一种自主探索式语义地图构建方法及系统技术方案

本发明专利技术公开了一种自主探索式语义地图构建方法及系统，基于改进快速扩展随机树的机器人自主探索算法来对未知环境进行自主探索，在探索过程中分别使用全局随机树与局部随机树进行全局前沿点检测与局部前沿点检测；在获得前沿点后对其进行聚类，选择收益最大的前沿点作为最优目标点，控制机器人沿最优路径到达最优目标点；在机器人移动过程中采集当前场景的图像序列并不断更新机器人位置，当最优目标点发生变化则重新规划路径并控制机器人到达新的最优目标点；将机器人自主探索过程中采集的RGB图像进行语义分割，并结合其对应的深度图一同作为语义地图构建系统的输入，从而完成自主语义地图构建任务，提高机器人的自主性和智能性。能性。能性。

【技术实现步骤摘要】
一种自主探索式语义地图构建方法及系统


[0001]本专利技术涉及移动机器人室内导航
，具体为一种自主探索式语义地图构建方法及系统。

技术介绍

[0002]机器人技术作为未来高新技术的代表，不仅是传统制造产业升级的关键，也是新兴产业发展的基石，对于推动智能制造、提高生产效率和改善民生具有重要意义。其中，移动机器人以其较高的自主性和智能性引起了众多学者的关注，但目标场景地图构建仍是移动机器人自主导航的重要研究内容，而具有语义信息的高精度点云地图，对移动机器人在未知环境进行自主导航具有重要应用价值。
[0003]移动机器人在没有任何先验信息的未知环境中运动，通过激光或者视觉传感器获取周围环境结构信息，同时完成自身定位和未知环境的地图构建，即同时定位和地图构建技术(Simultaneous Localization and Mapping,SLAM)。移动机器人可以利用SLAM算法精确估计自身位置，并理解环境中的几何结构信息，但却无法获得空间中存在的物体属性等信息，从而难以充分理解场景信息。随着机器人应用场景的广泛化和其任务要求的复杂化，需要机器人具有类似人类的场景理解能力，从而代替人类完成复杂任务。常见的场景感知方法有：图像分类、目标识别和语义分割，语义分割作为一种像素级的场景理解方法，可以对目标场景进行细致的解释。并且，随着深度学习技术在图像感知领域的快速发展，尤其是卷积神经网络(Convolutional Neural Network,CNN)的成就，使得大批学者开始将深度学习应用于语义分割并与SLAM技术相结合，从而建立起物体语义信息与几何地图模型间准确的映射关系。
[0004]但是随着机器人的智能化水平逐渐提高，设计一种地图构建方法，使机器人能够按照其自身意愿自主行动、自主规划路线，从而完成对未知环境的建图任务，以替代现有手动控制的方式指导机器人建图。因此，自主探索式语义地图构建技术的研究，具有重要的理论意义及广阔的应用前景。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提供一种自主探索式语义地图构建方法，将移动机器人自主探索算法应用于三维语义地图构建算法中，能够摆脱认为控制实现自主构建目标场景的三维语义地图。
[0006]本专利技术是通过以下技术方案来实现：
[0007]一种自主探索式语义地图构建方法，包括以下步骤：
[0008]步骤1、基于改进快速扩展随机树的移动机器人自主探索算法对未知环境进行自主探索，以获取目标场景的前沿点；
[0009]步骤2、在获得前沿点后对其进行聚类，计算各前沿点位置与机器人位置间的收益，选择收益最大的前沿点作为最优目标点；
[0010]步骤3、建立机器人到达最优目标点的最优路径，并在机器人沿最优路径的运动过程中持续更新机器人的位置；
[0011]步骤4、采集机器人根据最优路径到达目标点过程中的场景图像序列；
[0012]步骤5、采用训练好的图像语义分割网络对采集的图像进行语义分割；
[0013]步骤6、根据分割后带有语义信息的图像及对应的深度图构建环境的三维语义地图。
[0014]优选的，步骤1中基于改进快速扩展随机树的移动机器人自主探索算法的自主探索如下：
[0015]使用全局随机树与局部随机树进行全局前沿点检测与局部前沿点检测，全局随机树以机器人起始位置为根节点不断向外扩张，并且在整个探索过程中不会被销毁；
[0016]所述局部随机树以机器人当前位置为根节点向外扩张，找到一个目标点后整个局部随机树会销毁，并在机器人到达目标点后再以机器人的当前位置为根节点向外扩张；同时，在随机树生长过程中如果遇到障碍物，继续保持向该方向的生长策略，在生长过程中采用变步长的生长方式，随探索的进程逐渐调整生长步长。
[0017]优选的，所述步长的表达式如下：
[0018][0019]其中，λ表示阈值范围，可根据不同的实验环境选择不同的阈值；M
