CN105466421A - 面向可靠wifi连接的移动机器人自主巡航方法 - Google Patents

Abstract

本发明公开了一种面向可靠WIFI连接的移动机器人自主巡航方法，包括以下步骤：1)机器人通过自主探索导航遍历整个环境，根据访问位置处的有限个测点的WIFI信号强度数据，利用高斯过程回归模型建立WIFI二维分布场的概率模型；2)同时建立环境栅格地图，并与WIFI信号强度分布相融合，生成混合地图即WIFI地图；3)利用已建立的WIFI地图进行避障导航，从而在实现最优路径避障导航的同时确保机器人所经路径绕开WIFI信号薄弱区域。本发明仅需要有限个WIFI信号强度测点数据，就可以利用机器学习算法估算出整个室内房间的WIFI信号分布，适用于远程移动机器人巡航监控中对实时无线网络连接有较高要求的应用场合。

Description

面向可靠WIFI连接的移动机器人自主巡航方法

技术领域

本发明涉及一种面向可靠WIFI连接的移动机器人自主巡航方法，属于移动机器人导航与远程监控。

背景技术

无线网络摆脱了有线的束缚，通过无线通信网络进行数据采集和监控，与有线通信方式相比，具有建网容易、管理方便、适应范围广、不受环境的限制、抗干扰能力强、网络的保密性好等优点。这也使得基于无线通信方式控制的智能移动机器人的优势越来越明显。在利用室内WIFI无线网络的移动机器人远程监控应用中，移动机器人的导航模式主要有两种工作方式：

一种工作方式是远程遥操作导航模式。大多数巡航监控机器人都工作在遥操作运行模式下，监控人员通过远程客户端软件界面来操纵机器人运动，机器人将实时采集画面通过WIFI网络回传给监控客户端(参见“彭一准，原魁，周庆瑞，一种遥操作移动机器人的研究与实现，科学技术与工程，2005,1162-1166.”)。位于操作端的操作者需要实时知道移动机器人端的环境信息、任务进展情况以及移动机器人本体的状态信息，并通过网络发送机器人控制指令。因此此类系统对无线网络连接提出了很高的要求，当机器人进入无线网络信号覆盖薄弱区域时，远程实时遥控操作将被断开。

另一种工作方式是自主导航模式。一些巡航监控机器人初步具备了自主导航功能，即利用环境地图实现自主导航，例如漫游、探索、点到点运动等，并在导航过程中传回实时视频信息。而这种情况下，也需要确保机器人不进入无无线网络覆盖区域，或者偶然进入无线网络信号覆盖薄弱区域之后能立刻自行离开，从而确保实时视频信息的回传。

本发明所提出的面向可靠WIFI连接的机器人导航，是指机器人在未知AP位置的情况下，通过自主建立室内环境的WIFI分布地图并利用该地图进行导航从而绕开WIFI信号薄弱的区域。因此该发明中的关键问题是建立室内环境的WIFI地图。

当需要描述室内复杂环境的路标、地点、栅格以及WIFI信号强度分布等多种信息时，应建立混合形式的环境模型，例如拓扑/栅格混合地图、栅格/特征混合地图等(参见“Z.Lin.Recognition-basedIndoorTopologicalNavigationUsingRobustInvariantFeatures.IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.2005,3975-3980”)。建立环境的WIFI地图就是通过机器人SLAM过程创建环境的栅格地图，同时根据机器人对环境WIFI强度测量所得的有限数据，利用高斯回归模型建立连续的环境WIFI强度分布，并将障碍物栅格地图与WIFI强度分布图相融合。

障碍物环境地图创建是移动机器人的基本研究问题之一。经专利检索查新，熊蓉等人申请了中国发明专利第200610053690.2号，名称为“移动机器人在未知环境中同时定位与地图构建的方法”。该专利公开了一种移动机器人在未知环境中同时定位与地图构建的方法，利用测距传感器获得的数据，构建局部线段特征地图和栅格地图，利用当前机器人位姿估计结果对局部地图进行坐标变换，从而更新全局特征地图和全局栅格地图。此类方法并未讨论WIFI地图的创建问题，所创建的地图也仅描述了环境几何与障碍物特征。

