CN101939666A - 利用传感器数据来对对象的运动进行计算机辅助计算的方法 - Google Patents

Abstract

本发明涉及一种利用一位于一对象上的传感器的传感器数据来对所述对象的运动进行计算机辅助计算的方法，所述传感器数据包含至少两个在不同时间点测得的测点集、所述测点集由所述对象的环境中的至少两个测点构成，测定所述对象在一于一第一时间点测得的第一测点集和一于一第二时间点测得的第二测点集之间的运动。所述方法的特征在于，先从所述第一测点集和所述第二测点集中提取结构元素(例如线条、圆等等)形式的结构信息并将其与无法分配给任何结构类型的测点存储在一起。随后，先是在结构类型相同的结构元素之间确定关联并确定用于为这些结构元素建立对应关系的相应变换。接下来的最后一步是使所述不可分配测点与结构元素之间产生关联并实施相应变换来为已产生关联的测点及结构元素建立对应关系。通过本发明提供的方法能够通过一混合式扫描对所述对象的运动进行测定。优选通过那些将传感器测量噪声考虑在内的统计学方法来使所述结构元素或所述测点之间产生关联。所述方法尤其适用于对自主移动系统(例如机器人、车辆、起重机或其他类似物)的自行运动进行测定。

Description

利用传感器数据来对对象的运动进行计算机辅助计算的方法

技术领域

本发明涉及一种利用传感器数据来对一对象的运动进行计算机辅助计算的方法以及一种相应的装置和一种相应的计算机程序产品。

背景技术

本发明涉及的是对移动对象(例如车辆、飞机、机器人和诸如此类的物体)的自行运动进行测定这一技术领域。当这些对象进行自主运动时，需要在一空间中(例如在该运动的二维平面内)对这个对象的位置和定向进行测定。测定位置时需要使用设置在对象上的多个测量传感器(例如激光扫描器)。这些传感器对这个对象的环境进行检测并由此产生一组测点，举例而言，这些测点由激光扫描器被环境物体反射的激光束的往返传播时间得出。

如果采用激光扫描器来测定位置，那么这些激光扫描器通常会采取某种安装方式，使得这些激光扫描器可让光束平行于地面传播并对距下个反射点的距离进行测量。通过这种方式可在自主运动对象的坐标中获得一个二维测点序列，这个序列也被称为“扫描”。为了利用这些数据来测定对象的自行运动，现有技术是将较早前进行的扫描与当前扫描进行比较。从中寻找一种变换方法，该变换方法可以对两个扫描进行彼此之间尽可能精确的映射。

现有技术中存在多种通过对不同时间点产生的测点集进行比较来测定对象自行运动的标准方法。公开文献【1】对其中的常用方法进行了概述。

已知方法基本上可分为两组。第一组方法是从测点集中提取结构元素(特别是线条)并找出一种能以最佳方式为这些结构元素建立对应关系的变换方法。第二组方法是对测得测点形式的原始数据进行处理。第一组方法在结构化环境(例如内腔)中的效果精确而可靠。而第二组方法应用更为广泛，但不甚精确且计算复杂。当周围环境仅部分结构化(例如仅能提取单独一个壁)时，这两类方法的实施效果都较差。在此情况下，第一组方法可能无法对对象平行于这个壁的移动进行提取，第二组方法则容易受到被比较测点集中随机分配但分配错误的测点对的牵制。

发明内容

本发明目的是提供一种利用传感器数据来对一对象的运动进行计算机辅助计算的方法，所述方法可以简单而可靠地测定所述对象的自行运动。

这个目的通过独立权利要求1、权利要求26或权利要求27所述特征而达成。本发明的改进方案由各从属权利要求给出。

根据本发明提供的方法，对位于一对象上的传感器的传感器数据进行处理，其中，所述传感器数据包含多个在不同时间点测得的、由所述对象的周围环境中的测点所构成的测点集，且对所述对象在一于第一时间点测得的第一数据集和一于第二时间点测得的第二数据集之间的运动进行测定。

根据本发明提供的方法，第一步骤a)是从所述第一测点集中提取至少一种结构类型的至少两个结构元素，由此获得第一数据集。以类似方式从第二测点集中提取至少两个结构元素并由此获得第二数据集。其中，所述第一和第二数据集分别包含被提取结构元素和不可分配测点，这些不可分配测点无法与任何结构元素关联。

在步骤b)中，随后将第二数据集中相同结构类型的结构元素与第一数据集中的相应结构元素进行关联。只要能找到关联，就在这些关联的基础上执行一个变换序列，以将第二数据集的结构元素映射到第一数据集的结构元素上(该变换序列视情况可以仅包括唯一一个变换或者在不存在任何关联的情况下包括不发生位置变化的零变换)，由此获得一第三数据集。

随后，在步骤c)中，将第三数据集的结构元素与第一数据集的不可分配测点进行关联。只要能找到关联，就在这些关联的基础上执行一个第二变换序列，以将第三数据集的结构元素映射到第一数据集的不可分配测点上(该变换序列视情况可以仅包括唯一一个变换或者在不存在任何关联的情况下包括不发生位置变化的零变换)，由此获得一第四数据集。

最后至少在所述第一和第二变换序列的基础上对所述对象在第一和第二时间点之间的运动进行测定。

本发明提供的方法的特征在于可以适当方式既对结构元素形式的结构信息又对不可分配测点进行处理。因而同时结合了前述第一和第二组方法的优点，即先寻找被提取结构元素的一致性，然后通过将不可分配测点与结构元素进行比较来对从中得出的变换进行细化。这就提供了一种可通过对两个测得的测点集进行比较来测定一对象的自行运动的方法，这种方法不仅简单，也不会或者很少产生错误关联。

