【技术实现步骤摘要】
本专利技术涉及人工智能，具体涉及一种基于多楼层飞行巡逻机器人的slam建图方法及装置。
技术介绍
1、机器人领域作为如今热门的研究领域之一受到了研究者们的广泛关注，但是机器人的研究始终伴随着如何使机器人能够在陌生的环境中自主探索和行动这个关键性问题。同时定位和地图构建(simultaneous localizationand mapping，slam)把此问题转变为了状态估计的问题，并且利用扩展卡尔曼滤波、最大似然估计和粒子滤波等方法来解决该问题。
2、在飞行巡逻机器人领域，slam可以生成环境地图，机器人基于slam构建的环境信息可以实现自主探索、路径规划、自主导航等功能。通过设定期望的目标点，机器人能够感知自身在空间中的位置，并通过算法规划出由当前位置到目标点的可行路径。但是在多楼层巡逻场景下，由于涉及到楼梯这种没有许多特征的特殊环境，slam算法的建图定位准确性并不高。
技术实现思路
1、本专利技术主要解决的技术问题是在多楼层巡逻场景中slam算法的建图定位准确性不高。
2、根据第一方面，一种实施例中提供一种基于多楼层飞行巡逻机器人的slam建图方法，包括：
3、基于飞行巡逻机器人的路径点建立对应的效用函数，对所述效用函数进行函数优化，得到最优效用子集；所述最优效用子集中包括多个稀疏映射点；所述路径点包括飞行巡逻机器人在预设多楼层巡逻场景中的单层楼梯进行运动产生的路径点；
4、根据所述最优效用子集中的多个稀疏映射点和所述飞行巡逻
5、基于所述缩减映射点、所述缩减映射点对应的优化公式和预设建图算法构建所述飞行巡逻机器人对应的飞行环境地图。
6、一实施例中，所述对所述效用函数进行函数优化，得到最优效用子集，包括：
7、利用预设贪心算法对所述效用函数进行优化处理，得到第一优化解；
8、根据所述第一优化解和预设边际增益公式对所述效用函数进行求解处理，得到最优效用子集；所述最优效用子集包括最大化效用函数的一个最优子集。
9、一实施例中，所述根据所述最优效用子集中的多个稀疏映射点和所述飞行巡逻机器人对应的机器人姿态构建初始评估函数，包括：
10、利用预设贝叶斯公式构建所述稀疏映射点和所述机器人姿态对应的后验分布公式；
11、对所述后验分布公式中的稀疏映射点和机器人姿态进行分解处理，得到初始评估函数。
12、一实施例中，所述对所述后验分布公式中的稀疏映射点和机器人姿态进行分解处理，得到初始评估函数，包括：
13、
14、其中，p(x1:t,m1:n|z1:t)表示初始评估函数，x1:t表示所述飞行巡逻机器人的当前状态，m1:n表示所述稀疏映射点，t表示所述飞行巡逻机器人对应的机器人姿态的总数，n表示所述稀疏映射点的总数，z1表示在初始状态下的观测结果，z1:t表示在当前状态下的观测结果，σ表示预设系数，p(x1:t)表示贝叶斯估计姿态的后验分布，表示贝叶斯估计稀疏映射点的后验分布，表示第j时刻下第i个点的观测结果，xi表示第i个点对应的所述飞行巡逻机器人的状态，mj表示第j时刻的稀疏映射点。
15、一实施例中，所述基于所述缩减映射点、所述缩减映射点对应的优化公式和预设建图算法构建所述飞行巡逻机器人对应的飞行环境地图，包括：
16、根据所述缩减映射点构建一组近似函数关系；所述近似函数关系中包括第一效用函数和所述第一效用函数对应的近似效用函数；
17、根据所述近似效用函数构建与所述缩减映射点对应的优化公式；
18、基于所述优化公式和预设建图算法生成所述飞行巡逻机器人对应的飞行环境地图；所述建图算法包括slam算法。
19、一实施例中，所述缩减映射点对应的优化公式，包括：
20、
21、其中，表示近似效用函数，x′1:t表示所述飞行巡逻机器人在缩减映射点下对应的当前状态，s表示选定子集，表示所述选定子集中当前状态下的观测结果，ms表示第s时刻的稀疏映射点，ω表示归一化常数，t表示所述飞行巡逻机器人对应的机器人姿态的总数，xj′表示第j个点对应的所述飞行巡逻机器人的状态，p(xj′)表示贝叶斯公式估计xj′对应的后验分布，表示贝叶斯公式估计映射点的后验分布，mj表示第j时刻的稀疏映射点。