以往的WIFI分布创建方法大多不是利用机器人实际测量数据进行建模，而是根据已知AP位置并利用电磁波衰减模型等从理论上分析WIFI信号的室内传递公式，根据室内墙壁等障碍物特点来建立RSS信号的空间分布(见涂岩恺，陈典全，多模自适应WIFI无线图构建与定位方法，电子测量技术，2013，36(9)：112-114)。而本发明考虑的是在未知环境、未知AP位置情况下，不依赖于RSS信号的理论传播模型，如何仅利用移动机器人所测量的WIFI信号强度来建立WIFI的二维场分布，与以往方法存在本质上不同。

利用移动机器人建立环境参数的连续二维场分布是最近出现的移动机器人应用之一，目前此类典型应用是学习环境中危险气体的概率分布(见C.Stachniss,C.Plagemann,A.J.Lilienthal,LearninggasdistributionmodelsusingsparseGaussianprocessmixtures,AutonomousRobots,2009,26,2-3,187-202.)，从而用于估计危险气源的泄露点位置。对于基于传感器网络的环境场参数场(例如温度场、气体浓度场等)测量问题，不仅关心测点处的测量值，更关心无测点处的测量值。在机器学习方法中，高斯过程模型是拟合、预测随机变量概率分布的有力数学工具，其特点在于能够获知预测分布的不确定性，(参见“C.Guestrin,A.Krause,andA.Singh.Near-optimalsensorplacementsingaussianprocesses.InICML,2005.”)。通常可利用的数据样本仅仅是少量离散点处的实测值，因此存在典型的数据回归问题。但是目前尚无类似论文及公开专利讨论如何仅利用移动机器人所探测的有限WIFI信号强度数据点，来建立WIFI信号的连续二维场分布等相关问题。

发明内容

发明目的：针对未知室内环境中WIFI无线网络连接下的机器人巡航监控问题，本发明提出了一种面向可靠WIFI连接的移动机器人自主巡航方法。通过机器人自主探索导航遍历整个环境，根据访问位置处的有限个测点的WIFI信号强度数据，利用高斯过程回归模型建立WIFI二维分布场的概率模型；同时建立环境栅格地图，并与WIFI信号强度分布相融合，生成混合地图即WIFI地图；利用已建立的WIFI地图进行避障导航，从而在实现最优路径避障导航的同时确保机器人所经路径绕开WIFI信号薄弱区域。该方法适用于远程移动机器人巡航监控中对实时无线网络连接有较高要求的应用场合。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种面向可靠WIFI连接的移动机器人自主巡航方法，包括以下步骤：

步骤1，对于未知环境，机器人通过自主探索导航遍历整个未知环境，建立环境障碍物栅格地图与WIFI信号强度分布的混合地图，该混合地图即为WIFI地图；

WIFI地图创建过程中，采用移动机器人搭载的控制计算机WIFI模块测量未知环境内的WIFI信号强度，在机器人探索未知环境的过程中采集WIFI信号强度并记录测点位置；根据WIFI信号强度和测点位置，通过高斯过程回归模型拟合WIFI信号强度的连续二维场概率分布，同时估计机器人未访问的任意位置上的WIFI信号强度测量值；

根据拟合得到的WIFI信号强度的连续二维场概率分布与环境障碍物栅格地图相融合，得到室内环境的WIFI地图；

步骤2，利用已建立的WIFI地图进行避障导航，从而在实现最优路径避障导航的同时确保机器人所经路径绕开WIFI信号薄弱区域。

所述步骤1中的高斯过程回归模型为采用高斯过程回归拟合场的二维分布概率模型，其建立方法如下：将分散在室内各个点上的环境测量参数考虑为随机变量，根据移动机器人测量到的WIFI信号强度和测点位置，利用高斯过程回归方法，拟合连续的WIFI信号概率分布。

