一种用于割草机器人的轻量级语义地图构建方法及系统技术方案

一种用于割草机器人的轻量级语义地图构建方法，包括：设计一种轻量级语义SLAM方法，使用RGB相机识别目标，并使用深度相机测量深度信息，进而对目标进行语义提取和三维位置估计；建立语义地图和拓扑地图，将两者提取的信息融合一起，融合图为目标搜索提供目标位置信息，并利用相机采集的信息不断对地图进行更新；基于卡尔曼滤波对GPS提供的位置信息和IMU获取的位姿数据进行融合定位，精准确定割草机器人自身位置；采用随机探索树对割草机器人的工作区域进行探索；采用无监督区域划分方法将割草机器人的工作区域划分为多个子区域；对环境进行圈定，并将目标离子区域中心距离的远近，归属于某个子区域，提高目标搜索任务的性能。能。能。

【技术实现步骤摘要】
一种用于割草机器人的轻量级语义地图构建方法及系统


[0001]本专利技术属于园林机械及人工智能
，具体涉及一种用于割草机器人的轻量级语义地图构建方法及系统。

技术介绍

[0002]在园林机械及人工智能
，传统的割草机器人在进行割草、修剪草坪和清除杂草等任务时，通常是基于预设的固定路径运行，这种方法需要先前的草坪地图和人工干预来适应草坪上的静态障碍物，其感知能力有限且不能动态地适应环境变化。为了使得割草机器人在工作时更好地适应环境变化，语义地图被广泛应用于割草机器人导航和路径规划中，它是一种描述环境的表示方式，可以包含环境中的物体、位置、边界、路标等信息。然而，如果割草机器人工作在有许多动态障碍和目标的环境中，静态语义映射可能会使得割草机器人表现很差。此外，传感系统是割草机器人感知环境的重要组成部分，主要用来获取环境的物理量和信息。因此，如何将传感系统和语义地图相结合，实现割草机器人在环境变化时动态更新地图，是当前割草机器人领域的一个重要问题。因此，研究者提出了基于视觉和深度传感器的语义地图构建方法来增强割草机器人在半结构化草地环境中的自适应性。
[0003]然而，这些方法通常需要高性能计算资源和大量监督数据。因此，需要一种轻量级的语义地图构建方法，以提高割草机器人的适应性和性能。针对割草机器人语义地图动态更新的问题，本专利技术提出一种轻量级语义地图构建方法及系统。该系统基于卡尔曼滤波器将GPS提供的位置信息与IMU获取的位姿信息融合，进一步提高割草机器人定位精度和自身稳定性，并通过轻量级的语义地图构建算法，减少了大量的资源和数据计算时间。同时，该系统还引入动态更新机制，可以实时更新语义地图以适应环境变化。具体来说，该方法包括以下步骤：首先，使用RGB相机识别目标，并使用深度相机测量深度信息，进而对目标进行语义提取和三维位置估计；其次，建立语义地图和拓扑地图，将两者提取的信息融合一起，融合图为目标搜索提供目标位置信息，并利用相机采集的信息不断对地图进行更新；接着，基于卡尔曼滤波对多传感器进行信息融合，精准确定割草机器人自身位置；最后，通过对机器人运动轨迹的分析和融合地图的划分与更新，优化地图精度，提高机器人的导航和路径规划能力，快速对目标进行搜索。这种方法通过将多个传感器的信息和图像信息进行融合处理，更好地适应环境变化，进一步提高机器人的导航和路径规划能力，具有广泛的应用前景。