根据本发明提供的方法的一种优选实施方式，所述被提取结构元素至少是线条类型。在所述方法的步骤b)中，优选先提取线条类型的结构元素，为此可应用例如如文献【1】中所描述的已知提取方法。

根据本发明提供的方法的一种优选方案，所述被提取结构元素也包括其他结构类型，特别是弓形区(Kreissegment)这一结构类型。通过应用其他结构类型可使结构元素间产生更精确的关联，进而在数据集之间建立更精确的对应关系。

根据本发明提供的方法的一种优选方案，步骤a)首先对至少两个包含连续测点的连通分量进行测定，其中，属于同一个连通分量的相邻测点之间不超过一最大点距。在此可按如下方式特别简单有效地从一连通分量中提取结构类型为弓形区的结构元素：

首先计算一个圆，其中，位于该连通分量的各末端的边缘测点以及位于该连通分量的这些边缘测点之间的一个测点(特别的该测点大体位于这些边缘测点之间的中点处)都位于这个圆上。如果所述连通分量的每个测点与这个圆之间的最小距离均小于一预定阈值，就将所述连通分量的各测点分配给计算出来的这个圆，否则就在该连通分量上与圆之间的最小距离最大的那个测点处将该连通分量分割成两个连通分量。

上述方法可借助简单的几何学原理来迅速找到合适的弓形区，这些弓形区可作为结构元素进行处理。

根据本发明提供的方法的一种特别优选实施方式，在步骤b)和c)中还借助适当的统计学方法来将传感器的测量噪声考虑在内，由此可提高对象自行运动的测定精度。这种测量噪声优选体现为协方差矩阵及相应的马氏距离，本领域技术人员早已熟知这两种变量。其中主要通过迭代法按下述方式来测定步骤b)的第一变换序列：

在步骤b.i)中，为一个结构元素对集合(每个结构元素对包含一已变换第二数据集的结构元素以及一第一数据集的结构元素)计算那些变换的马氏距离，其中那些变换对一结构元素对中的结构元素进行彼此之间的映射，所述马氏距离依赖于一瞬时协方差矩阵，其中，在考虑所述马氏距离的情况下选择一结构元素对并实施一变换来进行被选结构元素对中的结构元素彼此之间的映射，由此获得一个新的已变换第二数据集。

步骤b.ii)是从所述结构元素对集合中至少去掉所述被选结构元素对，更新所述协方差，并返回步骤b.i)。

实施上述迭代法时，在步骤b.i)中选择变换时优选选择马氏距离较小的变换和/或长结构元素之间的变换和/或变换的集群。

根据本发明的一种优选实施方式，对步骤b.i)中实施的变换进行估算，特别是基于卡尔曼滤波。通过卡尔曼滤波同样可使步骤b.ii)中的协方差矩阵更新特别有效，在此采用卡尔曼滤波更新公式来对协方差矩阵进行重新估算。

在步骤b.ii)中优选还从所述结构元素集合中去掉一些结构元素对，这些结构元素对的结构元素由一变换进行彼此之间的映射，该变换由一变换建立对应关系的结构元素对，该变换的决定于更新后的协方差矩阵的马氏距离大于一预定阈值。

根据本发明提供的方法的另一实施方式，开始实施用于测定所述第一变换序列的迭代法时，已变换第二数据集对应于步骤a)中获得的第二数据集，且所述结构元素对集合包含了所有可能的对，这些对包含了第一数据集和第二数据机的一结构元素，或者一预选结构元素对，该预选结构元素对包含了那些结构元素对，这些结构元素对的结构元素通过一变换进行彼此之间的映射，其中该变换的马氏距离决定于一初始协方差矩阵并小于或者等于一预定阈值。根据一种特别优选的实施方式，根据里程计测量的测量噪声或根据一运动模型来测定所述初始协方差矩阵。

根据本发明提供的方法的另一实施方式，通过迭代法按下述方式来测定步骤c)的第二变换序列：

在步骤c.i)中，为一个结构元素集合/测点对集合(其中的结构元素/测点对各包含已变换第三数据集的一结构元素和所述第一数据集的一不可分配测点)计算那些变换的依赖于协方差矩阵的马氏距离，这些变换将结构元素映射到一结构元素/测点对的不可分配测点上，并且，在考虑所述马氏距离的情况下选择一结构元素/测点对并实施一变换来为被选结构元素/测点对的测点和结构元素建立对应关系，由此获得一个新的已变换第三数据集。

步骤c.ii)是从所述结构元素集合/测点对集合中至少去掉所述被选结构元素/测点对，更新所述协方差矩阵，并返回步骤c.i)。

实施上述迭代法时，在步骤c.i)中选择变换时优选选择马氏距离较小的变换和/或相似变换的集群。根据本发明的一种优选实施方式，对步骤c.i)中实施的变换进行估算，特别是基于卡尔曼滤波。借助卡尔曼滤波同样可对协方差矩阵进行更新。

根据所述迭代法的一种优选方案，在步骤c.ii)中还从所述结构元素/测点对集合中去掉那些结构元素/测点对，这些结构元素和测点对中的结构元素通过一变换映射到一不可分配测点上，该变换的与已更新协方差矩阵相关的马氏距离大于一预定阈值。

