【技术实现步骤摘要】
本专利技术涉及室内机器人定位，更具体地说，是一种基于二维激光雷达的室内移动机器人在定位丢失后通过基于词袋模型的多特征匹配重新获取正确位姿的方法。
技术介绍
1、得益于传感器技术与计算机硬件的发展，机器人应用于更多场景的需求逐渐可以得到实现，其中实现不同功能的算法也在不断的演变更新，以使机器人能够更准确高效的完成复杂多样的任务。移动机器人是机器人领域的一个重要分支，随着激光雷达、多类型的摄像头、惯性传感单元(imu)的应用，使得移动机器人可以获得更多精确且丰富的信息，以能够自主感知和描绘外界信息并完成定位、导航和避障的功能。
2、定位技术是移动机器人实现建图、导航等功能的核心技术，在机器人不依赖外界条件下，需要依靠自身的传感器来获取环境信息或者自身运动信息来计算位置。在移动过程中，往往通过imu、轮式里程计来获取位置变换信息，通过激光雷达、摄像头等获取环境信息与地图信息匹配来获取机器人当前在地图中的方位。室内场景下的移动机器人，由于光照条件和计算成本等因素多采用单线激光雷达作为主要的感知器件，对获得的点云数据进行处理提取几何特征或者数学特征，与保存的地图进行匹配，得到正确的机器人位置。
3、在现实应用中，遇到计算机短暂卡顿故障、人为移动机器人等情况，机器人失去了连续的位姿计算，需要重新获取机器人位置--重定位。使用单线激光雷达建立的二维地图中，当前主要有粒子滤波的方法通过更新运动方程和观测方程来使粒子得到收敛，但是在位置变化较大时往往需要大量的计算并且很容易得到错误结果；基于特征匹配和后端优化的方法通过提取
4、因此如何建立更加鲁棒性的特征以及匹配方法是实现快速准确定位的重要探索方向，在三维场景中逐渐出现了不同的特则构造算法和用于快速匹配的结构，但是在二维场景中仍需要一种更加高效的解决方案。
技术实现思路
1、为了克服现有技术的不足，实现二维场景下更加快速准确的重定位效果，本专利技术提出一种基于多特征词袋模型的室内机器人重定位方法，通过将二维空间中的多个几何特征形成复合的特征描述构造词袋模型进行快速匹配，以实现更加快速和准确的重定位。
2、为了解决上述技术问题本专利技术的技术方案是：
3、一种基于多特征词袋模型的室内机器人重定位方法，包括以下步骤：
4、步骤(1)、使用单线激光雷达构建二维地图，对组成地图的每一帧点云创建编号，保存点云数据与位置信息；
5、步骤(2)、对地图建立中的每一帧点云，根据相邻点之间的距离进行区域分割，并剔除点数低于阈值的区域；
6、步骤(3)、分别使用三个特征提取器，提取点云中的圆弧、角点和直线特征；
7、步骤(4)、结合一帧点云中圆弧、角点、和直线特征出现的种类与数量构造单词，将相同单词对应的点云帧放入一个点云帧集合，不同单词对应不同的点云帧集合组成字典；
8、步骤(5)、重定位过程中，将当前位置点云进行步骤(3)，步骤(4)的处理并在字典中进行搜索，得到匹配单词结果对应的点云帧集合；
9、步骤(6)、对步骤(5)中得到的点云帧中的多个点云帧，首先根据点云帧编号，在每个邻域只保留一帧，邻域大小由实际场景而定，并分别与当前帧进行曲率与直线特征点数差值计算；
10、步骤(7)、对步骤(6)中差值最小的点云帧使用ransac算法将当前帧与之进行拟合得到旋转矩阵和位移向量，从而计算出当前帧的位置。
11、进一步，所述步骤(1)的过程如下：在使用二维激光建图算法构建地图时，对组建成地图的每一帧点云创建编号，使其能够被唯一标识，这些帧不仅包含激光雷达扫描得到的点云信息，还记录了机器人在获取每一帧数据时的位置和方向信息，在这个过程中会创建一个专门的数据结构来保存点云帧的编号、点云数据以及位置信息。
12、再进一步，所述步骤(2)的过程如下：对点云进行分割，分割点云帧是为了去除噪声、识别环境中的特定区域以使下一步在提取特征时获得更加准确的结果，这个过程通过基于点之间距离的密度聚类算法dbscan算法进行区域划分，并剔除小于设定阈值的区域，设置参数ε，如果两个点之间的距离小于ε，则认为它们是具有紧密关系的点，划分为同一个片段；设置参数minpts,用于定义分割片段的最小点数阈值，在遍历点云帧中的点时，基于点的ε邻域进行片段扩充，片段内的点数若小于minpts，则该片段被去除，其中，二维点p1(x1,y1)和p2(x2,y2)之间的距离distance使用欧几里得距离：
13、
14、经过该步骤会将一个点云帧分割成一个或多个点云子集。
15、更进一步，所述步骤(3)的过程如下：对步骤(2)中一个点云帧分割得到的点云子集points＝[[x1,y1],[x1,y1],…,[xn,yn]]，首先计算每个点邻域内5个点的协方差矩阵c：
