面向低通信带宽下远程操控的操控端建图方法技术

本发明专利技术公开了一种面向低通信带宽下远程操控的操控端建图方法，机器人端通过同步定位与建图算法进行同步定位与建图，并使用双缓存八叉树维护前后两帧子地图以求取增量点云；增量点云经过编码压缩后，与同步定位与建图算法输出的机器人位姿一同发送至操控端；操控端进行增量点云重建得到3D点云地图，通过地图质量评估与反馈模块评估建图质量并反馈至机器人端，从而自适应地调整增量点云求取参数。本发明专利技术以操控端使用增量点云重建三维地图的方式，大大降低了人机协同远程操控系统的通信带宽要求；在操控端生成三维地图，又极大地减轻了操控人员的操控负担，提高了操控人员的操控准确度。确度。确度。

【技术实现步骤摘要】
面向低通信带宽下远程操控的操控端建图方法


[0001]本专利技术属于人机协同
，尤其是一种面向低通信带宽下远程操控的操控端建图方法。

技术介绍

[0002]对于人机协同远程操控系统，为便于操控人员观察机器人周围环境、减轻操纵人员负荷，通常会将机器人端采集的图像等传感器数据发送至操控端。其中，如果操控端能够获取到激光雷达点云数据，对于人机协同远程操控系统有多方面的好处。一方面，其他传感器数据在某些场景下会失效，如在室内无光照情况下或地下空间，通过相机采集的图像往往漆黑一片，操控人员无法通过相机判断机器人周围情况，而通过激光点云构建三维点云地图则不受光照条件等影响；另一方面，三维点云地图能更直观地反映机器人周围环境情况，减轻操控人员的操控负担，提高操控人员的操控准确度。
[0003]然而，由于点云数据量十分庞大，目前的人机协同远程操控系统往往只是将压缩后的图像数据传输至操控端，而并没有向操控端传输点云数据，尤其是在低通信带宽条件下，点云数据传输至操控端变得更加遥不可及。
[0004]一些多机协同系统中选择在机器人之间、机器人与基站之间传输点云数据。文献“Complementary multi
–
modal sensor fusion for resilient robot pose estimation in subterranean environments”利用DRACO算法压缩单个点云因子图至2MB左右，并将点云因子图发送到基站执行全局优化；文献“LOCUS 2.0:Robust and computationally efficient lidar odometry for real
‑
time underground 3D mapping”对点云关键帧进行体素栅格下采样后传送到其他机器人与基站；田栢苓等人提出的卫星拒止环境下多无人机分布式协同定位与建图方法(授权公告号：CN115166686A)在多个无人机间相互发送点云特征。这些方法主要用于多机协同系统中点云数据在各机器人以及基站之间的传输，且强调的是各机器人位姿的优化问题。另外，这些方法要么没有进行点云数据压缩，要么点云数据压缩算法不够高效，例如，即使帧率为1帧/s，DRACO算法压缩单个点云因子图至2MB左右也需要2MB/s的传输带宽，体素栅格下采样在多帧之间也会积累很多重复冗余点，点云数据的传输仍然会占用极大的带宽，如果再加上图像等数据，整个传输链路将变得不堪重负，这在低通信带宽条件下是不可行的。
[0005]综上所述，在低通信带宽条件下，操控端构建三维点云地图具有重要的意义，但目前还存在诸多技术问题。

