建图方法和装置。
技术介绍
slam(simultaneouslocalizationandmapping)是一种同时定位与地图构建技术，主要用于解决机器人在未知环境中依靠2D或者3D传感器进行定位导航和地图构建的问题。增量建图指的是机器人依靠现有的地图，继续进行地图构建的过程。现有的增量建图方案大多是基于传统定位+地图拼接算法，在新地图与旧地图匹配的过程中容易丢失精度，造成地图断层或者重叠。
技术实现思路
本申请提供了一种同步定位与地图构建slam中的增量建图方法和装置，用于解决或部分解决上述问题。一方面，本申请提供了一种同步定位与地图构建slam中的增量建图方法，包括：实时采集机器人周边环境的激光数据，对各采集时刻下的激光数据进行特征提取，获得激光数据中用于表征环境反馈结果的特征数据；利用特征数据和各采集时刻下机器人的位姿对预先构建的神经网络模型进行训练；在启动slam增量建图时，对机器人在当前时刻采集到的激光数据进行特征提取，将提取到的特征数据输入到训练好的神经网络模型中，获得神经网络模型输出的位姿数据；根据当前时刻采集的激光数据构建原始地图，并根据位姿数据与原始地图进行增量建图。另一方面，本申请提供了一种同步定位与地图构建slam中的增量建图装置，包括：数据处理单元，用于实时采集机器人周边环境的激光数据，对各采集时刻下的激光数据进行特征提取，获得所述激光数据中用于表征环境反馈结果的特征数据；训练单元，用于利特征数据和各采集时刻下机器人的位姿对预先构建的神经网络模型进行训练；实施单元，用于在启动slam增量建图时，对机器人在当前时刻采集到的激光数据进行特征提取，将提取到的特征数据输入到训练好的神经网络模型中，获得神经网络模型输出的位姿数据；建图单元，用于根据当前时刻采集的激光数据构建原始地图，并根据位姿数据与原始地图进行增量建图。再一方面，本申请提供了一种机器人，包括：存储器、处理器和激光器；激光器，采集机器人周边的激光数据并发送给处理器；存储器，存储计算机可执行指令；处理器，根据计算机可执行指令执行上述同步定位与地图构建slam中的增量建图方法。又一方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质上存储有一个或多个计算机程序，一个或多个计算机程序被执行时实现上述同步定位与地图构建slam中的增量建图方法。本申请的有益效果是：本专利技术对各个采集时刻下的激光数据进行特征提取，利用提取到的特征数据和机器人位姿对构建的神经网络模型进行训练，在启动slam增量建图时，对当前时刻采集到的激光数据进行特征提取，将提取到的特征数据输入到神经网络模型，通过将神经网络模型输出的位姿作为机器人当前时刻的位姿，重新确定精度更高的机器人位姿，结合重新确定后的机器人位姿与原始地图进行增量建图，避免构建好的地图中出现断层、重叠等问题，显著地提高了建图精度。附图说明图1是本申请一个实施例示出的建图过程示意图；图2是本申请一个实施例示出的同步定位与地图构建slam中的增量建图方法的流程示意图；图3是本申请一个实施例示出的栅格地图示意图；图4-1是本申请一个实施例示出的激光数据示意图；图4-2是本申请一个实施例示出的对图4-1中的激光数据进行干扰点后过滤的示意图；图5-1是本申请一个实施例示出的激光数据示意图；图5-2是本申请一个实施例示出的从图5-1中的激光数据中抽取环境反馈结果示意图；图5-3是本申请一个实施例示出的基于图5-1中的激光数据生成距离信息的示意图；图6-1是本申请一个实施例示出的时间序列数据散点示意图；图6-2是本申请一个实施例示出的对图6-1中的时间序列数据进行分段的示意图；图6-3是本申请一个实施例示出对图6-1中的时间序列数据分段后的子数据进行线性拟合的示意图；图7是本申请一个实施例示出的特征回归效果示意图；图8-1是本申请示出的采用传统算法所构建的地图的效果图；图8-2是本申请一个实施例示出的增量建图效果示意图；图9是本申请一个实施例示出的同步定位与地图构建slam中的增量建图装置的功能框图；图10是本申请一个实施例的机器人的结构框图；图11是本申请一个实施例的计算机可读存储介质的结构示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。基于现有技术中，机器人在增量建图时出现的精度丢失、地图断层或重叠等缺陷问题，本申请实施例提出一种解决方案，参考图1，本申请一方面利用采集到的激光数据计算机器人位姿，基于机器人位姿构建原始地图；另一方面，将采集到的激光数据输入到神经网络模型中，将神经网络模型输出的位姿作为机器人当前时刻的位姿；最后，结合原始地图与机器人当前的位姿进行地图构建。图2是本申请一个实施例示出的同步定位与地图构建slam中的增量建图方法的流程示意图，参见图2，该增量建图方法包括如下步骤：步骤S210，实时采集机器人周边环境的激光数据，对各采集时刻下的激光数据进行特征提取，获得激光数据中用于表征环境反馈结果的特征数据。本实施例中，每个时刻采集的激光数据可以是由多个离散的点组成的数组，体现在栅格地图上的形式为如图4-1中示出的散点。在一些实施例中，每个时刻采集的激光数据也可以是如图5-1所示的一帧图像数据。本实施例中，特征数据是从激光数据中抽取出来用于表征环境反馈结果的数据，例如用于表征环境中如图5-2所示的墙面、建筑物等障碍物。步骤S220，利用特征数据和各采集时刻下机器人的位姿对预先构建的神经网络模型进行训练。本实施例中，神经网络模型可以为YOLOV3卷积神经网络模型，采用darknet本文档来自技高网...

