【技术实现步骤摘要】
一种二维栅格地图融合方法及系统
[0001]本专利技术涉及机器人领域的地图融合方法，尤其涉及一种二维栅格地图融合方法及系统。
技术介绍
[0002]从机器人学的角度来看，地图允许机器人确定他们周围的世界是如何出现的。机器人可以凭借地图完成分配的任务并发现新的点。获取机器人可以执行其指定任务的地图之外，构建地图的持续时间在某些情况下也起着至关重要的作用，例如在灾难情况下的搜索和救援操作。这是因为，寻找被困的受害者或应用干预策略大多基于灾区当前的地图；因此，获取地图的持续时间必须尽可能快。在合成孔径雷达领域，一个常见的干预是由人类或训练有素的狗来完成的，以获得快速的效果。然而，当该地区含有核沉降物等危险废物时，这可能是危险的。因此，在这种情况下，机器人可以作为人类或训练有素的狗的替代品。很明显，在大规模区域内使用单个机器人进行干预是非常耗时的。因此，它一般是用一队机器人来完成的。因此，当使用机器人团队而不是单个团队时，映射和干预时间可以减少。然而，多机器人团队中最具挑战性的问题之一是每个机器人提供的部分地图的组合。
[0...
【技术保护点】
【技术特征摘要】
1.一种二维栅格地图融合方法，其特征在于，包括如下步骤：(1)构建地图，分别在不同区域的移动机器人，使用其搭载的激光雷达对当前的未知环境进行建图；完成参数配置并运行Gmapping节点，每个移动机器人建立当前环境的局部栅格地图；(2)移动机器人定位，在移动机器人移动过程中，采用基于KL距离KLD算法自适应调整粒子样本数量的自适应蒙特卡罗定位AMCL算法，实现机器人相对世界坐标系的位姿；移动机器人在定位建图结束后，得到两幅栅格地图；(3)提取特征点，并创建创建描述符；特征点提取采用尺度不变特征变换SIFT用于合并的局部地图，SIFT是寻找对缩放、旋转和光照不变的关键点或感兴趣点；(4)在两幅栅格地图的图像之间进行描述符的相互匹配，需要三对匹配特征来计算两个图像之间的变换或单应性矩阵；(5)对于多于三个对匹配特征，采用RANSAC算法可以用于计算单应性矩阵；(6)将根据单应性矩阵计算的变换应用于图像或图，然后相应地合并两个图。2.根据权利要求1所述的一种二维栅格地图融合方法，其特征在于，所述步骤(1)中局部栅格地图的建立包括以下步骤：(1.1)在栅格地图中，设栅格地图中的点Occupied状态的概率为p(s＝0)，Free状态的概率为p(s＝1)，p(s＝0)+p(s＝1)＝1，引入中间值表示栅格地图中点的状态；(1.2)对于栅格地图中一个点，当新测得一个测量值z～{0，1}，通过用公式更新状态odds(s)；式中p(s＝1|z)表示测量值z发生的情况下s＝1发生的概率，p(s＝0|z)表示测量值z发生的情况下s＝0发生的概率；根据贝叶斯公式：的概率，p(s＝0|z)表示测量值z发生的情况下s＝0发生的概率；根据贝叶斯公式：带入之后：两边取对数可得：测量值的模型为的选项只有lofree和looccu，激光雷达的对一个栅格观测结果只有两种：占据和空闲用logOdd(s)来表示栅格s的状态S的话，更新规则为：其中，S
+
和S
‑
分别表示测量值之后和之前栅格的状态；
一个栅格的初始状态S
init
为：默认栅格空闲和栅格占用的概率都为0.5；更新一个栅格的状态即为：S
+
＝S
‑
+lofree或S
+
＝S
‑
+looccu(1.3)假设lofree和looccu为确定的数值，即一正一负；通过激光雷达数据栅格进行判断：如果判定栅格是空闲，就执行S
+
＝S
‑
+lofree；如果判定栅格是占据，就执行S
+
＝S
‑
+looccu；在经过许多帧激光雷达数据的洗礼后，每一个栅格都存储了一个值，用设定阈值与栅格存储的值进行比较，来做栅格最终状态的判定。3.根据权利要求2所述的一种二维栅格地图融合方法，其特征在于，所述步骤(2)具体包括如下步骤：(2.1)建立地图：使用步骤(1)中生成的当前环境地图；(2.2)初始化粒子：将机器人的初始位置作为粒子集合的中心，随机生成一定数量的粒子，每个粒子的位置和方向都是随机的；(2.3)运动模型：根据机器人的运动数据，更新粒子的位置和方向；二维地图上的定位包括状态空间中机器人位置(x，y)和朝向角θ，MCL算法根据现有的数据估计机器人位姿的后验信息，可用的数据有两种类型，分别为测量数据和里程数据；采用里程计运动模型表示机器人运动p(x
i
|x
t
‑1，u
t
)，采用激光的似然域模型表示机器人感知p(z
i
|x
t
)，置信度η
bel
(x
i
|z
1：t
，u
1：t
)表示在t时刻综合所有过去的测量数据z
1：t
和控制数据u
1：t
的有关位姿x
t
的后验概率，表达式为：η
bel
(x