area
表示激光雷达探测的二维占据栅格地图的区域。
[0020]优选的，所述收益R的表达式如下所示：
[0021]R(x
fp
)＝λh(x
fp
,x
r
)I(x
fp
)
‑
N(x
fp
)
[0022][0023]其中，R表示每个前沿点的收益，R值最大的前沿点则为移动机器人下一步要到达的最优目标点；λ为一个权重系数，它的作用是使信息增益在计算中占更大比例；x
fp
表示聚类后的第fp个前沿点的位置；x
r
表示当前机器人的位置；I(x)表示前沿点x
fp
处的信息增益，其定义为在前沿点x
fp
处预期探索到的未知区域大小，计算方式为以点x
fp
为圆心，计算在给定半径的圆形区域内未知单元格的数量；N(x)表示导航路径成本，表示机器人移动到前沿点x
fp
处所消耗的路径成本；h(x)是根据前沿点x
fp
到机器人当前位置x
r
的距离设定增益系数。
[0024]优选的，步骤3所述最优路径的规范方法如下：
[0025]采用A*算法确定最优路径，控制机器人沿最优路径到达最优目标点；
[0026]在机器人向最优目标点运动过程中，不断更新机器人当前位置，当最优目标点发生变化，则更新规划路径使机器人向新的最优目标点进行探索。
[0027]优选的，步骤4中使用机器人自身携带的深度相机采集机器人移动过程中场景的RGB
‑
D图像序列，RGB
‑
D图像序列包括RGB图像及对应的深度图。
[0028]优选的，步骤5中采用DeepLab V3+语义分割网络对RGB
‑
D图像进行语义分割。
[0029]优选的，步骤6中将分割后的图像及对应的深度图作为SLAM系统的输入，使用递归
贝叶斯更新点云标签分布概率，将语义信息添加到对应的点云标签上，得到环境的三维语义地图。
[0030]一种自主探索式语义地图构建方法的系统，该系统运行时执行自主探索式语义地图构建方法。
[0031]与现有技术相比，本专利技术具有以下有益的技术效果：
[0032]本专利技术公开了一种自主探索式语义地图构建方法及系统，基于改进快速扩展随机树算法的移动机器人自主探索算法对未知环境进行探索；改进的RRT算法用在移动机器人自主探索中，提高了移动机器人探索的速度，使其能在复杂环境中对目标场景进行高效的探索；在移动机器人自主探索过程中，通过其自身携带的深度相机采集环境信息；使用训练好的图像语义分割网络对采集的图像进行语义分割；将分割后带有语义信息的图像及对应的深度图作为SLAM系统的输入，获得环境的三维语义地图，从而完成自主语义地图构建任务。该方法将移动机器人自主探索算法与基于深度学习的语义地图构建算法相结合，使机器人能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自主探索式语义地图构建方法，其特征在于，包括以下步骤：步骤1、基于改进快速扩展随机树的移动机器人自主探索算法对未知环境进行自主探索，以获取目标场景的前沿点；步骤2、在获得前沿点后对其进行聚类，计算各前沿点位置与机器人位置间的收益，选择收益最大的前沿点作为最优目标点；步骤3、建立机器人到达最优目标点的最优路径，并在机器人沿最优路径的运动过程中持续更新机器人的位置；步骤4、采集机器人根据最优路径到达目标点过程中的场景图像序列；步骤5、采用训练好的图像语义分割网络对采集的图像进行语义分割；步骤6、根据分割后带有语义信息的图像及对应的深度图构建环境的三维语义地图。2.根据权利要求1所述的一种自主探索式语义地图构建方法，其特征在于，步骤1中基于改进快速扩展随机树的移动机器人自主探索算法的自主探索如下：使用全局随机树与局部随机树进行全局前沿点检测与局部前沿点检测，全局随机树以机器人起始位置为根节点不断向外扩张，并且在整个探索过程中不会被销毁；所述局部随机树以机器人当前位置为根节点向外扩张，找到一个目标点后整个局部随机树会销毁，并在机器人到达目标点后再以机器人的当前位置为根节点向外扩张；同时，在随机树生长过程中如果遇到障碍物，继续保持向该方向的生长策略，在生长过程中采用变步长的生长方式，随探索的进程逐渐调整生长步长。3.根据权利要求2所述的一种自主探索式语义地图构建方法，其特征在于，所述步长的表达式如下：其中，λ表示阈值范围；M
area
表示激光雷达探测的二维占据栅格地图的区域。4.根据权利要求3所述的一种自主探索式语义地图构建方法，其特征在于，所述收益R的表达式如下所示：R(x
fp
)＝λh(x
fp
,x
r
)I(x
fp
...

【专利技术属性】
技术研发人员：辛菁，冯佳乐，刘丁，岳鹏宇，思荣轩，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：