所述步骤1中WIFI地图为将机器人通过自主探索导航遍历整个未知环境得到的环境障碍物栅格地图与WIFI信号强度的连续二维场概率分布通过概率方法进行融合，从而生成一种既描述环境障碍物几何信息又描述环境WIFI信号强度分布的混合地图；其中，每个栅格的概率值既能表达被障碍物占有的概率，又能表达当前点处WIFI信号强弱。

在机器人在运行过程中，机器人以一定频率更新WIFI地图以适应障碍物变动及WIFI信号变化情况。

所述步骤2中利用已建立的WIFI地图进行避障导航的方法如下：对于机器人工作在遥操作模式下的情况，机器人对进入WIFI信号薄弱区域的操作指令加以屏蔽，从而避免遥操作者将机器人驶入可能不存在WIFI连接的区域；对于机器人工作在自主导航模式下的情况，机器人利用已创建的WIFI地图并采用D*Lite导航算法进行自主导航，实现自主绕开WIFI信号薄弱区域而最终仍能到达设定目标点；另外，若设定导航目标点为在WIFI信号薄弱区域内的情况，系统通过远程监控软件界面向操作者报警，提示其导航目标点不可达。

所述步骤1中机器人通过自主探索导航遍历整个未知环境建立环境障碍物栅格地图的方法如下：

步骤111，机器人旋转360度扫描，更新传感器检测到的网格的占据概率，据此判断前沿部分；

步骤112，采用Dijkstra算法进行路径规划，从机器人当前位置开始，寻找到目标位置的最短的无障碍路径；

步骤113，选择最近可行并且没有访问过的前沿作为目标点并导航，导航过程中采用机器人的反应性避碰行为进行实时避障；

步骤114，如果机器人在一定时间之内不能够到达目的地，那么将这个位置添加到不可行空间，然后从步骤111重新开始；

步骤115，当检测不到前沿部分时，则探索过程结束，此时通过地图保存节点保存通过GraphSLAM算法实时创建的栅格地图，进而得到环境障碍物栅格地图。

所述步骤1中采用移动机器人搭载的控制计算机WIFI模块测量未知环境内的WIFI信号强度的方法如下：WIFI信号测量进程通过读取机器人车载WIFI模块文件得到实时的WIFI信号数据，并通过主题形式发布出来；而机器人位置信息节点实时发布机器人实时位置信息；WIFI信号测量进程在机器人操作系统下建立一个监听节点，同时监听WIFI测量节点发布的WIFI强度数据和机器人位置信息节点发布出来的机器人的位置信息；WIFI信号样本采集与机器人探索未知环境同步进行，机器人在探索过程中实时采集并记录每帧数据；每帧数据包括当前测量点获得的WIFI强度s_i、机器人当前位置坐标(r_xi,r_yi)，则机器人采集的一帧数据记为：A_i＝(s_i,r_xi,r_yi)，而当前该帧对应的时间戳为t_i；设本次移动测点数据采样过程中，机器人运行路径平均耗时t，期望获取样本数目为n，则机器人应每隔t/n时间采集并记录一次数据；当机器人完成一次自主探索时，即可获取一份室内环境的WIFI分布样本数据。

所述步骤1中通过高斯过程回归模型拟合WIFI信号强度的连续二维场概率分布的方法：

步骤121，设各个测点获取的变量得到一个关于索引号的有限点集高斯过程的特性之一就是，对于任意其中随机变量构成的子集其联合分布仍为高斯分布。高斯过程描述的二维场分布模型，可以用于预测未布置测点处的环境参数。即如果已获取WIFI样本集对应的观测集合则通过高斯过程模型预测任意点在已知观测为前提下的条件概率分布为该条件分布的均值与协方差

其中，协方差向量中任意元素的值为是协方差函数；是对应的均值向量，μ_o是o对应的均值向量；是对应的协方差矩阵，其中任意u,v元素对应的基元为以及有关系

步骤122，记函数f(x)～GP(m(x),为某高斯过程分布函数，其中m(x)和分别是均值函数与协方差函数；高斯过程预测算法输入参数为是m组训练输入样本，y＝[y₁,…,y_n]∈Rⁿ是n个训练输出结果样本；k(·,·):R^D×D→R是协方差函数即核函数，给定观测噪声σ²；对于任意待测试样本输入m维x_*＝(x_*1,…,x_*m)，可以从f中得到这m个测试点的预测值，记为f_*及其协方差cov(f_*)；