22、一实施例中，所述基于飞行巡逻机器人的路径点建立对应的效用函数之后，所述方法还包括：
23、将所述飞行巡逻机器人的路径点汇总作为选定子集，将所述飞行巡逻机器人的路径点作为可用映射点；
24、根据所述选定子集和所述效用函数在所述可用映射点中搜索满足预设效用要求的映射子集；所述效用要求包括满足映射点预算约束的同时最大化效用映射点；所述映射点预算约束包括内存约束、存储空间约束和通信预算约束。
25、根据第二方面，一种实施例中提供一种基于多楼层飞行巡逻机器人的slam建图装置，包括：
26、函数优化模块，用于基于飞行巡逻机器人的路径点建立对应的效用函数，对所述效用函数进行函数优化，得到最优效用子集；所述最优效用子集中包括多个稀疏映射点；所述路径点包括飞行巡逻机器人在预设多楼层巡逻场景中的单层楼梯进行运动产生的路径点；
27、映射点缩减模块，用于根据所述最优效用子集中的多个稀疏映射点和所述飞行巡逻机器人对应的机器人姿态构建初始评估函数，并将对所述初始评估函数进行缩减处理后对应的映射点作为缩减映射点；
28、地图构建模块，用于基于所述缩减映射点、所述缩减映射点对应的优化公式和预设建图算法构建所述飞行巡逻机器人对应的飞行环境地图。
29、依据上述实施例的基于多楼层飞行巡逻机器人的slam建图方法及装置，包括对根据飞行巡逻机器人的路径点建立的效用函数进行函数优化，得到最优效用子集，并根据最优效用子集进行缩减得到缩减映射点，降低了slam算法中的映射点冗余，提高了建图的效率。基于缩减映射点、缩减映射点对应的优化公式和预设建图算法构建飞行巡逻机器人对应的飞行环境地图，因此可以提高多楼层巡逻场景中slam算法的建图定位的准确性。
本文档来自技高网...【技术保护点】
1.一种基于多楼层飞行巡逻机器人的SLAM建图方法,其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述对所述效用函数进行函数优化，得到最优效用子集，包括：
3.如权利要求1所述的方法，其特征在于，所述根据所述最优效用子集中的多个稀疏映射点和所述飞行巡逻机器人对应的机器人姿态构建初始评估函数，包括：
4.如权利要求3所述的方法，其特征在于，所述对所述后验分布公式中的稀疏映射点和机器人姿态进行分解处理，得到初始评估函数，包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述缩减映射点、所述缩减映射点对应的优化公式和预设建图算法构建所述飞行巡逻机器人对应的飞行环境地图，包括：
6.如权利要求5所述的方法，其特征在于，所述缩减映射点对应的优化公式，包括：
7.如权利要求1所述的方法，其特征在于，所述基于飞行巡逻机器人的路径点建立对应的效用函数之后，所述方法还包括：
8.一种基于多楼层飞行巡逻机器人的SLAM建图装置，其特征在于，包括：
9.一种基于多楼层飞行巡逻机器人的SL
10.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种基于多楼层飞行巡逻机器人的slam建图方法,其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述对所述效用函数进行函数优化，得到最优效用子集，包括：
3.如权利要求1所述的方法，其特征在于，所述根据所述最优效用子集中的多个稀疏映射点和所述飞行巡逻机器人对应的机器人姿态构建初始评估函数，包括：
4.如权利要求3所述的方法，其特征在于，所述对所述后验分布公式中的稀疏映射点和机器人姿态进行分解处理，得到初始评估函数，包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述缩减映射点、所述缩减映射点对应的优化公式和预...
【专利技术属性】
技术研发人员：任晓波，贺振中，徐亮，
申请(专利权)人：深圳市华赛睿飞智能科技有限公司，
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。