根据本发明提供的方法的另一实施方式，开始实施用于测定所述第二变换序列的迭代法时，已变换第三数据集对应于步骤b)中获得的第三数据集，且所述结构元素集合/测点对集合包含了所有可能的对，这些可能的对包括所述第三数据集的一结构元素和所述第一数据集的一不可分配测点，或者包含一预选结构元素/测点对，该预选结构元素/测点对包括那些其结构元素通过一变换映射到一不可分配测点上结构元素/测点对，该变换的与所述当前协方差矩阵相关的马氏距离小于或者等于一预定阈值。

根据本发明提供的方法的一种优选实施方案，在步骤c)执行完毕后，进一步进行剩下的不可分配测点的关联的寻找，以便更精确地测定所述数据集之间的映射。此时，剩下的不可分配测点都包含在按上述方式加以定义的第四数据集中，只要能找到合适的关联，就使这些测点与所述第一数据集的不可分配测点产生关联。随后在这些关联的基础上实施一第三变换序列(该变换序列视情况可以仅包括唯一一个变换或者在不存在任何关联的情况下包括不发生位置变化的零变换)，以将所述第四数据集的不可分配测点映射到所述第一数据集的不可分配测点上，由此获得一第五数据集，其中，在第一、第二和第三变换序列的基础上测定所述对象在第一和第二时间点之间的运动。

在本发明提供的方法的上述实施方式中，特别的通过一种包括下列步骤的迭代法来测定所述第三变换序列：

在步骤i)中，为一个测点对集合(其中的测点对各包含了已变换第五数据集的一不可分配测点和所述第一数据集的一不可分配测点)计算那些变换的与协方差矩阵相关的马氏距离，这些变换对测点对的不可分配测点进行彼此之间的映射，，其中，在考虑所述马氏距离的情况下选择一测点对并实施一变换以进行被选测点对的测点之间的映射，由此获得一个新的已变换第五数据集。

在步骤ii)中，从所述测点对集合中至少去掉所述被选测点对，将所述协方差矩阵更新，并返回步骤i)。在上述步骤i)中选择变换时，优选选择马氏距离较小的变换和/或相似变换的集群。

以上述方式测定所述第五数据集时，优选还是采用统计学方法来将传感器的测量噪声考虑在内。根据本发明的一种优选实施方式，对步骤i)中实施的变换进行估算，特别是在卡尔曼滤波基础上。优选还是借助卡尔曼滤波来将所述协方差矩阵更新。

根据本发明提供的方法的另一实施方式，对激光扫描形式的传感器数据进行处理，这些激光扫描通过位于所述对象上的激光扫描器获得。根据本发明提供的方法的一种优选应用领域是对机器人和/或起重机和/或车辆的运动进行测定，尤其是用于对这些对象进行自主导航。

除上述方法外，本发明还包括一种利用位于一对象上的传感器的传感器数据来对所述对象的运动进行计算机辅助计算的装置，所述传感器数据包含至少两个在不同时间点测得的、由所述对象的周围环境中的测点所构成的测点集，其中，所述装置具有一构件，该构件用于对所述对象在一于第一时间点测得的第一测点集和一于第二时间点测得的第二测点集之间的运动进行测定。这个构件采用使本发明提供的上述方法可在所述装置工作时得到实施的设计。

本发明此外还涉及一种计算机程序产品，所述计算机程序产品包含一存储在一机读载体上的程序代码，当所述程序在一计算机上运行时，所述程序代码可使本发明上述方法得到实施。

附图说明

下面借助附图对本发明的实施例进行详细说明，其中：

图1为根据本发明方法的实施方式对连通分量进行提取的示意图；

图2为根据本发明方法的实施方式对圆进行提取的示意图；以及

图3至图7为根据本发明方法的实施方式使结构元素和测点产生关联的流程图。

具体实施方式

在本发明方法的下述各实施方式中，传感器数据以二维点的形式出现，这些二维点之前由一激光扫描器以所谓的“激光扫描”形式被测得。扫描中的这些点是由于激光束在扫描过程中运动到一对象所在周围环境中的多个物体上并被这些物体反射而产生，所述激光扫描器即布置在该对象上。下文所述方法的目的是通过如下方式来测定所述对象的自行运动，即对不同时间点所测得的激光扫描进行变换并由此测定所述对象在这些时间点之间的运动。

为了能够对两个不同的激光扫描进行相互比较，根据本发明方法如此处所述的实施方式，从各扫描的测点中测定线条和圆形式的结构元素。为了提取这些结构元素，须先测定点序列形式的连通分量，再从这些连通分量中测定相应的结构元素。

本发明方法的优势在于，在对两个扫描进行变换时，既可对被提取结构元素又可对不可分配测点(即没有结构元素能够与之关联的测点)进行处理。借此可对包含结构元素和测点的混合式扫描进行处理，在本实施方式中，这种混合式扫描中的元素的特征由点P、线条L和圆C的集合描述。包含多个元素e_i的扫描S适用以下公式：

S＝{e_i|e_i∈{P，L，C}}_{i＝1，...，n}

如前所述，为了提取线条和圆，须先测定扫描中各测点的连通部分。图1展示的是一种借助沿壁W分布的测点将该扫描划分成多个连通部分的相应算法。此时，测点的连通区域由最大点距定义如下：只有间距小于等于最大点距的那些测点才属于同一个连通分量。在图1中，位于壁W上的两个点1和2之间的最大点距表示为amax。包括x轴和y轴的传感器系统S通过相邻光束B1和B2获得点1和2。按照正弦定律，壁W上相邻测点的间距a取决于左光束B1或右光束B2与图1用虚线表示的假想中间光束B3之间的角距这个中间光束与壁W之间的角度γ以及由传感器系统S测得的两个距离，即从传感器系统原点到点1的距离(称为d₁)和从传感器系统S的原点到点2的距离(称为d₂)。