步骤123，记K＝k(X,X)∈R^n×n，其中K_ij＝k(x_i,x_j)，K_*＝k(X,X_*)∈R^n×m，以及 $k\left(x_{*}\right)=k_{*}=k(X,x_{*})=\left[\begin{array}{c}k(x_1,x_{*})\\ ...\\ k(x_n,x_{*})\end{array}\right]\∈R^n,$ 对输入样本及给定核函数，计算矩阵n×n矩阵K；

步骤124，采用Cholesky分解法计算α＝(K+σ²I_n)^-1y；

(K+σ²I_n)α＝y

L^TL＝K+σ²I_n

α＝L^T/(L/y)

其中，I_n为维数为n×n的单位阵，L为Cholesky分解得到的一个下三角矩阵；

步骤125，计算测试点上的GP函数取值

$\stackrel{\‾}{f_{*}}=k_{*}^T\mathrm{\α}\∈R;$

步骤126，计算测试点上的协方差值：

$\mathrm{cov}\left(f_{*}\right)=k(x_{*},x_{*})-k_{*}^T{\[K+{\mathrm{\σ}}^2{I}_n\]}^{-1}{k}_{*}\∈R.$

所述步骤1中根据拟合得到的WIFI信号强度的连续二维场概率分布与环境障碍物栅格地图相融合的方法：

步骤131，将WIFI强度转换为灰度图像的灰度值：

G_W＝255(S+S_min)/(S_max-S_min)；

其中，S表示室内环境WIFI强度，S_min表示WIFI信号最小值，S_maxWIFI信号最大值，G_W表示室内环境WIFI强度转换之后的灰度值；

步骤132，根据室内环境栅格地图的灰度值以及步骤131得到的室内环境WIFI强度转换之后的灰度值建立WIFI信号强度的连续二维场概率分布与环境障碍物栅格地图相融合模型：

$G_B=\left\{\begin{array}{cc}{G}_W& G_W<min(86,G_W)\\ G_I& else\end{array}\right.;$

其中，G_B表示融合后地图的灰度值，G_I表示室内环境栅格地图的灰度值，G_W表示室内环境WIFI强度转换之后的灰度值。

有益效果：本发明提供的面向可靠WIFI连接的移动机器人自主巡航方法，相比现有技术，具有以下有益效果：

1.本方法可解决室内WIFI信号实际分布的估计问题，需要机器人大致遍历整个室内环境，但仅需要有限个WIFI信号强度测点数据，就可以利用机器学习算法估算出整个室内房间的WIFI信号分布。且未访问点处的WIFI信号强度也可以根据所拟合模型进行预测，能够确保一定准确性。

2.本方法可解决远程机器人巡航监控中始终保持WIFI无线网络可靠连接的问题，将该方法用于传统的远程机器人遥操作方式，可以确保机器人不丢失网络连接，以保证实时有效的遥操作；将该方法用于机器人自主巡航监控，则能够确保机器人绕开WIFI信号薄弱区域，从而实时传回有效的远程视频信息。

附图说明

图1为一个示意室内环境，其中标记AP为无线访问接入点位置；

图2为采用经典的MK模型仿真出该环境下的理想WIFI分布；

图3为机器人探索环境之后创建的栅格地图，其中轨迹上的点表示机器人采集WIFI信号强度的测点位置；

图4为WIFI信号强度分布的拟合结果，其中X-Y方向对应室内环境地图的X-Y方向，Z方向值为各个点的预测WIFI信号强度(dBm)；

图5给出了不考虑WIFI分布的巡航路径与面向可靠WIFI连接的巡航路径两种对比；其中图5a为不考虑WIFI分布的巡航路径，图5b为面向可靠WIFI连接的巡航路径；

图6给出这两种对比巡航方式的路径；

图7给出机器人沿这两种路径巡航分别获取的WIFI信号强度。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种面向可靠WIFI连接的移动机器人自主巡航方法，包括以下步骤：