技术实现思路

[0004]本专利技术要克服现有技术的上述缺点，提供一种用于割草机器人的轻量级语义地图构建方法及系统。本专利技术使用无监督区域划分方法建立目标对环境子区域的归属，以实现割草机器人更好地适应动态更新的半结构化草地环境。
[0005]一种用于割草机器人的轻量级语义地图构建方法，具体流程步骤如下：
[0006]S1、设计一种轻量级语义SLAM方法，使用RGB相机识别目标，并使用深度相机测量深度信息，进而对目标进行语义提取和三维位置估计；
[0007]S2、建立语义地图和拓扑地图，将两者提取的信息融合一起，融合图为目标搜索提供目标位置信息，并利用相机采集的信息不断对地图进行更新；
[0008]S3、基于卡尔曼滤波对GPS提供的位置信息和IMU获取的位姿数据进行融合定位，精准确定割草机器人自身位置；
[0009]S4、采用随机探索树对割草机器人的工作区域进行探索；
[0010]S5、采用无监督区域划分方法将割草机器人的工作区域划分为多个子区域；
[0011]S6、对环境进行圈定，并将目标离子区域中心距离的远近，归属于某个子区域，提高目标搜索任务的性能。
[0012]进一步地，所述步骤S1具体包括：
[0013]S11：使用RGB相机进行图像目标的识别，捕获当前环境的RGB数据，并使用目标检测算法对其进行识别；
[0014]S12：使用深度相机确定目标深度信息，深度信息被捕获用于三维定位；
[0015]S13：获取环境模型中二维语义目标的三维坐标步骤如下：将像素平面坐标映射到成像平面，引入以下坐标变换公式得到：
[0016][0017]式中(u,v,1)为目标在像素参考系统中的平齐坐标，u0和v0为像素坐标系原点到光轴的平移量，Z
c
为深度相机测量的深度信息，f
x
和f
y
分别为相机在x和y方向上的焦距，X
c
和Y
c
为目标在相机坐标系下的二维坐标；
[0018]S14：通过坐标变换将目标的三维坐标转换为机器人坐标系下坐标的步骤如下：
[0019][0020]其中旋转矩阵R和平移矩阵T表示相机坐标与机器人坐标的旋转和平移变换关系，X
r
、Y
r
和Z
r
为目标在机器人坐标系下的三维坐标。
[0021]进一步地，所述的步骤S2具体包括：
[0022]S21：将获取的重要语义信息和获取目标区域的空间信息融合在一起；
[0023]S22：在标记经常出现的区域时，机器人可以通过学习历史数据来识别这些区域，并在地图上自动标记出来；
[0024]S23：利用相机采集的环境信息，对融合图进行自动更新。
[0025]进一步地，所述的步骤S3具体包括：
[0026]S31：GPS提供的位置信息可能受到多种因素的影响，需要先进行数据预处理和校正，去除误差和偏差；
[0027]S32：IMU获取加速度和角速度等位姿信息，需要先进行预处理和校准，去除噪声和偏差；
[0028]S33：通过卡尔曼滤波算法，将GPS和IMU测量并经过预处理的位置和位姿信息进行
融合，得到更准确和可靠的机器人位置信息和状态信息。
[0029]割草机器人在k时刻的位置L(k)，速度为V(k)，加速度A(k)，GPS测量的位置为Z1(k)，IMU测量的位姿信息为Z2(k)，状态向量为X(k)＝[L(k),V(k),A(k)]，观测向量为Z(k)＝[Z1(k),Z2(k)]。
[0030]状态方程和观测方程可以分别表示为：
[0031]X(k+1)＝AX(k)+Bu(k)+w(k)
ꢀꢀꢀꢀ
(3)
[0032]Z(k)＝HX(k)+v(k)
ꢀꢀꢀꢀꢀꢀ
(4)
[0033]其中，A、B、H为系数矩阵，w、v为噪声向量，假设噪声满足高斯分布，协方差矩阵分别为Q和R。
[0034]在卡尔曼滤波算法中，首先进行预测步骤，根据状态方程和观测方程预测割草机器人的状态向量和协方差矩阵：
[0035]X(l+1|k)＝AX(k|k)+Bu(k)
ꢀꢀꢀꢀꢀ
(5)
