一种基于点线特征的移动机器人定位方法技术

本发明专利技术涉及一种基于点线特征的移动机器人定位方法，针对传统基于点特征的移动机器人定位系统在低纹理或者快速运动等情况下定位精度低的问题，本发明专利技术设计了一个基于点线特征的移动机器人定位系统，通过融合图像点特征、图像线特征信息提高移动机器人的定位精度。本发明专利技术解决了机器人定位精度低的问题，相比于基于点特征定位的方法，本发明专利技术充分利用环境中点线特征综合进行定位，使得本方法不仅适用于点特征丰富的场景，同样在点特征稀缺和纹理不良的环境中使用也可以达到较高定位精度。的环境中使用也可以达到较高定位精度。的环境中使用也可以达到较高定位精度。

【技术实现步骤摘要】
一种基于点线特征的移动机器人定位方法


[0001]本专利技术涉及移动机器人自主定位
，具体涉及一种使用双目相机进行移动机器人自主定位的方法。

技术介绍

[0002]同时定位与建图(Simultaneous Localization and Mapping，SLAM)是解决机器人在未知环境中定位的关键技术。视觉SLAM系统通常利用相机与环境存在的丰富特征点完成机器人定位。但是大多数方法是将点特征作为视觉输入信息，然而在低纹理或者快速运动等复杂情况下点特征难以提取，机器人定位系统无法在图像中提取到足够数量的清晰点特征，这时会导致系统定位精度不高，甚至系统失效。