i
|z
1：t
，u
1：t
)
∝
p(z
i
|x
t
)
·
∫[p(x
i
|x
t
‑1，u
t
)
·
p(x
t
‑1|z
1：t
‑1，u
1：t
‑1)]dx
t
‑1式中：表示机器人在t时刻的估计位姿，当接收到里程信息时，通过运动模型采样更新x
t
；表示粒子的权重，当观察到新的测量数据时，根据测量模型给粒子加权；MCL通过一组加权的粒子表示后验，然而一旦位姿变化不连续，定位就会失败；为了提高定位精度，需要加入大量的粒子，这使得定位收敛速度变慢；(2.4)计算粒子权重：根据移动机器人传感器的测量数据，计算每个粒子的权重；AMCL算法是在MCL的基础上改进而来的，根据长期估计权重w
slow
和短期估计权重w
fast
判断机器人是否被绑架，若w
fast
劣于w
slow
，通过在重采样中增加随机粒子使机器人从绑架中恢复，表达式为式中，w
avg
表示所有粒子的平均权重，参数α
slow
和α
fast
分别为长期估计和短期估计时平均的指数滤波器的衰减率(0≤α
slow
≤α
fast
)；(2.5)KLD重采样：对粒子集合进行重采样，重采样后的粒子集合更加接近；AMCl重采样阶段采用KLD算法自适应调整粒子数量，粒子数量可表示为
式中，ε表示真实分布与估计分布之间的误差，z1‑
δ
表示标准正态分布上的1
‑
δ分位点，k表示直方图的非空位，粒子数量上限M
top
与非空位k呈线性关系；在全局定位的初始阶段，需要非常多的样本，k越大，M
top
越高；当全局定位完成后，该问题转化为位置跟踪问题，粒子集中在真实位置附近，k变得很少，M
top
降低；(2.6)更新机器人位置：根据KLD重采样后的粒子集合，计算机器人在地图上的位置和方向。4.根据权利要求3所述的一种二维栅格地图融合方法，其特征在于，所述步骤(3)具体包括如下步骤：(3.1)为处理后的图像构造一个尺度空间，是指先拍摄原始图像，然后从原始图像中逐步生成模糊图像；然后将原始图像调整到一半大小，再次生成模糊图像，不断重复；在数学上，通过将高斯算子卷积到图像像素来生成模糊图像：L(x，y；σ)＝G(x，y，σ)*I(x，y)其中I(x，y)和L分别是图像和模糊图像，G(x，y，σ)是高斯算子，x是y局部坐标，并且σ是比例参数，*表示卷积运算，高斯算子定义如下：(3.2)计算高斯差分DoG，根据两个连续量表的差值计算计算高斯差分D(x，y；σ)，如下所示：D(x，y；σ)＝(G(x，y，kσ)
‑
G(x，y，σ))*I(x，y)＝L(x，y，kσ)
‑
L(x，y，σ)(3.3)找到图像的关键点，首先在DoG图像中定位近似的局部最大值/最小值，为了找到近似的局部极值，将每个像素与其26个相邻像素进行比较；如果像素是其所有26个相邻像素中最大或最小的，则将其标记为“关键点”；通常，极值位于像素之间，并且在像素上不完全匹配；在这种情况下，极值仅是“近似的”，并且必须在数学上执行子像素极值搜索；使用D(x，y；σ)的泰勒展开，子像素极值计算如下：其中x＝[x，y；σ]
T
，并且在最后一个近似极值处计算D的导数；使用亚像素极值而不是近似极值作为关键点将增加匹配的几率和SIFT算法的稳定性；使用图像中的关键点及其比例，每个关键点的尺度与其对应的模糊图像的尺度相同，使得它们具有尺度不变性；(3.4)为每个关键点分配方向度量以提供方向不变性，为了将方向分配给关键点，关键点周围的所有像素的梯度幅度和方向计算如下：θ(x，y)＝tan
‑1((L(x，y+1)
‑
L(x，y
‑
1))/(L(x+1，y)
‑
L(x
‑
1，y)))使用计算得到的幅度和方向创建具有36个箱每个10度的直方图，直方图的数量与幅度
成正比，所创建的直方图将在某些点处具有峰值，对应的仓指示可分配给关键点的方向，实现方向不变性；(3.5)为每个检测到的特征或关键点创建描述符，在每个关键点周围考虑划分为4*4窗口的16*16网格，在每个4*4窗口内计算梯度幅度和方向；根据方位测量结果，生成8位直方图，每个仓中的量值根据离关键点的距离来考虑，离关键点较远的像素对直方图的贡献较小，将此应用于16个4*4窗口，将为每个关键点创建一个4*4*8数组，将4*4*8数组归一化，创建特征向量或特征描述符。5.根据权利要求4所述的一种二维栅格地图融合方法，其特征在于，所述步骤(4)中描述符的相互匹配具体包括如下步骤：选择来自第一图像的第一特征，并计算其描述符到第二图像的所有特征描述符的距离，第二图像中的匹配特征与所选特征具有最小的“距离”，对于第一图像的所有特征重复此过程。6....
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。