特别的适用以下公式：

$a=(d_1+d_2)\·\frac{\sin \left(\frac{\mathrm{\δ}}{2}\right)}{\left|\sin \left(\mathrm{\γ}\right)\right|}$

将中间光束B3和壁W之间的角度γ选定为参数，由此使得每个相邻点对获得这个壁上相邻点的间距上限值amax。

随后通过下述方法借助间距amax来提取连通分量：

首先将所述扫描的第一测点归入第一当前连通分量。接着，当该连通分量的最后一个点与下一个点之间的距离小于等于最大间距amax时，将下一个点添加到当前连通分量中。但如果下一个点到最后一个点的距离大于最大间距amax，就将下一个点分配给一个新的当前连通分量。未分配的测点留在所述扫描中不被丢弃。将所含点数少于最低点数的连通分量删除并作为不可分配测点重新分类到所述扫描中。

测定所有连通分量之后，最后一步是从各连通分量中提取线条和圆形式的几何特征。尝试一方面通过线条另一方面通过圆来对每个连通分量进行近似计算。此外也可从扫描中提取其他元素，例如直角。从扫描中提取线条的方法为本领域技术人员所熟知，举例而言，公开文献【1】对此就有相关说明。在本实施方式中，先通过常用方法从扫描中提取线条。随后再对圆进行递归提取，接下来将借助图2对这种提取进行说明。

图2上部展示的是由测点P1、P2、...、P12构成的一连通分量。为了从这个点集中提取圆或弓形区，需要将各连通分量分解成圆，其中，当一个被处理连通分量变得过短(亦即，该连通分量的点的数量低于一阈值)时，将该连通分量的测点重新分类到所述扫描中。为了从图2所示的连通分量中提取圆，须先对这个连通分量的边缘点P1和P12及一中间点P8进行处理。这三个点可明确界定一个其圆周经过所有这三个点的圆。这种界定通过以下方式而实现：各以一条直线分别使边缘点P1和P2与中间点P8相连并确定各条直线的中垂线，中垂线的交点就是这个圆的圆心。

由此首先得出一个具有相应圆周C的圆，点P1、P8和P12均位于这个圆周上。该圆的半径r和圆心c＝(c_x  c_y)均为已知。下一步是计算该连通分量中每一点与这个圆之间的距离的平方，即对以下间距进行计算：

$d{(p,c,r)}^2={(\sqrt{{(p_x-c_x)}^2+{(p_y-c_y)}^2}-r)}^2$

其中，p_x和p_y分别指所述连通分量中各点的x轴及y轴坐标。如果此时该连通分量中所有点到圆的距离均小于一预定阈值，那么就可将这一段分类成弓形区。

在图2所示的实施方式中，间距d(p，c，r)被表示成点与圆周之间的垂直连接线，在本示例中，点P6与圆周之间的距离超过所述预定阈值，这种情况通过将P6标识为黑色实心体而表示出来。在此情况下，不能将所述连通分量分类成圆，而是在下一步骤中在间距最大的点(图2中为点P6)处对该连通分量进行分割。图2下部展示了这种情况，此时存在两个连通分量。其中，第一连通分量由点P1至点P6构成，第二连通分量由点P6至点P12构成。由此可对每个连通分量采用类似前述的方法，亦即，根据第一连通分量的边缘点P1和P6以及中间点P3来确定一个相应的圆，根据第二连通分量的边缘点P6和P12以及中间点P9来确定一个圆。在图2所示的示例中，两个连通分量中各点到圆周的距离均小于所述预定阈值，因此这两个段都被分类成圆。

上述算法容易导致过分割，即所出现的并非只是一个圆弧而是两个相互接触且圆心和半径均大致相同的圆弧。这两个圆弧在接下来的处理过程中可得到重新整合。与线条提取相同，接下来可根据连通分量来对圆的圆心和半径进行精确估算，例如通过测定以下最小值：

$\left(\begin{array}{cc}c& r\end{array}\right)=\arg \min \underset{p\∈Z}{\mathrm{\Σ}}d{(p,c,r)}^2$

其中，Z指所述连通分量的点集。在此可采用现有技术中已知的优化方法求最小值，例如牛顿法、拟牛顿法或共轭梯度法。

如果扫描中的点既出现在被提取线条中又出现在被提取弓形区中，线条和弓形区之间的重叠区域中的冲突就会因各段长度和重叠区域中各偏差的总和而得到消除。在此优选采用长度更大的段(根据点的数量测定)。

获得混合式扫描(即包含被提取线条、圆和不可分配测点的扫描)后，最后是执行扫描匹配算法以进行两个扫描的结构元素和测点彼此之间的映射。下文将先借助图3至图7对这种扫描匹配算法进行概述，然后再对该算法及所用数学方法进行详述。

图3展示的是又称“参考扫描”的第一扫描，该第一扫描被表示成多个十字形式的点，其中的个别点标有参考符号M1至M5。此外还展示了第二扫描，该第二扫描被表示成多个圆圈形式的点，其中的个别点标有参考符号M1′至M5′。现在的目标是要确定一个变换，通过该变换可以将第二扫描的点映射到参考扫描上。在进行上述两个扫描彼此之间的映射时需要考虑到传感器的测量噪声，由此可降低各扫描之间的点和结构元素的相应关联的错误的概率。