【技术保护点】
1.一种同步定位与地图构建slam中的增量建图方法，其特征在于，包括：/n实时采集机器人周边环境的激光数据，对各采集时刻下的激光数据进行特征提取，获得所述激光数据中用于表征环境反馈结果的特征数据；/n利用所述特征数据和各采集时刻下机器人的位姿对预先构建的神经网络模型进行训练；/n在启动slam增量建图时，对机器人在当前时刻采集到的激光数据进行特征提取，将提取到的特征数据输入到训练好的神经网络模型中，获得所述神经网络模型输出的位姿数据；/n根据当前时刻采集的激光数据构建原始地图，并根据所述位姿数据与所述原始地图进行增量建图。/n

【技术特征摘要】
1.一种同步定位与地图构建slam中的增量建图方法，其特征在于，包括：
实时采集机器人周边环境的激光数据，对各采集时刻下的激光数据进行特征提取，获得所述激光数据中用于表征环境反馈结果的特征数据；
利用所述特征数据和各采集时刻下机器人的位姿对预先构建的神经网络模型进行训练；
在启动slam增量建图时，对机器人在当前时刻采集到的激光数据进行特征提取，将提取到的特征数据输入到训练好的神经网络模型中，获得所述神经网络模型输出的位姿数据；
根据当前时刻采集的激光数据构建原始地图，并根据所述位姿数据与所述原始地图进行增量建图。


2.如权利要求1所述的方法，其特征在于，对各采集时刻下的激光数据进行特征提取，获得所述激光数据中用于表征环境反馈结果的特征数据，包括：
从所述激光数据中抽取出环境反馈结果；
根据所述环境反馈结果从所述激光数据中分离出机器人与所述环境反馈结果之间的距离信息；
根据所述距离信息进行特征提取，获得所述特征数据。


3.如权利要求2所述的方法，其特征在于，根据所述距离信息进行特征提取，包括：
根据激光数据对应的采集时刻与所述距离信息，生成时间序列数据；
对所述时间序列数据进行相关性分段处理，得到一段或多段子数据；
基于各段子数据的特征回归处理结果，得到所述特征数据。


4.如权利要求3所述的方法，其特征在于，基于各段子数据的特征回归处理结果，得到所述特征数据，包括：
对分段后的每段子数据进行线性或多项式拟合处理，在拟合误差在阈值范围内时，确定该子数据符合线性特征；
对符合线性特征的子数据进行特征回归处理，得到所述特征数据。


5.如权利要求3所述的方法，其特征在于，在获得所述激光数据中用于表征环境反馈结果的特征数据之后，还包括：
根据特征数据中各数据点与机器人激光器之间的距离，过滤掉特征数据中的干扰数据点；或者，
在对各采集时刻下的激光数据进行特征提取之前还包括：
根据各采集时刻下的激光数据中各激光点与机器人激光器之间的距离，过滤掉特征数据中的干扰数据点。


6.如权利要求5所述的方法，其特征在于，在过滤掉干扰数据点之后，还包括：
将过滤掉干扰数据点的特征数据作为一组数据保存，如果相邻时...

【专利技术属性】
技术研发人员：张富强，张一凡，邹李兵，王学强，
申请(专利权)人：歌尔股份有限公司，
类型：发明
国别省市：山东;37