步骤1，对于未知环境，机器人通过自主探索导航遍历整个未知环境，建立环境障碍物栅格地图与WIFI信号强度分布的混合地图，该混合地图即为WIFI地图。

WIFI地图创建过程中，采用移动机器人搭载的控制计算机WIFI模块测量未知环境内的WIFI信号强度，在机器人探索未知环境的过程中采集WIFI信号强度并记录测点位置；根据采集获取的数据样本(WIFI信号强度和测点位置)，通过高斯过程回归模型拟合WIFI信号强度的连续二维场概率分布，同时估计机器人未访问的任意位置上的WIFI信号强度测量值。

根据拟合得到的WIFI信号强度的连续二维场概率分布与环境障碍物栅格地图相融合，得到室内环境的WIFI地图。

所述步骤1中的高斯过程回归模型为采用高斯过程回归拟合场的二维分布概率模型，其建立方法如下：将分散在室内各个点上的环境测量参数考虑为随机变量，根据移动机器人测量到的WIFI信号强度和测点位置，利用高斯过程回归方法，拟合连续的WIFI信号概率分布。

所述步骤1中WIFI地图为将机器人通过自主探索导航遍历整个未知环境得到的环境障碍物栅格地图与WIFI信号强度的连续二维场概率分布通过概率方法进行融合，从而生成一种既描述环境障碍物几何信息又描述环境WIFI信号强度分布的混合地图；其中，每个栅格的概率值既能表达被障碍物占有的概率，又能表达当前点处WIFI信号强弱。

为准确刻画WIFI地图的动态性，在机器人长期运行过程中，机器人以一定频率更新WIFI地图以适应障碍物变动及WIFI信号变化情况。

步骤2，利用已建立的WIFI地图进行避障导航，从而在实现最优路径避障导航的同时确保机器人所经路径绕开WIFI信号薄弱区域。

所述步骤2中利用已建立的WIFI地图进行避障导航的方法如下：对于机器人工作在遥操作模式下的情况，机器人对进入WIFI信号薄弱区域的操作指令加以屏蔽，从而避免遥操作者将机器人驶入可能不存在WIFI连接的区域；对于机器人工作在自主导航模式下的情况，机器人利用已创建的WIFI地图并采用D*Lite导航算法进行自主导航，实现自主绕开WIFI信号薄弱区域而最终仍能到达设定目标点；另外，若设定导航目标点为在WIFI信号薄弱区域内的情况，系统通过远程监控软件界面向操作者报警，提示其导航目标点不可达。

本发明实施例的方法步骤是：

(1)首先机器人在未知室内环境中自主探索，完成同时定位与地图创建，得到环境的栅格地图；在探索环境的同时，采集有限数目个WIFI信号强度数据，并记录各个测点相应的机器人位置。

(2)获取WIFI信号强度的样本数据之后，采用高斯过程回归拟合二维WIFI场在室内平面坐标系下的分布概率模型，从该模型中可以预测得到整个环境中任意位置的WIFI信号强度概率。

(3)将WIFI信号强度分布与栅格地图相融合，得到室内环境的WIFI地图。

(4)基于WIFI地图的巡航机器人导航，根据巡航机器人工作在遥操作模式或自主导航模式下两种不同情况分别处理，确保机器人导航过程中始终具备可靠的WIFI无线网络连接，实现实时将视频等状态信息反馈给远程监控人员。

具体实现方式为：

1、未知建筑物室内环境下的自主探索与WIFI测点数据采集。具体步骤如下：

在具体实施中，采用通用型Pioneer3DX移动机器人，机器人车载控制计算机具备无线网卡，在环境中采用自主探索导航算法进行环境探索。探索环境的同时，机器人采用车载二维激光扫描传感器扫描数据并采用GraphSLAM算法完成自身定位与环境地图创建，并在导航过程中每隔固定时间周期(1s)采集一次WIFI信号并记录相应的位置地点。一个示意环境如图1所示，其中标记AP为无线访问接入点位置，其中图中数字1，2，3，4，5为不同类型材质的障碍物：1为电磁干扰、2为混凝土墙、3为砖墙、4为木材、5为玻璃。为示意说明，采用经典的MK模型仿真出该环境下的理想WIFI分布，如图2所示。机器人自主环境探索的步骤如下：