在本实施方式中，通过逐步测定一变换序列的各变换来确定用于进行两个扫描彼此之间映射的变换，其中需要考虑测量噪声，该测量噪声的形式为该变换序列各变换的运动协方差矩阵。在此用一矢量来描述变换，该矢量用x分量和y分量表示该变换的平移，用其他分量表示该变换体现为角度β的旋转。可以测定这种变换的协方差矩阵，其中，将所述变换的各分量视为随机变量，所述协方差矩阵的每个元都对相应元素的协方差进行描述。协方差在此定义为第一随机变量与其预期值之差和第二随机变量与其预期值之差的乘积的预期值。在本实施方式中，以已知的马氏距离为基础来将传感器基于协方差的测量噪声考虑在内，下文还将对此予以详述。

在图3至图7中，所述传感器系统的位置被表示为两个轴A1和A2的原点。用圆或椭圆来表明当前运动协方差或相应的马氏距离。由此展示了基于测量噪声的运动的概率。如果是椭圆，那么沿短半轴方向运动的概率就小于沿长半轴方向运动的概率。如果是一个圆，那么朝各运动方向的概率均等。

开始实施所述方法时先确定一初始协方差矩阵，该矩阵例如是依据里程计数据，即依据上面布置有扫描器的对象的轮子运动加以测定。在图3所示的实施例中，对于初始协方差矩阵而言，每个变换的概率均等，因此运动协方差表示为圆C。首先在图3所示的扫描中以前述方式进行结构元素提取。其中，为每个扫描提取一个线条，在参考扫描中，该线条包含扫描点M1和M2及所有位于它们之间的点，在第二扫描中，这个线条包含点M1′和M2′及所有位于它们之间的点。

除了线条以外，接下来还对可能存在的圆进行提取。在图3的示例中不存在任何的圆，只存在三个无法分配给结构元素的其他测点M3、M4和M5(参考扫描)及M3′、M4′和M5′(第二扫描)。提取结束后使两个扫描的被提取线条之间产生关联。在此对线条彼此间变换的运动协方差和马氏距离进行考虑。在图3所示的示例中，正好每个扫描一个线条，其中，这些线条彼此之间的相对关系为，进行这些线条彼此之间映射的变换与运动协方差高度一致，，亦即，相应的变换具有较小的马氏距离。如图4所示，使第二扫描进行相应运动以便进行线条之间的映射。变换结束后更新协方差矩阵，为此可采用现有技术中公知的卡尔曼滤波。

如图4所示，此时不再是所有运动的概率均等，这一点由相应的椭圆E指出。特别的，沿轴A1方向的运动比沿轴A2方向的运动更不可能，亦即，沿轴A1方向的马氏距离大于沿轴A2方向的马氏距离。此外从图4中还可看到已建立对应关系的被提取线条L和参考扫描的不可分配测点M3至M5及第二扫描的不可分配测点M3′至M5′。

在下一步骤中寻找不可分配测点M3′至M5′与线条L的关联。由于马氏距离极大而极不可能产生沿轴A1方向的进一步运动，因此无法通过所述算法来获得不可分配测点与线条L之间的关联。因此需要在下一步骤中通过该算法来使各扫描的不可分配测点之间产生关联。如图4所示，所述变换最有利的方向是沿轴A2的方向。为了测定测点之间的关联，需要重新考虑各点对之间的可能变换，根据各变换的马氏距离使点M3和M3′之间产生关联并通过第一变换来进行点M3和M3′彼此之间的映射，其中，这一变换在图5中表示为相应的直线G1。完成变换后再度更新协方差矩阵。

最后使其他点对产生点与点的关联，其中，先使点M4和M4′之间产生关联，这由图6中的直线G2表示。完成相应变换后产生一个更小的协方差矩阵，这一点表现为：图6中的椭圆E相对于图5中的椭圆E而言相应变小了。最后通过使测点M5′和M5之间产生关联来进行相应变换，以便在各点对的变换实施完毕后总体上得出一个如图7所示可以非常精确的进行两个扫描之间映射的的变换序列。其中，所述协方差矩阵足够小，因而可以有足够把握地将所述扫描匹配视为是正确的。

此前实施的变换用于在线条与线条之间以及测点与测点之间建立对应关系，从所有这些变换的总变换中最终可得到所述对象的自行运动。

下面对用于进行两个混合式扫描之间的映射的扫描匹配算法的各步骤进行细述。

将一个由多个点或结构元素e₁至e_n构成的扫描S＝{e₁，...e_n}(例如一个事先记录下来的参考扫描S^r)视为固定的，将另一扫描特别是当前扫描

视为活动的。所述结构元素可以是点、直线或弓形区。同时，在调用扫描匹配算法之后，为活动扫描的T_k＝(x₀  y₀  β₀)^T＝(0  0  0)^T的配置的概率分布赋一个初始协方差∑₀。

在下一步骤中，先对两个混合式扫描中的线条进行相互比较。如果其中一个扫描中不存在线条，就进行线条和点的比较，或者在这些混合式扫描都包含弓形区的情况下进行弓形区的相互比较。

为了进行线条与线条的比较，需要对每个线条对

测定一个变换集

具体而言也就是那些变换，该变换使活动线条平行于参考扫描中的参考线条定向且随后朝该参考线条移动。这个集合自身在变换的区域内又构成一条直线。为每个变换T＝(x  y  β)^T分配与瞬时运动协方差∑相关的马氏距离

