CN103926578A - 一种室内环境的线性特征提取方法 - Google Patents

Abstract

一种室内环境的线性特征提取方法，包括步骤为：合理选取有效的数据信息；有效的选取数据提取数据的局部特征信息；将提取到的局部特征信息加以整合得到全局环境下的特征信息。本发明通过特征的分布提取以及数据的后期融合，实现了机器人使用声纳传感器在室内环境下的特征提取，与其他的基于增量算法的特征提取方案相比降低了计算量且提高了性能和准确性。

Description

一种室内环境的线性特征提取方法

技术领域

本发明涉及的是一种室内环境的线性特征提取方法，具体形式为离线处理机器人采集的环境数据，实现室内环境线性特征地提取，为机器人室内环境中的拓扑定位提供技术支撑。

背景技术

随着科技的发展，移动机器人被广泛地应用于不同的领域，更多的机器人开始走进普通家庭，服务日常生活。但是，环境地图的创建精度制约机器人进一步的功能拓展。声纳传感器作为一种廉价、常见的距离传感器，被广泛的应用于移动机器人地图创建过程中。然而，声纳传感器的精度相对较低，需要有效的信息处理方式，以降低误差对地图创建结果的影响。

常见的特征提取算法包括线性回归算法、增量算法、RANSAC算法、霍夫变换算法和EM算法等。但传统的增量算法是采用对传感器采集的数据随机取二点拟合直线，提取环境线性特征。这一方面增加了算法的偶然性，也降低了拟合特征信息的最适性。

本发明综合增量算法和RANSAC算法的优势，提出了一种分步数据处理、多规则数据融合的特征提取算法，实验结果表明该算法能够显著提高特征提取的精度。

发明内容

本发明解决了传统算法直线拟合过程存在选点随机性大，算法效率低，以及无法得到最佳拟合直线可能不过数据中的点的问题。在后期数据处理过程中采用多规则数据融合的思想，提高了特征提取的准确性。

本发明提出一种室内环境的线性特征提取方法，步骤包括：

第一步，基于机器人获取的环境信息，去除其中不符合要求的数据（记实验数据为(x,y,r)其中x,y分别表示机器人坐标系下的水平和垂直距离，r为传感器到目标的距离。不符合要求的数据标记r＝R，其中R为声纳传感器的最大测量距离）。

第二步，定义长度为data_len的滑动窗口Win，从T0时刻开始，首先对传感器进行分组，每组取data_len*sen_num个数据，其中sen_num表示每个分组包含的传感器个数。

第三步，从第二步获得的一组数据中随机选取n个点（本发明中取n=5），按照最小二乘法进行直线拟合。本发明假设直线方程为y＝kx+b（平行于y轴的直线单独考虑）。

$k=\frac{\left(\mathrm{\Σ}{x}_i^2\right)\left(\mathrm{\Σ}{y}_i\right)-\left(\mathrm{\Σ}{x}_i\right)\left(\mathrm{\Σ}{x}_i{y}_i\right)}{n\left(\mathrm{\Σ}{x}_i^2\right)-{\left(\mathrm{\Σ}{x}_i\right)}^2}$

$b\frac{n\left(\mathrm{\Σ}{x}_i{y}_i\right)-\left(\mathrm{\Σ}{x}_i\right)\left(\mathrm{\Σ}{y}_i\right)}{n\left(\mathrm{\Σ}{x}_i^2\right)-{\left(\mathrm{\Σ}{x}_i\right)}^2}$

其中x_i,y_i分别表示数据中第i点的水平坐标和垂直坐标，n表示随机取点的个数；

第四步，计算分类数据中其余点到该直线的距离d，并与距离阈值D比较，记录大于距离阈值数据点的个数，其中

第五步，计算符合距离阈值的点占分类数据的比例num_rat，并与比例阈值RD（距离阈值根据实验条件设定）作比较。

第六步，如果满足比例阈值，则得到的直线符合要求；否则重复第三到第五步至得到满足条件的直线。

第七步，重复第三步到第六步Re次（本发明中取Re=10），从Re次得到的结果中选取最大num_rat对应的直线作为最佳拟合结果。

第八步，分离第七步中不满足距离阈值的点作为初始数据。重复第三步到第八步的操作，得到符合条件的直线。

第九步，重复第三到第八步直至无法得到新的特征信息（本发明设定剩余拟合点数少于设定值，则认为无新的特征信息）。

第十步，滑动Win（每次移动的距离记为Δ），重复上述第三步到第九步,平移次数为T，即窗口每次滑动Δ个距离，每组传感器数据量最小的数据点的个数min，T＝(min-data_len)/Δ;按照第二步到第九步的过程得到所有的直线特征参数。

第十一步，将得到的参数从直角坐标系（斜率k和截距b）转换到极坐标系（倾斜角θ和极径ρ）；

$\mathrm{\ρ}=\left|b\right|/\sqrt{1+k^2}$

θ＝arctan(-1/k)

第十二步，在极坐标系下，以θ＝θ₀为界（本发明取θ₀＝10°），对(ρ,θ)进行划分。

第十三步，在matlab R2010a环境下，利用clusterdata()聚类函数对划分后的参数进行分析。

第十四步，针对每一个类别，当其数据量大于num1_data（本发明取num1_data=50）时，利用霍夫变换得到最佳特征参数，当数据量不大于num1_data时，采用最小二乘法或求均值的方法得到特征参数。

第十五步，计算最佳拟合直线参数在直角坐标系下的斜率k和截距b，结合原数据得到每一条直线的端点坐标。

附图说明

图1为算法流程图。

具体实施方式

本实施例在以发明技术方案为前提下进行实施，给出了详细的实施方案和过程，但本发明的实施范围不限于下述的实施例。

本实施例是利用机器人Pioneer3-DX在室内环境下采集的数据，在Microsoft VisualStudio C++6.0和matlab R2012a环境下实现环境特征的线性提取。试验中使用机器人采集的1200组数据，按照本发明处理步骤如下：