①机器人旋转360度扫描，更新传感器检测到的网格的占据概率，据此判断前沿部分；

②采用Dijkstra算法进行路径规划，从机器人当前位置开始，寻找到目标位置的最短的无障碍路径；

③选择最近可行并且没有访问过的前沿作为目标点并导航，导航过程中采用机器人的反应性避碰行为进行实时避障；

④如果机器人在一定时间内到达目的地，则将达到的新目的地的位置信息添加到可行空间，更新地图，然后从步骤①重新开始，直至检测不到前沿区域位置；

⑤如果机器人在一定时间之内不能够到达目的地，那么将这个位置添加到不可行空间，然后从步骤①重新开始；

⑥当检测不到前沿部分时，则探索过程结束，此时通过地图保存节点(map_server)保存通过GraphSLAM算法实时创建的栅格地图。

WIFI信号的采集具体步骤如下：

WIFI信号测量进程通过读取机器人车载电脑的无线网卡设备文件得到实时的WIFI信号数据，并通过主题形式发布出来。而机器人位置信息节点(robot_pose_publisher)会实时发布机器人实时位置信息。在机器人操作系统(ROS)下建立一个监听(listener)节点，同时监听WIFI测量节点发布的WIFI强度数据和机器人位置信息节点发布出来的机器人的位置信息。WIFI信号样本采集与机器人探索未知环境同步进行，为保证采集样本数据的可靠性，需要机器人在探索过程中实时采集并记录每帧数据。每帧数据包括当前测量点获得的WIFI强度s_i、机器人当前位置坐标(r_xi,r_yi)。故机器人采集的一帧数据记为：A_i＝(s_i,r_xi,r_yi)，而当前该帧对应的时间戳为t_i。设本次移动测点数据采样过程中，机器人运行路径平均耗时t，期望获取样本数目为n，则机器人应每隔t/n时间采集并记录一次数据。当机器人完成一次自主探索时，即可获取一份室内环境的WIFI分布样本数据。图3为机器人探索环境之后创建的栅格地图，其中轨迹上的点表示机器人采集WIFI信号强度的测点位置。

2、采用高斯过程回归拟合二维WIFI场的分布概率模型。具体步骤如下：

对于基于传感器网络的环境场参数(例如温度场、WIFI分布场等)测量问题，不仅关心测点处的测量值，更关心无测点处的测量值。为此采用高斯过程回归来预测二维场的空间概率分布，其特点在于能够获知预测分布的不确定性。设n个随机变量X的联合分布为：

$P(X=x)=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{n/2}\left|\mathrm{\&Sigma;}\right|}{e}^{-\frac{1}{2}{(x-\mathrm{\&mu;})}^T{\mathrm{\&Sigma;}}^{-1}(x-\mathrm{\&mu;})}---\left(1\right)$

其中μ为均值向量，Σ为协方差矩阵。考虑用变量i作为下标将各个测点获取的变量记作X_i∈X，则得到一个索引号的有限点集高斯过程的特性之一就是，对于任意其中随机变量构成的子集其联合分布仍为高斯分布。一个高斯过程用其均值函数和对称正定核函数唯一确定，也称为协方差函数。对任意随机变量下标其均值记为对任意一对下标为u,的随机变量，其协方差记为设变量集合对应的均值向量为其中u对应的基元为将集合对应的协方差为其中u,v对应的基元为

高斯过程描述的二维场分布模型，可以用于预测未布置测点处的环境参数。即如果已获取WIFI样本集对应的观测集合则通过高斯过程模型预测任意点在已知观测为前提下的条件概率分布为该条件分布的均值与协方差