技术实现思路

[0003]为了解决现有技术问题，本专利技术的目的在于克服已有技术存在的不足，提供一种基于点线特征的移动机器人定位方法，解决移动机器人在低纹理或者快速运动等情况下定位精度低的问题，提高移动机器人定位精度和系统鲁棒性。
[0004]为达到上述专利技术创造目的，本专利技术采用如下技术方案：
[0005]一种结合点线特征的移动机器人定位方法，操作步骤如下：
[0006]a.安装设备与图像数据采集：
[0007]将双目相机传感器安装在机器人正上方，在机器人运动过程中通过双目相机拍摄图像，将图像传输到计算机进行处理；
[0008]b.对图片中的点特征和线特征进行提取与匹配：
[0009]输入图像后，对图像进行去畸变处理，然后提取和匹配图像中的点线特征；
[0010]c.计算点线特征的深度信息：
[0011]通过所述步骤b的点线特征匹配结果，计算环境中点线特征的深度信息；
[0012]d.机器人位姿计算：
[0013]通过在所述步骤c中计算的深度信息，对移动机器人运动位姿进行估算，最终实现移动机器人实时定位。
[0014]优选地，在所述的步骤a中，双目相机安装在机器人本体上，在机器人运动过程中，双目相机将采集到的图像传输到计算机中，同时计算机和机器人通过机器人操作系统ROS进行数据传输与指令发送，以此获得双目相机图像数据输入。
[0015]优选地，在所述的步骤b中，首先通过张正友标定法获得相机内参，对采集到的图片进行去除畸变处理；然后根据区域自适应ORB策略，对图像中的点特征进行提取，使得点特征的提取更加均匀，进行点特征进行提取方法分为如下步骤：
[0016](1)区域分割：均匀分割每张图片并标记，尺寸为A
×
B；
[0017](2)自适应阈值计算：检测每张图像的ORB特征，设特征的数量为n，则设置阈值T
为：
[0018](3)区域点特征提取：如果该区域检测到的特征点数量少于T，不作任何处理；否则如果特征点数量大于T，按照ORB特征的顺序选取T个最优的点特征；
[0019]然后使用BRIEF描述子对提取到的关键点进行描述，并使用快速最近邻搜索方法(FLANN)进行图像之间的特征匹配；
[0020]最后采用LSD算法提取图像中的线特征，采用LBD描述子对所提取线段进行描述，并根据制定线特征匹配策略，完成线段特征的匹配工作；
[0021]在所述的步骤b中，为了加快向量比较速度，采用的线段匹配策略规定如下：
[0022]1线段l1的方向向量与线段l2的方向向量的差值要小于阈值δ，即
[0023]②
线段l1和线段l2的LBD描述子空间距离要小于设定阈值α；
[0024]③
线段l1和线段l2的长度比值要大于设定阈值β，即min(|l1|,|l2|)/max(|l1|,|l2|)＞β。
[0025]优选地，在所述步骤c中，根据双目相机成像模型计算点线特征的深度信息，计算公式如下：
[0026][0027]其中z为点线特征深度，P
L
(u
L
,v
L
)、P
R
(u
R
,v
R
)为空间中一点P在左右目相机中的投影坐标，b为双目相机基线，f为相机焦距；最后使用PnP方法估计相机运动，得到环境中点线特征的深度信息。
[0028]优选地，在所述的步骤d中，把PnP问题构建成一个定义在李代数上的非线性最小二乘问题，最小化点线重投影误差；使用非线性优化对PnP线性求解的结果进行优化，最后得到机器人的最优位姿解，实现移动机器人实时定位；点线特征重投影误差的整体代价函数为：
[0029][0030]代价函数由点特征误差和线特征误差两部分组成。式中i和j表示第i个图像帧和第j个图像帧。P和L表示为对应的每帧图像的点集和线集，r
p
和r
l
表示点特征投影误差和线特征投影误差，X为图像关键点和线段端点在不同尺度下的协方差矩阵。和表示点特征和线特征的投影坐标。ρ是Huber鲁棒核函数，当误差很大时，使二范数不会增长地太快，引入核函数使系统的整个优化结果更加稳健鲁棒。
[0031]PnP是求解3D到2D点对运动的方法，它描述了当知道n个3D空间点及其投影位置时，如何估计相机的位姿。由于本专利技术使用的相机为双目相机，因此，本专利技术直接使用PnP方法估计相机运动。
[0032]本专利技术与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
[0033]1.本专利技术解决了机器人定位精度低的问题，相比于基于点特征定位的方法，本专利技术充分利用环境中点线特征综合进行定位，使得本方法不仅适用于点特征丰富的场景，同样在点特征稀缺和纹理不良的环境中使用也可以达到较高定位精度；
[0034]2.本专利技术仅使用双目相机即可实现移动机器人的自主定位，设备成本低且操作简单易上手；
[0035]3.本专利技术方法简单易行，成本低，适合推广使用。
附图说明
[0036]图1为本专利技术的基于点线特征的移动机器人自主定位方法操作步骤流程图。
[0037]图2为本专利技术的点线特征提取与匹配流程图。
[0038]图3为本专利技术的点特征重投影误差图。
[0039]图4为本专利技术的线特征重投影误差图。
具体实施方式
[0040]以下结合具体的实施例子对上述方案做进一步说明，本专利技术的优选实施例详述如下：
[0041]实施例一：
[0042]在本实施例中，参见图1，一种结合点线特征的移动机器人定位方法，操作步骤如下：
[0043]a.安装设备与图像数据采集：
[0044]将双目相机传感器安装在机器人正上方，在机器人运动过程中通过双目相机拍摄图像，将图像传输到计算机进行处理；
[0045]b.对图片中的点特征和线特征进行提取与匹配：
[0046]输入图像后，对图像进行去畸变处理，然后提取和匹配图像中的点线特征；
[0047]c.计算点线特征的深度信息：
[0048]通过所述步骤b的点线特征匹配结果，计算环境中点线特征的深度信息；
[0049本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合点线特征的移动机器人定位方法，其特征在于，操作步骤如下：a.安装设备与图像数据采集：将双目相机传感器安装在机器人正上方，在机器人运动过程中通过双目相机拍摄图像，将图像传输到计算机进行处理；b.对图片中的点特征和线特征进行提取与匹配：输入图像后，对图像进行去畸变处理，然后提取和匹配图像中的点线特征；c.计算点线特征的深度信息：通过所述步骤b的点线特征匹配结果，计算环境中点线特征的深度信息；d.机器人位姿计算：通过在所述步骤c中计算的深度信息，对移动机器人运动位姿进行估算，最终实现移动机器人实时定位。2.根据权利要求1所述的基于点线特征的移动机器人定位方法，其特征在于：在所述的步骤a中，双目相机安装在机器人本体上，在机器人运动过程中，双目相机将采集到的图像传输到计算机中，同时计算机和机器人通过机器人操作系统ROS进行数据传输与指令发送，以此获得双目相机图像数据输入。3.根据权利要求1所述的基于点线特征的移动机器人定位方法，其特征在于：在所述的步骤b中，首先通过张正友标定法获得相机内参，对采集到的图片进行去除畸变处理；然后根据区域自适应ORB策略，对图像中的点特征进行提取，使得点特征的提取更加均匀，进行点特征进行提取方法分为如下步骤：(1)区域分割：均匀分割每张图片并标记，尺寸为A
×
B；(2)自适应阈值计算：检测每张图像的ORB特征，设特征的数量为n，则设置阈值T为：(3)区域点特征提取：如果该区域检测到的特征点数量少于T，不作任何处理；否则如果特征点数量大于T，按照ORB特征的顺序选取T个最优的点特征；然后使用BRIEF描述子对提取到的关键点进行描述，并使用快速最近邻搜索方法(FLANN)进行图像之间的特征匹配；最后采用LSD算法提取图像中的线特征，采用LBD描述子对所提取线段进行描述，并根据制定线特征匹配策略，完成线段特征的匹配工作；在所述的步骤b...

【专利技术属性】
技术研发人员：田应仲，李伟，李龙，
申请(专利权)人：上海大学，
类型：发明
国别省市：