基于轮地相互作用的地形可通过性地图构建方法技术

一种基于轮地相互作用的地形可通过性地图构建方法，基于轮地相互作用构建视觉获取的地形分类信息与触觉特性的映射关系，设计基于视

【技术实现步骤摘要】
基于轮地相互作用的地形可通过性地图构建方法


[0001]本专利技术涉及轮式机器人室外环境感知与地图构建
，具体涉及一种基于轮地相互作用的地形可通过性地图构建方法。

技术介绍

[0002]轮式移动机器人在室外不同物理特性复合地形中的可通过性与前方障碍物的几何特性、地形特性、轮地接触特性和移动特性等均紧密相关。仅仅依靠视觉信息获取以上特性，地形可通过性评估结果较为保守，在某些欺骗性地形中极易发生评估错误。地形的接触特性与地形类别以及车轮运动状态相关，单纯依赖地形类别表征接触特性，无法反映运动状态的重要作用，同时也难以定量化评估可通过性。因此，需要将视觉得到的地形信息与基于轮地相互作用分析的触觉特性进行综合，基于轮地相互作用进行地形的可通过性评估，并建立矢量化的可通过性地图。
[0003]目前，国内外的地形评估使用单一的视觉传感器，而引入地形接触特性的研究，大多评价规则设计相对粗糙，未能定量分析，评估结果仍十分保守。因此，需要研究地形接触特性的新的表征形式，与几何、纹理等视觉信息获取的特征进行结合，实现对地形可通过性的综合评估以及可通过性地图的构建。