其中，协方差向量中任意元素的值为是协方差函数；是对应的均值向量，μ_o是o对应的均值向量；是对应的协方差矩阵，其中任意u,v元素对应的基元为以及有关系

记函数f(x)～GP(m(x),为某高斯过程分布函数，其中m(x)和分别是均值函数与协方差函数。高斯过程预测算法输入参数为是m组训练输入样本，y＝[y₁,…,y_n]∈Rⁿ是n个训练输出结果样本。k(·,·):R^D×D→R是协方差函数即核函数，给定观测噪声σ²。对于任意待测试样本输入m维x_*＝(x_*1,…,x_*m)，可以从f中得到这m个测试点的预测值，记为f_*及其协方差cov(f_*)。

则利用高斯过程描述的二维场分布模型来预测WIFI的空间分布步骤如下：

①记K＝k(X,X)∈R^n×n，其中K_ij＝k(x_i,x_j)，K_*＝k(X,X_*)∈R^n×m，以及

$k\left(x_{*}\right)=k_{*}=k(X,x_{*})=\left[\begin{array}{c}k(x_1,x_{*})\\ ...\\ k(x_n,x_{*})\end{array}\right]\&Element;R^n,$ 对输入样本及给定核函数，计算矩阵n×n矩阵K；

②计算α＝(K+σ²I_n)^-1y，改逆矩阵一般较难求解，故采用Cholesky分解法计算，即：

(K+σ²I_n)α＝y

L^TL＝K+σ²I_n

α＝L^T/(L/y)

③计算测试点上的GP函数取值

$\stackrel{\&OverBar;}{f_{*}}=k_{*}^T\mathrm{\&alpha;}\&Element;R$

④计算测试点上的协方差值：

⑤ $\mathrm{cov}\left(f_{*}\right)=k(x_{*},x_{*})-k_{*}^T{\&lsqb;K+{\mathrm{\&sigma;}}^2{I}_n\&rsqb;}^{-1}{k}_{*}\&Element;R$

图4为WIFI信号强度分布的拟合结果，其中X-Y方向对应室内环境地图的X-Y方向，Z方向值为各个点的预测WIFI信号强度(dBm)。

3、WIFI分布与栅格地图的融合。具体步骤如下：

首先通过下式将WIFI强度转换为灰度图像的灰度值。

G_W＝255(S+S_min)/(S_max-S_min)(4)其中S表示室内环境WIFI强度，S_min和S_max表示WIFI信号取值范围，据经验可分别取值为-113dBm和0，G_W表示室内环境WIFI强度转换之后的灰度值。据经验可知，城市中WIFI信号不得低于-90dBm，为了保证机器人在导航过程中能够回避信号薄弱的区域，本发明将区分WIFI信号强弱的阈值选取为-75dBm，通过式(4)即可得出WIFI强弱灰度值阈值为86。式(5)给出了WIFI地图融合的基本思想。其中G_B表示融合后地图的灰度值，G_I表示室内环境栅格地图的灰度值。

$G_B=\left\{\begin{array}{cc}{G}_W& G_W<min(86,G_W)\\ G_I& else\end{array}\right.---\left(5\right)$

为准确刻画WIFI地图的动态性，在机器人长期运行过程中，机器人以一定频率更新WIFI地图以适应障碍物变动及WIFI信号变化情况。

4、基于WIFI地图的移动机器人导航。具体步骤如下：

1)对于巡航机器人工作在遥操作模式下的情况，机器人对进入WIFI信号薄弱区域的操作指令加以屏蔽，从而避免遥操作者将机器人驶入可能不存在WIFI连接的区域。

2)对于巡航机器人工作在自主导航模式下的情况，机器人利用已创建的WIFI地图并采用D*Lite导航算法进行自主导航。由于WIFI地图随时间以一定频率更新，同时环境中可能出现人等动态目标，采用D*Lite算法确保能在动态环境中始终搜索从当前节点到目标节点的最优路径。因此可实现机器人自主绕开WIFI信号薄弱区域而最终仍能到达设定目标点。

图5给出了不考虑WIFI分布的导航路径与面向可靠WIFI连接的导航路径两种对比。在图5(b)中右上角深色区域表示WIFI信号强度较弱区域，进入此区域内的移动机器人可能丢失无线网络连接。图6给出这两种对比导航方式的路径。图7给出机器人沿这两种路径导航分别获取的WIFI信号强度。可见传统方法将导致机器人进入一块WIFI信号薄弱区域，而本发明提出的面向可靠WIFI连接的导航路径能够驱使机器人绕开WIFI信号薄弱的区域，并最终仍能保证到达设定的目的地。