对于线条对，该马氏距离包含了作为参数的沿该线条的位移作为线条对的参数，这个马氏距离包含了沿该线条所发生的移动。

从线条与线条之间可能的变换中选出一个变换，相应的就得到一个线条对。在此应用以下标准：

-长线条之间的变换比短线条之间的变换更有价值；

-小范数的变换是好的；

-变换的集群是好的。

根据这些标准可推导出各种策略。根据本发明的一种实施方式，选择在最长的线条之间的范数足够小的变换。由此可将产生错误关联的风险降至最小程度。

在下一步骤中，通过变换T_k+1使扫描移动和旋转，从而得到下面的新扫描：

$S_{k+1}^a=T_{k+1}\left(S_k^a\right)$

在本实施方式中，用一种估算方法来确定变换。估算出来的变换在此代表变换或者变换序列的一个特殊变量，其中，如权利要求中所表述的执行这些变化或者变换序列。接下来利用一个示例对这种估算方法进行说明，其中，使当前扫描的线条

移动到参考扫描的线条

上并旋转。由于该线条的终点的位置非常不稳定，因此不应该用它来估算所述变换。由此，根据线条所在的直线并通过这些直线上垂线的长度和方向即通过所谓的海赛正规式

来将线条参数化。公开文献【2】对如何从属于线条的扫描点中推导出这个表达式的方法进行了说明。从卡尔曼机制的意义而言可将这种表达式理解为“测量”。

公开文献【2】还对如何根据扫描点的协方差来测定这样一个线条的协方差的方法进行了说明。本文较后部分在测定参考线条∑r和活动线条∑_a的协方差时需要使用这种测定方法。

卡尔曼滤波意义上的待估算状态是当前扫描和参考扫描之间的变换。因此，由

承担预测的角色且将

用作“测量”。该预测的协方差由线条提取的协方差∑_a和所述变换的之前的协方差共同构成。

通过所述对象的变换T_{(x  y  β)}将预测

转变为

其雅可比量(die Jacobische)为

所述预测的协方差由运动协方差∑_G＝G·∑_k·G^T得出。在此出于测量不确定性考虑增加了协方差∑_a。由此可计算出卡尔曼滤波增益K_k＝∑_k·G^T·(G·∑_k·G^T+∑_a+∑_r)^-1。根据这种字段标记(Landmarkenassoziation)计算转换

同样根据卡尔曼滤波更新公式来重新估算运动协方差E_i+1，即：

∑_k+1＝(Id-K_k·G)·∑_k。

借助刚刚确定的变换T_k+1来对前述当前扫描进行变换并使所产生的扫描成为新扫描，即：

$S_{k+1}^a=T_{k+1}\left(S_k^a\right).$

如果尚有未予考虑的直线对，就采用k←k+1并回到上一步骤，即根据马氏距离选择线条对。这里不再对刚刚加以考虑的线条对予以处理。

完成线条比较后，在混合式扫描中进行圆和圆之间的比较，最后进行测点和线条之间的比较。圆和圆的比较与线条和线条的比较类似，因此这里不再对具体方法进行重复说明。在将测点与线条进行比较时，使测点在线条上运动的可能变换构成一个二维流形。出于实际考虑，每次都需进行适当的预选，在本实施方式中，根据概率范数并借助当前有效的协方差来确定这个预选，即根据：

${\left|\right|\left(\begin{array}{ccc}{x}_k& y_k& {\mathrm{\β}}_k\end{array}\right)\left|\right|}_P^2=\left(\begin{array}{ccc}{x}_k& y_k& {\mathrm{\β}}_k\end{array}\right)\·{\mathrm{\Σ}}_k^{-1}\·\left(\begin{array}{c}{x}_k\\ y_k\\ {\mathrm{\β}}_k\end{array}\right)$

与前述情况类似，新的协方差也是从线条的协方差、测点的协方差和函数中得出，该函数将由测点和线条构成的对映射到被选变换上。

重新对所述点-线条对进行依次处理并去掉不合理的对，即去掉马氏距离超过阈值的对。

最后还须对测点对进行处理，处理方式与处理线条对或点-线条对的方式类似。

最终可获得一变换序列，该变换序列描述了所述混合式扫描之间的对应关系，而且根据该变换序列可测定所述对象的自行运动。

本发明的这种实施方式具有多项优点。通过结构元素之间或者点之间的可能关联的依次应用，可以降低错误分配的不确定性，其中这些结构元素或者点根据错误关联的风险进行分类。通过在扫描匹配范围内应用卡尔曼滤波，可以统计学方式对测量不确定性予以适当考虑。也可采用其他描述不确定性的方式来代替卡尔曼滤波，举例而言采用基于抽样的描述方式(例如粒子滤波)。视需要也可对所述方法进行设计，使其可以通过为结构元素或点之间的关联加权来对运动不确定性予以考虑。

参考文献

【1】Jens-Steffen Gutmann：，，Robuste Navigation autonomer mobiler Systeme“，Dissertation，2000，Albrecht-Ludwig-

Freiburg

(Jens-Steffen Gutmann：《自主移动系统的稳定导航》，弗莱堡阿尔布莱希特-路德维希大学2000年博士论文)

【2】Michael Bosse：，，ATLAS：A Framework for Large Scale Automated Mapping and Localization“，Disseration MASSACHUSETTS INSTITUTE OF TECHNOLOGY，Seiten 57 bis 62，Feb 2004

(Michael Bosse：《ATLAS：大型自动映射及定位的框架》第57至62页，马萨诸塞州技术学院2004年2月博士论文)

Claims (27)