[0036]P(k+1|k)＝AP(k|k)A
T
+Q
ꢀꢀꢀꢀꢀꢀ
(6)
[0037]其中，X(k|k)表示时刻k的状态向量的后验估计值，P(k|k)表示时刻k的协方差矩阵的后验估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于割草机器人的轻量级语义地图构建方法，包括如下步骤：S1、设计一种轻量级语义SLAM方法，使用RGB相机识别目标，并使用深度相机测量深度信息，进而对目标进行语义提取和三维位置估计；S2、建立语义地图和拓扑地图，将两者提取的信息融合一起，融合图为目标搜索提供目标位置信息，并利用相机采集的信息不断对地图进行更新；S3、基于卡尔曼滤波对GPS提供的位置信息和IMU获取的位姿数据进行融合定位，精准确定割草机器人自身位置；S4、采用随机探索树对割草机器人的工作区域进行探索；S5、采用无监督区域划分方法将割草机器人的工作区域划分为多个子区域；S6、对环境进行圈定，并将目标离子区域中心距离的远近，归属于某个子区域，提高目标搜索任务的性能。2.如权利要求1所述的一种用于割草机器人的轻量级语义地图构建方法，其特征在于：步骤S1具体包括：S11：使用RGB相机进行图像目标的识别，捕获当前环境的RGB数据，并使用目标检测算法对其进行识别；S12：使用深度相机确定目标深度信息，深度信息被捕获用于三维定位；S13：获取环境模型中二维语义目标的三维坐标步骤如下：将像素平面坐标映射到成像平面，引入以下坐标变换公式得到：式中(u,v,1)为目标在像素参考系统中的平齐坐标，u0和v0为像素坐标系原点到光轴的平移量，Z
c
为深度相机测量的深度信息，f
x
和f
y
分别为相机在x和y方向上的焦距，X
c
和Y
c
为目标在相机坐标系下的二维坐标；S14：通过坐标变换将目标的三维坐标转换为机器人坐标系下坐标的步骤如下：其中旋转矩阵R和平移矩阵T表示相机坐标与机器人坐标的旋转和平移变换关系，X
r
、Y
r
和Z
r
为目标在机器人坐标系下的三维坐标。3.如权利要求1所述的一种用于割草机器人的轻量级语义地图构建方法，其特征在于：所述的步骤S2具体包括：S21：将获取的重要语义信息和获取目标区域的空间信息融合在一起；S22：在标记经常出现的区域时，机器人可以通过学习历史数据来识别这些区域，并在地图上自动标记出来；S23：利用相机采集的环境信息，对融合图进行自动更新。4.如权利要求1所述的一种用于割草机器人的轻量级语义地图构建方法，其特征在于：所述的步骤S3具体包括：S31：GPS提供的位置信息可能受到多种因素的影响，需要先进行数据预处理和校正，去
除误差和偏差；S32：IMU获取加速度和角速度等位姿信息，需要先进行预处理和校准，去除噪声和偏差；S33：通过卡尔曼滤波算法，将GPS和IMU测量并经过预处理的位置和位姿信息进行融合，得到更准确和可靠的机器人位置信息和状态信息。5.如权利要求4所述的一种用于割草机器人的轻量级语义地图构建方法，其特征在于：步骤S33具体包括：割草机器人在k时刻的位置L(k)，速度为V(k)，加速度A(k)，GPS测量的位置为Z1(k)，IMU测量的位姿信息为Z2(k)，状态向量为X(k)＝[L(k)，V(k)，A(k)]，观测向量为Z(k)＝[Z1(k)，Z2(k)]；状态方程和观测方程可以分别表示为：X(k+1)＝AX(k)+Bu(k)+w(k)
ꢀꢀꢀꢀꢀꢀ
(3)Z(k)＝HX(k)+v(k)
ꢀꢀꢀꢀꢀꢀꢀ
(4)其中，A、B、H为系数矩阵，w、v为噪声向量，假设噪声满足高斯分布，协方差矩阵分别为Q...

【专利技术属性】
技术研发人员：应阔，付明磊，应逸恒，应鑫森，黄理，孙亮亮，刘华清，张文安，史秀纺，吴昌达，庄林强，黄细冬，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：