【技术实现步骤摘要】
一种不同传感器数据的自适应多重融合SLAM方法
[0001]本专利技术属于移动机器人自主导航领域，具体是一种在未知室内环境下能充分利用不同传感器数据的自适应多重融合SLAM方法。
技术介绍
[0002]随着科学技术的进步，机器人得到了快速的发展。机器人技术从最初的工业生产，逐渐地向物流、会议和医疗等领域普及。移动机器人可以通过获取所处环境数据和自己在所处环境中的位置，自主地进行导航，因此在多个领域中得到了普遍的使用。随着传感器和人工智能技术的发展，移动机器人同时定位与建图(SLAM)方法成为了近些年移动机器人自主导航领域中研究的热点。
[0003]2D激光雷达由于成本较低、精度高、抗干扰能力强且实时性好，在SLAM中得到了广泛的应用。2D激光雷达SLAM目前存在激光点云配准计算量大、位姿估计累计误差大、闭环检测效果差、容易产生噪声和泄漏以及传感器数据利用不充分等问题。
[0004]当前已经有许多方法来解决移动机器人2D激光雷达SLAM问题，比如Gmapping算法、Karto算法和Hector算法等。Gmap...
【技术保护点】
【技术特征摘要】
1.一种不同传感器数据的自适应多重融合SLAM方法，其特征在于，具体为：首先，针对处于某未知室内环境中的，融合激光雷达、深度相机和若干传感器的移动机器人，获取其传感器数据并进行处理，同时提取到深度相机获得的图像特征，生成全局深度视觉信息和局部深度视觉信息；然后，利用改进的IMLS
‑
ICP算法将激光雷达数据、全局深度视觉信息和局部深度视觉信息进行点云匹配，生成点云地图，并利用改进的模糊自适应UKF算法进行数据融合，得到移动机器人的位姿；最后，对移动机器人的运动轨迹进行闭环检测，将机器人位姿、点云地图和闭环检测结果作为约束进行联合优化，得到移动机器人的路径地图；具体过程为：首先，将全局深度视觉信息中的描述符和联合优化后的位姿进行匹配，检测移动机器人的路径是否为一个闭合环，若是，则从点云配准中得到移动机器人的位姿变换，形成闭环约束，执行下一步；否则，继续搜索起始点位置，直至达到闭环约束；然后，利用高斯牛顿法的收敛性，将机器人位姿、点云地图和闭环检测结果作为约束进行联合优化，得到移动机器人的路径地图；优化函数的公式如下：其中，F(x
k
)是移动机器人状态量x
k
的损失函数；；G(x
k
)是位姿和地图的优化函数。2.根据权利要求1所述的一种不同传感器数据的自适应多重融合SLAM方法，其特征在于，所述的生成全局深度视觉信息的过程为：首先，获得深度相机的灰度图，并利用GCNv2神经网络对灰度图进行处理，生成特征图；然后，将特征图上的特征点进行均匀化处理；；最后，通过损失函数训练和二值描述分别对均匀化的特征点进行处理，生成特征点云和描述符并保存，作为全局深度视觉信息；；损失函数如下：L
det
＝L
ce
(o
cur
(x
cur
,0))+L
ce
(o
tar
(x
tar
,x
cur
))其中，(x
cur
,0)是特征点在当前帧的位置，(x
tar
,x
cur
)是x
cur
在目标帧中匹配的位置；L
ce
是加权交叉熵；o
cur
是当前帧的概率距离，o
tar
是目标帧的概率距离；二值描述公式如下：其中，b(x)是根据f(x)的值区分得到的特征值，f(x)是特征点的观察概率。3.根据权利要求1所述的一种不同传感器数据的自适应多重融合SLAM方法，其特征在于，所述的生成局部深度视觉信息的过程如下：首先，以2D激光雷达圆心为原点，利用IMU数据、深度相机平面投影与激光雷达二维坐
标的一致性，构建移动机器人的全局坐标系并得到IMU的观测数据；假设移动机器人做匀变速运动，在全局坐标系中，移动机器人的状态变量如下：上式中x
k
,y
k
,分别是移动机器人t
k
时刻在全局坐标系中的横坐标、纵坐标和航向角，v
k
和ω
k
分别是移动机器人t
k
时刻的线速度和角速度；利用全局坐标系，得到IMU的观测数据，由于IMU输出频率很高，[t
k
‑1,t
k
]时间段可分为n段，其公式如下：上式中和分别是移动机器人的角速度测量值和加速度测量值，和分别是移动机器人的角速度实际值和加速度实际值，和分别是陀螺仪偏差和加速度计偏差，n
g
和n
a
分别是采用高斯白噪声进行建模的IMU测量噪声；同时，获取深度相机数据，利用改进后的LPP算法提取深度相机获得的图像的局部特征；结合移动机器人运动一致性改进后的LPP算法公式如下：其中，i,j是全局坐标系中移动机器人经过的两...
【专利技术属性】
技术研发人员：于家斌，吴继光，陈志豪，赵峙尧，许继平，王立，孙茜，陈阳，陆阳，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。