1.一种利用一位于一对象上的传感器的传感器数据来对所述对象的运动进行计算机辅助计算的方法，所述传感器数据包含至少两个在不同时间点测得的测点集，所述这些测点集由所述对象的环境中的至少两个测点(P1，...，P12.M1，...，M5′)构成，其中，按如下方式测定所述对象在一于一第一时间点测得的第一测点集和一于一第二时间点测得的第二测点集之间的运动：

a)从所述第一测点集和所述第二测点集中提取至少两个结构元素(L，C)，所述至少两个结构元素(L，C)，由此获得一第一数据集和一第二数据集，所述第一数据集和所述第二数据集均包含所述被提取结构元素(L，C)和至少两个无法分配给任何结构元素(L，C)的不可分配测点(M1，...，M3′)；

b)寻找所述第二数据集中相同结构类型的结构元素(L，C)与所述第一数据集的结构元素(L，C)的关联，并在找到的关联的基础上，实施一变换序列来将所述第二数据集的结构元素(L，C)映射到所述第一数据集的结构元素(L，C)上，由此获得一第三数据集；

c)寻找所述第三数据集的结构元素(L，C)与所述第一数据集的不可分配测点(M1，...，M3′)的关联，并在找到的关联的基础上，实施一第二变换序列来将所述第三数据集的结构元素(L，C)映射到所述第一数据集的不可分配测点(M1，...，M3′)上，由此获得一第四数据集；

d)至少在所述第一变换序列和所述第二变换序列的基础上测定所述对象在所述第一时间点和所述第二时间点之间的运动。

2.根据权利要求1所述的方法，其中，所述被提取结构元素(L，C)至少是线条类型。

3.根据权利要求2所述的方法，其中，在步骤b)中先提取结构类型为线条的结构元素。

4.根据权利要求2或3所述的方法，其中，所述被提取结构元素还包括弓形区这一结构类型。

5.根据上述权利要求中任一项权利要求所述的方法，其中，步骤a)首先对至少两个包含连续测点(P1，...，P12)的连通分量进行测定，其中，属于同一个连通分量的相邻测点之间不超过一最大点距。

6.根据权利要求4和5所述的方法，其中，按如下方式从一连通分量中提取一结构类型为弓形区的结构元素：

首先计算一个圆(C)，其中，位于所述连通分量的各末端的边缘测点(P1，P12)以及位于所述连通分量的所述这些边缘测点(P1，P12)之间的一测点(P8)均分布在所述圆上，所述位于所述连通分量的所述这些边缘测点(P1，P12)之间的测点(P8)特别是基本位于所述这些边缘测点(P1，P12)之间的中点处；

如果所述连通分量的每个测点(P1，...，P12)与所述圆(C)之间的最小距离均小于一预定阈值，就将所述连通分量的所述这些测点(P1，...，P12)分配给计算出来的这个圆(C)，否则就在所述连通分量的一测点(P6)处将所述连通分量分割成两个连通分量，其中所述测点(P6)为与所述圆(C)之间的最小距离最大的测点。

7.根据上述权利要求中任一项权利要求所述的方法，其中，在步骤b)和步骤c)中将所述传感器的测量噪声考虑在内。

8.根据权利要求7所述的方法，其中，通过一迭代法按以下方式测定权利要求1中步骤b)的所述第一变换序列：

b.i)为一结构元素对集合计算至少两个变换的马氏距离，其中所述结构元素对集合的每个结构元素对包含一已变换第二数据集的一结构元素(L，C)和所述第一数据集的一结构元素(L，C)，所述那些变换进行一结构元素对中的结构元素(L，C)之间的映射，，所述马氏距离依赖于一瞬时协方差矩阵，并在考虑马氏距离的情况下选择一结构元素对且实施一变换以将所述结构元素(L，C)映射到被选的结构元素对上，由此获得一个新的已变换第二数据集；

b.ii)从所述结构元素对集合中至少去掉所述被选的结构元素对，更新所述协方差矩阵，并返回步骤b.i)。

9.根据权利要求8所述的方法，其中，在步骤b.i)中选择变换时优选马氏距离较小的变换和/或长结构元素(L，C)之间的变换和/或相似变换的集群。

10.根据权利要求8或9所述的方法，其中，对步骤b.i)中实施的变换进行估算和/或在步骤b.ii)中借助卡尔曼滤波更新所述协方差矩阵，其中对步骤b.i)中实施的变换进行估算特别是基于卡尔曼滤波进行的。

11.根据权利要求8至10中任一项权利要求所述的方法，其中，在步骤b.ii)中还从所述结构元素(L，C)集合中去掉结构元素对，所述这些去掉的结构元素对的结构元素(L，C)通过一变换进行彼此之间的映射，所述变换的马氏距离依赖于更新后的协方差矩阵且大于一预定阈值。

12.根据权利要求8至11中任一项权利要求所述的方法，其中，开始实施用于测定所述第一变换序列的所述迭代法时，所述已变换第二数据集对应于步骤a)中获得的第二数据集，且所述结构元素对集合包含了所有可能的对，所述这些可能的对包含了所述第一数据集和所述第二数据集的一结构元素(L，C)，或者包含了至少两个预选结构元素对，所述预选结构元素对中包括通过一变换进行其结构元素(L，C)彼此之间映射的结构元素对，所述变换的马氏距离依赖于一初始协方差矩阵且小于或者等于一预定阈值。

