在动态环境下基于深度学习的自主建图方法和系统技术方案

本发明专利技术涉及环境建图领域，公开了一种在动态环境下基于深度学习的自主建图方法和系统，自主建图方法包括：在有IMU数据初始估计的情况下将雷达点云与全局地图点云进行匹配，识别出雷达点云中的背景和运动物体；将当前的背景点云和运动物体点云通投影到全局地图后，用长方体框选出运动物体；将长方体框与移动机器人原点之间的运动物体点云删除；根据更新后全局地图点云的深度信息对物体轮廓信息进行目标提取，通过神经网络输出物体的检测结果；以移动机器人当前运动方向为分界线将待探测区域分成两块区域，计算两块区域中的全局地图点云密集程度，移动机器人向点云密度最低的区域移动。动。动。

【技术实现步骤摘要】
在动态环境下基于深度学习的自主建图方法和系统


[0001]本专利技术涉及环境建图领域，具体涉及一种在动态环境下基于深度学习的自主建图方法和系统。

技术介绍

[0002]在动态环境中，存在移动的物体，那么传统简单的稠密点云建图方法无法在物体离开原来位置时实时更新地图，原来的点云数据依旧保留，致使建立的点云地图失真；并且移动物体并不是属于地图环境的一部分，它会遮挡一部分背景环境信息，导致建立的地图信息不够完整。
[0003]传统建图方法的不足：
[0004]在传统建图方法中进行验证实验时，或是采用提前录制好的视频、IMU等数据并通过系统离线建图，或是通过人工驱动机器人在环境中反复采集数据后建立完整的地图。但上述方法中，机器人只是一个建图的工具，并没有体现机器人自主探索建图的能力。
[0005]计算机视觉检测根据任务的不同，通常可以划分为图像分类、目标检测、语义分割及实例分割四大不同方向。目标检测任务更加注重对整张图像的描述，预测出图像中全部有用目标的类别，并将感兴趣的目标在图像背景中标定出位置。目标检测一般分为物体定位和物体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在动态环境下基于深度学习的自主建图方法，通过移动机器人上安装的IMU设备获取IMU数据、通过移动机器人上安装的激光雷达设备获得雷达点云数据，动态环境包括背景和物体，物体包括静态物体和运动物体；自主建图方法包括以下步骤：步骤一：在有IMU数据初始估计的情况下将雷达点云与全局地图点云进行匹配，得到具有转换矩阵的匹配结果，识别出雷达点云中的背景点云和运动物体点云；步骤二：将当前的背景点云和运动物体点云通过匹配结果中的转换矩阵投影到全局地图后，用最小的长方体框选出运动物体；将长方体框与移动机器人原点之间的全局地图点云删除；新的长方体框位于旧的长方体框与移动机器人原点之间时，如果两个长方体框内的物体不是同一个运动物体，则将旧的长方体框的全局地图点云删除；实现动态环境下全局地图点云的更新；步骤三：根据更新后全局地图点云的深度信息对物体轮廓信息进行目标提取；对目标提取的结果进行降采样，将得到的向量输入至预训练的神经网络中，输出物体的检测结果，得到带有物体信息的全局地图点云；步骤四：以移动机器人当前运动方向为分界线将待探测区域分成两块区域，计算两块区域中的全局地图点云密集程度；当两块区域中一个或者全部的全局地图点云密集程度小于设定值时，移动机器人向全局地图点云密集程度最低的区域移动，再通过步骤一、步骤二对全局地图点云进行更新。2.根据权利要求1所述的在动态环境下基于深度学习的自主建图方法，其特征在于，步骤一中将雷达点云与全局地图点云进行匹配得到具有转换矩阵的匹配结果时，包括以下步骤：步骤11：初始化旋转矩阵R和位移分量t：R＝R
imu
，t＝t
imu
；其中R
imu
为在IMU数据中得到的旋转矩阵，t
imu
为在IMU数据中得到的位移分量；步骤12：通过旋转矩阵R和位移分量t将雷达点云P＝{p
i
，i＝1，2，...，n}投影到全局地图，得到转换点云P
′
＝{p
′
i
，i＝1，2，...，n}，其中p
′
i
＝Rp
i
+t；步骤13：为每个转换点云p
′
i
遍历全局地图点云Q＝{q
j
，j＝1，2，...，m}，在全局地图点云中找到距离p
′
i
最近的全局地图点云q
′
j
，并组成点对(p
′
i
，q
′
j
)；步骤14：舍弃步骤13中p
′
i
与q
′
j
欧式距离最大的20％的点对后，结合DLT算法计算出新的旋转矩阵R
′
和位移分量t
′
；步骤15：对比旧的位姿参数(R，t)与新的位姿参数(R
′
，t
′
)，判断两者的差值是否小于设定值；如是，使R＝R
′
，t＝t
′
，进行步骤16；如否，使R＝R
′
，t＝t
′
，重新运行步骤12至步骤15；步...

【专利技术属性】
技术研发人员：秦家虎，李鑫，李恒，刘轻尘，马麒超，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：