技术实现思路

[0006]为了解决现有技术中的上述技术缺陷，本专利技术提出了一种面向低通信带宽下远程操控的操控端建图方法。
[0007]实现本专利技术目的的技术方案为：一种面向低通信带宽下远程操控的操控端建图方法，包括如下步骤：
[0008]S1：机器人端获取多传感器数据，通过同步定位与建图算法实时解算机器人在全局坐标系下的位姿，并维护一个全局坐标系下的地图；
[0009]S2：机器人端通过增量点云获取算法得到增量点云，对增量点云编码压缩，并与机器人当前位姿一同发送至操控端；
[0010]S3：操控端解码增量点云，创建三维点云地图，执行地图质量评估与反馈模块，评估建图质量并反馈至机器人端。
[0011]优选地，机器人端获取多传感器数据，通过同步定位与建图算法实时解算机器人在全局坐标系下的位姿，并维护一个全局坐标系下的地图的具体方法为：
[0012]S11：以激光雷达起始位姿作为全局坐标系位姿
[0013]S12：第k时刻，无人车端实时采集激光点云数据P
k
与IMU数据I
k
，并通过标定参数将IMU数据转换到激光雷达坐标系下的到激光雷达坐标系下的IMU数据I
′
k
；
[0014]S13：第k时刻，激光点云数据P
k
与IMU数据I
′
k
通过迭代卡尔曼滤波器框架融合计算激光惯性里程计，得到激光雷达第k时刻在全局坐标系下的位姿
[0015]S14：第k时刻，激光雷达坐标系下的激光点云数据P
k
根据T
k
转换到全局坐标系下，得到全局坐标系下激光点云数据
[0016]S15：第k时刻全局坐标系下激光点云数据叠加到第k
‑
1时刻的全局地图Q
k
‑1上，得到第k时刻的全局地图Q
k
。
[0017]优选地，机器人端通过增量点云获取算法得到增量点云具体包括以下步骤：
[0018]S21：设定增量点云获取算法相关参数，包括八叉树分辨率r、点云视场角α；
[0019]S22：每一时刻从当前全局地图中截取机器人正前方[
‑
α，α]范围内的子地图；
[0020]S23：利用分辨率为r的双缓存八叉树组织第k时刻与第k+1时刻的子地图，通过双缓存区进行异或操作得到两子地图的差异，即第k+1时刻的增量点云。
[0021]优选地，S21步骤中，设定增量点云获取算法相关参数时，初始参数通过配置文件设定，之后通过操控端的反馈结果自适应调整相关参数，进而动态控制增量点云的数量。
[0022]优选地，S3步骤中，创建三维点云地图的过程是在操控端进行，具体通过全局坐标系下的多帧增量点云直接叠加得到与机器人端同步的三维点云地图。
[0023]优选地，执行地图质量评估与反馈模块，评估建图质量的具体方法为：
[0024]S31：初始化相关参数，包括执行帧率f、局部子地图半径R、地图密度因子最小阈值M
min
与最大阈值M
max
、八叉树分辨率调整系数Δr、点云视场角调整系数Δα；
[0025]S32：每间隔f帧，操控端对半径R范围内的局部子地图进行统计，包括子地图中点云数量n和每个点与最近邻域点的距离d
i
；
[0026]S33：计算点云地图密度因子
[0027]S34：若满足M＞M
max
，则点云地图质量较差，调整八叉树分辨率为r＝r
‑
Δr,调整点云视场角为α＝α+Δα；
[0028]S35：若满足M＜M
min
，则点云地图较稠密，调整八叉树分辨率为r＝r+Δr,调整点云视场角为α＝α
‑
Δα；
[0029]S36：将调整后的参数发送至机器人端进行反馈。
[0030]本专利技术与现有技术相比，其显著优点为：
[0031]1、本专利技术开创性地在人机协同远程操控系统中使用增量点云传输技术，大大降低了人机协同远程操控系统的通信带宽要求；
[0032]2、本专利技术在机器人端与操控端同步建图，减轻了操控人员的操控负担，提高了操控人员的操控准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向低通信带宽下远程操控的操控端建图方法，其特征在于，包括如下步骤：S1：机器人端获取多传感器数据，通过同步定位与建图算法实时解算机器人在全局坐标系下的位姿，并维护一个全局坐标系下的地图；S2：机器人端通过增量点云获取算法得到增量点云，对增量点云编码压缩，并与机器人当前位姿一同发送至操控端；S3：操控端解码增量点云，创建三维点云地图，执行地图质量评估与反馈模块，评估建图质量并反馈至机器人端。2.根据权利要求1所述的面向低通信带宽下远程操控的操控端建图方法，其特征在于，机器人端获取多传感器数据，通过同步定位与建图算法实时解算机器人在全局坐标系下的位姿，并维护一个全局坐标系下的地图的具体方法为：S11：以激光雷达起始位姿作为全局坐标系位姿S12：第k时刻，无人车端实时采集激光点云数据P
k
与IMU数据I
k
，并通过标定参数将IMU数据转换到激光雷达坐标系下的到激光雷达坐标系下的IMU数据I
′
k
；S13：第k时刻，激光点云数据P
k
与IMU数据I
′
k
通过迭代卡尔曼滤波器框架融合计算激光惯性里程计，得到激光雷达第k时刻在全局坐标系下的位姿S14：第k时刻，激光雷达坐标系下的激光点云数据P
k
根据T
k
转换到全局坐标系下，得到全局坐标系下激光点云数据S15：第k时刻全局坐标系下激光点云数据叠加到第k
‑
1时刻的全局地图Q
k
‑1上，得到第k时刻的全局地图Q
k
。3.根据权利要求1所述的面向低通信带宽下远程操控的操控端建图方法，其特征在于，机器人端通过增量点云获取算法得到增量点云具体包括以下步骤：S21：设定增量点云获取算法...

【专利技术属性】
技术研发人员：任明武，孙苏军，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：