16、
17、其中pk是邻域内第k个点的坐标，是邻域内5个点的均值，然后计算协方差矩阵的特征值λ，这里可选取多种计算方法；设定直线阈值threshold_line和曲线阈值threshold_curve，对于λ小于threshold_line的点加入直线，对于λ大于threshold_curve的点加入曲线，这里通过特征值的变化判断是否在同一直线或者同一曲线，并只进行直线和曲线的数量计数，并不需要另外单独保存具体的直线点集和曲线点集；
18、接下来继续对每一个点云子集计算角点，这里采用计算法线向量的方法判断是否存在角点，将上方计算的每个点的协方差矩阵c通过奇异值分解svd的方式计算得到该点的法线向量，继而计算相邻点的法向量变化率，设置角点阈值threshold_corner，对于与相邻点法向量变化率大于threshold_corner的点判断为角点，增加角点数量计数，若连续点计算为角点，只增加一次角点计数。
19、所述步骤(4)的过程如下：使用步骤(3)得到的点云帧的各个点云子集的直线、曲线和角点数目与种类构建单词，优选的是，单词为二元组的形式，包含类型值mix_type和特征向量feature组成，这里采用数字1，2，4分别代表直线、曲线和角点，若该点云帧存在对应类型特征，则其类型值为加上对应数字的和，类型值初始值为0，这样某一种和多种类型的组合有唯一的类型值进行标识，特征向量由该点云帧点云子集数目和各个特征的对应数目组成一个四维向量；进一步，将该点云帧构造的单词存入字典，字典为键值对结构，其中键为点云帧构造的单词，值为元素为点云帧数据结构的集合，向字典中插入单词时，若字典中已经存在相同的单词，则将该点云帧加入单词对应的集合中，若字典中不存在当前点云帧构建的单词，则向字典中插入单词，创建对应的集合加入该点云帧；
20、如此，在遍历完地图的点云帧进行完步骤(3)和步骤(4)后，则形成了该地图对应的字典，每个本文档来自技高网...
【技术保护点】
1.一种基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述重定位方法包括以下步骤：
2.如权利要求1所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(1)的过程如下：
3.如权利要求1或2所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(2)的过程如下：
4.如权利要求3所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(3)的过程如下：
5.如权利要求4所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(4)的过程如下：
6.如权利要求5所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(5)的过程如下：
7.如权利要求6所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(6)的过程如下：
8.如权利要求7所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于：所述步骤(7)的过程如下：对步骤(6)中选取的点云帧使用RANSAC算法来拟合当前帧，通过RANSAC算法得到的旋
...【技术特征摘要】
1.一种基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述重定位方法包括以下步骤：
2.如权利要求1所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(1)的过程如下：
3.如权利要求1或2所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(2)的过程如下：
4.如权利要求3所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所述步骤(3)的过程如下：
5.如权利要求4所述的基于多特征词袋模型的室内机器人重定位方法，其特征在于，所...
【专利技术属性】
技术研发人员：欧县华，吴鸿志，程晨，何熊熊，
申请(专利权)人：浙江工业大学，
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。