技术实现思路

[0004]本专利技术为了克服以上技术的不足，提供了一种综合视觉特性与接触特性的地形可通过性综合评估及地图构建方法。
[0005]本专利技术克服其技术问题所采用的技术方案是：
[0006]一种基于轮地相互作用的地形可通过性地图构建方法，包括：
[0007]a)以内聚力参数及剪切变形模量参数将硬质土壤等效为软质土壤，构建轮式机器人的轮地相互作用的预测模型[F
N
,F
DP
,F
S
,M
O
,M
R
,M
S
]T
＝F
terrain
(s,ω,β|P
S
,P
R
,P
T
,P
W
)，其中F
N
为轮式机器人车轮的法向力，F
DP
为轮式机器人车轮的挂钩牵引力，F
S
为轮式机器人车轮的侧向力，M
O
为轮式机器人车轮的翻转力矩，M
R
为轮式机器人车轮的前进阻力矩，M
S
为轮式机器人车轮的转向阻力矩，s为轮式机器人车轮的滑转率，ω为车轮转速，β为车轮侧偏角，P
S
为土壤物理力学特性参数，P
R
为轮式机器人车轮的运行状态参数，P
T
为地形角度参数，P
W
为车轮参数；
[0008]b)将轮式机器人车轮的实际滑转率s
′
、车轮转速ω
′
、车轮侧偏角β
′
输入到轮式机器人的轮地相互作用的预测模型[F
N
,F
DP
,F
S
,M
O
,M
R
,M
S
]T
＝F
terrain
(s,ω,β|P
S
,P
R
,P
T
,P
W
)中，输出得到轮式机器人的实际的车轮的法向力F
N
′
、车轮的挂钩牵引力F
D
′
P
、车轮的侧向力F
S
′
、车轮的翻转力矩M
′
O
、车轮的前进阻力矩M
′
R
和车轮的转向阻力矩M
S
′
，分别计算F
N
′
与F
N
的误差、F
D
′
P
与F
DP
的误差、F
S
′
与F
S
的误差、M
′
O
与M
O
的误差、M
′
R
与M
R
的误差、M
S
′
与M
S
的误差，构建不确定性的概率预测模型；
[0009]c)将轮式机器人的轮地相互作用的预测模型与不确定性的概率预测模型相结合，
得到包含模型不确定性的轮地作用概率预测模型ξ为不确定性的估计预测，ξ服从于CNP，CNP为深度高斯过程学习系统建模，m
te
为高斯函数的均值，k
te
为高斯函数的协方差函数；
[0010]d)利用视觉传感器获取机器人前方地面的土壤图像，将土壤图像基于图神经网络和卷积网络进行地形识别分类，将分类结果与土壤物理力学特性参数P
S
建立关联数组；
[0011]e)通过调用OpenCV库中的视觉图像处理函数，得到土壤图像的地形坡度S、崎岖度U、障碍物高度H信息，结合步骤c)中的轮地作用概率预测模型，建立基于视
‑
触觉特性的地形可通过性综合评估准则，得到单个栅格内的地形可通过性的评价指标T
dyn
；
[0012]f)将单个栅格内的地形可通过性的评价指标T
dyn
赋值到栅格地图的每一个栅格中，构建得到动态矢量化地图。
[0013]进一步的，步骤a)中通过封闭解析解耦模型构建轮地相互作用的预测模型。
[0014]进一步的，步骤d)中将土壤图像输入卷积神经网络CNN中提取图像特征，将提取的图像特征输入到图神经网络GNN中表征不同地形间的分布关系，将图像特征与分布关系共同输入到softmax分类器中，得到对土壤图像的地形的分类。
[0015]进一步的，步骤e)中通过公式T
grid
＝α1S
grid
+α2H
grid
+α3U
grid
计算得到地形可通过性的评估值T
grid
，通过公式T
update
(a)＝α4F
Ngrid
+α5F
DPgrid
+α6F
Sgrid
+α7M
Ogrid
+α8M
Rgrid
+α9M
Sgrid
计算得到具备矢量性的可通过性动态更新值T
update
(a)，式中α1、α2、α3、α4、α5、α6、α7、α8、α9均为权重，α1+α2+α3+α4+α5+α6+α7+α8+α9＝1，S
grid
为归一化后的土壤图像的地形坡度，H
grid
为归一化后的障碍物高度，U
grid
为归一化后的崎岖度，F
Ngrid
为归一化后的轮式机器人车轮的法向力，F
DPgrid
为归一化后的轮式机器人车轮的挂钩牵引力，F
Sgrid
为归一化后的轮本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轮地相互作用的地形可通过性地图构建方法，其特征在于，包括：a)以内聚力参数及剪切变形模量参数将硬质土壤等效为软质土壤，构建轮式机器人的轮地相互作用的预测模型[F
N
,F
DP
,F
S
,M
O
,M
R
,M
S
]
T
＝F
terrain
(s,ω,β|P
S
,P
R
,P
T
,P
W
)，其中F
N
为轮式机器人车轮的法向力，F
DP
为轮式机器人车轮的挂钩牵引力，F
S
为轮式机器人车轮的侧向力，M
O
为轮式机器人车轮的翻转力矩，M
R
为轮式机器人车轮的前进阻力矩，M
S
为轮式机器人车轮的转向阻力矩，s为轮式机器人车轮的滑转率，ω为车轮转速，β为车轮侧偏角，P
S
为土壤物理力学特性参数，P
R
为轮式机器人车轮的运行状态参数，P
T
为地形角度参数，P
W
为车轮参数；b)将轮式机器人车轮的实际滑转率s
′
、车轮转速ω
′
、车轮侧偏角β
′
输入到轮式机器人的轮地相互作用的预测模型[F
N
,F
DP
,F
S
,M
O
,M
R
,M
S
]
T
＝F
terrain
(s,ω,β|P
S
,P
R
,P
T
,P
W
)中，输出得到轮式机器人的实际的车轮的法向力F
′
N
、车轮的挂钩牵引力F
′
DP
、车轮的侧向力F
′
S
、车轮的翻转力矩M
′
O
、车轮的前进阻力矩M
′
R
和车轮的转向阻力矩M
′
S
，分别计算F
′
N
与F
N
的误差、F
′
DP
与F
DP
的误差、F
′
S
与F
S
的误差、M
′
O
与M
O
的误差、M
′
R
与M
R
的误差、M
′
S
与M
S
的误差，构建不确定性的概率预测模型；c)将轮式机器人的轮地相互作用的预测模型与不确定性的概率预测模型相结合，得到包含模型不确定性的轮地作用概率预测模型ξ为不确...

【专利技术属性】
技术研发人员：陈超，舒明雷，王英龙，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：