（1）初始化N个采样点(x,y,r)；

（2）分离出r＜5000mm（本发明所用声纳传感器的最大测试距离为5000mm）的点；

（3）分离每个传感器获得的数据；

（4）依据机器人Pioneer3-DX的传感器排列，按照一定取数方式组合机器人一侧传感器的数据，重复拟合过程Re次；

（5）while（repeat_num<=Re）

{

i、在选取的data_len*sen_num数据中随机选取n点；

ii、运用最小二乘法，利用上述n点进行直线拟合；

iii、计算余下的点到该拟合直线的距离，并与实验设定的D（实验设定的距离阈值）作比较，记录符合条件（点到直线的距离大于距离阈值）的点占所取数据的比例。如果该比例大于RD（RD为实验设定的比例阈值），则拟合直线符合要求。否则重复ⅰ到ⅲ的过程直到得到满足条件（拟合过程中同时大于两个阈值）的拟合直线。

}

（6）从（5）中的数据分离出满足d>D的点作为二次拟合的数据，重复过程（5）拟合出余下符合条件的直线，直到没有新的特征信息结束；

（7）滑动窗口Win，每一滑动的长度为data_len，按照上述过程拟合直线，设总的滑动次数为T；

（8）运行程序得到拟合直线参数斜率k和截距b，将其转换为倾斜角θ和极径ρ；

（9）把转换后的数据以θ＝θ°为标准划分参数；

（10）将划分后的数据运用matlab R2012a中的clusterdata()函数进行聚类；

（11）根据聚类后每个类别中的数据量clu_data，按照不同的方式进行直线拟合；

if（clu_data＞num1_data），依据霍夫变换方法进行直线拟合；

if（clu_data≤num1_data），按照求均值或最小二乘方法进行直线拟合；

（12）再将最终得到的倾斜角θ和极径ρ转换为斜率k和截距b，带回到原数据中得到直线上的点，进而得到线段的起点和终点。

Claims (1)

1.一种室内环境的线性特征提取方法，步骤包括：

第一步，基于机器人获取的环境信息，记实验获取的数据形式为(x,y,r)，其中x,y分别表示机器人坐标系下的水平和垂直距离，r为传感器到目标的距离；不符合要求的数据标记r＝R，其中R为声纳传感器的最大测量距离；去除其中不符合要求的数据；

第二步，定义长度为data_len的滑动窗口Win，从T0时刻开始，首先对传感器进行分组，每组取data_len*sen_num个数据，其中sen_num表示每个分组包含的传感器个数；

第三步，从第二步获得的一组数据中随机选取n个点，按照最小二乘法进行直线拟合；假设直线方程为y＝kx+b；

$k=\frac{\left(\mathrm{\&Sigma;}{x}_i^2\right)\left(\mathrm{\&Sigma;}{y}_i\right)-\left(\mathrm{\&Sigma;}{x}_i\right)\left(\mathrm{\&Sigma;}{x}_i{y}_i\right)}{n\left(\mathrm{\&Sigma;}{x}_i^2\right)-{\left(\mathrm{\&Sigma;}{x}_i\right)}^2}$

$b\frac{n\left(\mathrm{\&Sigma;}{x}_i{y}_i\right)-\left(\mathrm{\&Sigma;}{x}_i\right)\left(\mathrm{\&Sigma;}{y}_i\right)}{n\left(\mathrm{\&Sigma;}{x}_i^2\right)-{\left(\mathrm{\&Sigma;}{x}_i\right)}^2}$

其中x_i,y_i分别表示数据中第i点的水平坐标和垂直坐标，n表示随机取点的个数；

第四步，计算分类数据中其余点到该直线的距离d，并与距离阈值D比较，记录大于距离阈值数据点的个数，其中

第五步，计算符合距离阈值的点占分类数据的比例num_rat，并与比例阈值RD作比较；

第六步，如果满足比例阈值，则得到的直线符合要求，否则重复第三到第五步至得到满足条件的直线；

第七步，重复第三步到第六步Re次，从Re次得到的结果中选取最大num_rat对应的直线作为最佳拟合结果；

第八步，分离出第三步选定数据中满足点到第七步得到的直线距离不小于设定距离阈值的点作为初始数据；重复第三步到第八步的操作，得到符合条件的直线；

第九步，设定剩余拟合点数少于设定值，则认为无新的特征信息；重复第三到第八步直至无法得到新的特征信息；

第十步，滑动Win，每次移动的距离记为Δ，重复上述第三步到第九步的过程，平移次数为T，即窗口每次滑动Δ个距离，每组传感器数据量最小的数据点的个数min，T＝(min-data_len)/Δ；按照第二步到第九步的过程得到所有的直线特征参数；

第十一步，将得到的直线特征参数从直角坐标系转换到极坐标系；其中倾斜角θ，极径ρ，斜率k，截距b；

$\mathrm{\&rho;}=\left|b\right|/\sqrt{1+k^2}$

θ＝arctan(-1/k)

第十二步，在极坐标系下，以θ＝θ₀为界，对(ρ,θ)进行划分；

第十三步，在matlab R2010a环境下，利用clusterdata()聚类函数对划分后的参数进行分析；

第十四步，针对每一个类别，当其数据量大于num1_data时，利用霍夫变换得到最佳特征参数，当数据量不大于num1_data时，采用最小二乘法或求均值的方法得到最佳特征参数；

第十五步，计算最佳拟合直线参数在直角坐标系下的斜率k和截距b，结合原数据得到每一条直线的端点坐标。