13.根据权利要求12所述的方法，其中，所述初始协方差矩阵根据一里程计的测量噪声测定和/或根据一运动模型测定。

14.根据上述权利要求中任一项权利要求结合权利要求7所述的方法，其中，通过一迭代法按以下方式测定权利要求1中步骤c)的所述第二变换序列：

c.i)为一结构元素/测点对集合计算变换的依赖于协方差矩阵的马氏距离，所述结构元素/测点对集合的每个结构元素/测点对包括一已变换第三数据集的一结构元素(L，C)和所述第一数据集的一不可分配测点(M1，...，M3′)，所述那些变换将一结构元素/测量点对中的结构元素(L，C)映射到不可分配测点(M1，...，M3′)上，其中，在考虑所述马氏距离的情况下选择一结构元素/测点对并实施一变换以将所述被选结构元素/测点对中的结构元素(L，C)映射到测点(M1，...，M3′)上，由此获得一个新的已变换第三数据集；

c.ii)从所述结构元素/测点对集合中至少去掉所述被选结构元素/测点对，这些被选结构元素/测点对的变换在步骤c.i)中已经被选，更新所述协方差矩阵，并返回步骤c.i)。

15.根据权利要求14所述的方法，其中，在步骤c.i)中选择变换时优选选择马氏距离较小的变换和/或相似变换的集群。

16.根据权利要求14或15所述的方法，其中，对步骤c.i)中实施的变换进行估算和/或在步骤c.ii)中借助卡尔曼滤波来更新所述协方差矩阵，其中对步骤c.i)中实施的变换进行估算特别是基于卡尔曼滤波进行的。

17.根据权利要求14至16中任一项权利要求所述的方法，其中，在步骤c.ii)中还从所述结构元素/测点对集合中去掉那些其结构元素(L，C)通过一变换映射到一不可分配测点(M1，...，M3′)上的结构元素/测点对，所述变换的马氏距离依赖于所述已更新协方差矩阵且大于一预定阈值。

18.根据权利要求14至17中任一项权利要求所述的方法，其中，开始实施用于测定所述第二变换序列的所述迭代法时，所述已变换第三数据集对应于步骤b)中获得的所述第三数据集，且所述结构元素/测点对集合包含了所有可能的对，所述这些可能的对包括所述第三数据集的一结构元素(L，C)和所述第一数据集的一不可分配测点(M1，...，M3′)，或者包含了至少两个预选结构元素/测点对，所述预选结构元素/测点对中包括通过一变换将其结构元素(L，C)映射到一不可分配测点(M1，...，M3′)上的结构元素/测点对，所述变换依赖于所述当前协方差矩阵且小于或者等于一预定阈值。

19.根据上述权利要求中任一项权利要求所述的方法，其中，步骤c)执行完毕后，寻找在所述第四数据集中剩下的不可分配测点(M1，...，M3′)与所述第一数据集的不可分配测点(M1，...，M3′)之间的关联，并在被找到的关联的基础上实施一第三变换序列以将所述第四数据集的不可分配测点(M1，...，M3′)映射到所述第一数据集的不可分配测点(M1，...，M3′)上，由此获得一第五数据集，其中，在所述第一变换序列、所述第二变换序列和所述第三变换序列的基础上测定所述对象在所述第一时间点和所述第二时间点之间的运动。

20.根据权利要求19所述的方法，其中，测定所述第五数据集时将所述传感器的测量噪声考虑在内。

21.根据权利要求20所述的方法，其中，通过一迭代法按以下方式测定所述第三变换序列：

i)为一测点对集合计算变换的依赖于协方差矩阵的马氏距离，所述测点对集合中的每个测点对都包含一已变换第五数据集的一不可分配测点(M1，...，M3′)和所述第一数据集的一不可分配测点，所述那些变换进行一测点对中不可变换测点(M1，...，M3′)之间的映射，并在考虑所述马氏距离的情况下选择一测点对且实施一变换以进行所述被选测点对中的不可分配测点(M1，...，M3′)之间的映射，由此获得一个新的已变换第五数据集；

ii)从所述测点对集合中至少去掉所述被选测点对，更新所述协方差矩阵，并返回步骤i)。

22.根据权利要求21所述的方法，其中，在步骤i)中选择变换时优选马氏距离较小的变换和/或相似变换的集群。

23.根据权利要求21或22所述的方法，其中，对步骤i)中实施的变换进行估算以及/或者在步骤ii)中借助卡尔曼滤波更新所述协方差矩阵，对步骤i)中实施的变换进行估算特别是基于卡尔曼滤波进行的。

24.根据上述权利要求中任一项权利要求所述的方法，其中，位于所述对象上的所述传感器是一激光扫描器，所述传感器数据是激光扫描。

25.根据上述权利要求中任一项权利要求所述的方法，其中，所述方法用于对一机器人和/或一起重机和/或一车辆的运动进行测定。

26.一种利用一位于一对象上的传感器的传感器数据来对所述对象的运动进行计算机辅助计算的装置，所述传感器数据包含至少两个在不同时间点测得的测点集，所述测点集由所述对象的环境中的至少两个测点(P1，...，P12.M1，...，M5′)构成，其中，所述装置具有一构件，所述构件用于对所述对象在一于一第一时间点测得的第一测点集和一于一第二时间点测得的第二测点集之间的运动进行测定，所述构件采用一种设计，所述设计使得一根据上述权利要求中任一项权利要求所述的方法可在所述装置工作时得到实施。

27.一种计算机程序产品，所述计算机程序产品包含一存储在一机读载体上的程序代码，当所述程序在一计算机上运行时，所述程序代码可使一根据上述权利要求中任一项权利要求所述的方法得到实施。

Images