3)另外，若设定导航目标点为在WIFI信号薄弱区域内的情况，系统通过远程监控软件界面向操作者报警，提示其导航目标点不可达。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于，包括以下步骤：

步骤1，对于未知环境，机器人通过自主探索导航遍历整个未知环境，建立环境障碍物栅格地图与WIFI信号强度分布的混合地图，该混合地图即为WIFI地图；

WIFI地图创建过程中，采用移动机器人搭载的控制计算机WIFI模块测量未知环境内的WIFI信号强度，在机器人探索未知环境的过程中采集WIFI信号强度并记录测点位置；根据WIFI信号强度和测点位置，通过高斯过程回归模型拟合WIFI信号强度的连续二维场概率分布，同时估计机器人未访问的任意位置上的WIFI信号强度测量值；

根据拟合得到的WIFI信号强度的连续二维场概率分布与环境障碍物栅格地图相融合，得到室内环境的WIFI地图；

步骤2，利用已建立的WIFI地图进行避障导航，从而在实现最优路径避障导航的同时确保机器人所经路径绕开WIFI信号薄弱区域。

2.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：所述步骤1中的高斯过程回归模型为采用高斯过程回归拟合场的二维分布概率模型，其建立方法如下：将分散在室内各个点上的环境测量参数考虑为随机变量，根据移动机器人测量到的WIFI信号强度和测点位置，利用高斯过程回归方法，拟合连续的WIFI信号概率分布。

3.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：所述步骤1中WIFI地图为将机器人通过自主探索导航遍历整个未知环境得到的环境障碍物栅格地图与WIFI信号强度的连续二维场概率分布通过概率方法进行融合，从而生成一种既描述环境障碍物几何信息又描述环境WIFI信号强度分布的混合地图；其中，每个栅格的概率值既能表达被障碍物占有的概率，又能表达当前点处WIFI信号强弱。

4.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：在机器人在运行过程中，机器人以一定频率更新WIFI地图以适应障碍物变动及WIFI信号变化情况。

5.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：所述步骤2中利用已建立的WIFI地图进行避障导航的方法如下：对于机器人工作在遥操作模式下的情况，机器人对进入WIFI信号薄弱区域的操作指令加以屏蔽，从而避免遥操作者将机器人驶入可能不存在WIFI连接的区域；对于机器人工作在自主导航模式下的情况，机器人利用已创建的WIFI地图并采用D*Lite导航算法进行自主导航，实现自主绕开WIFI信号薄弱区域而最终仍能到达设定目标点；另外，若设定导航目标点为在WIFI信号薄弱区域内的情况，系统通过远程监控软件界面向操作者报警，提示其导航目标点不可达。

6.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：所述步骤1中机器人通过自主探索导航遍历整个未知环境建立环境障碍物栅格地图的方法如下：

步骤111，机器人旋转360度扫描，更新传感器检测到的网格的占据概率，据此判断前沿部分；

步骤112，采用Dijkstra算法进行路径规划，从机器人当前位置开始，寻找到目标位置的最短的无障碍路径；

步骤113，选择最近可行并且没有访问过的前沿作为目标点并导航，导航过程中采用机器人的反应性避碰行为进行实时避障；

步骤114，如果机器人在一定时间之内不能够到达目的地，那么将这个位置添加到不可行空间，然后从步骤111重新开始；

步骤115，当检测不到前沿部分时，则探索过程结束，此时通过地图保存节点保存通过GraphSLAM算法实时创建的栅格地图，进而得到环境障碍物栅格地图。

7.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：所述步骤1中采用移动机器人搭载的控制计算机WIFI模块测量未知环境内的WIFI信号强度的方法如下：WIFI信号测量进程通过读取机器人车载WIFI模块文件得到实时的WIFI信号数据，并通过主题形式发布出来；而机器人位置信息节点实时发布机器人实时位置信息；WIFI信号测量进程在机器人操作系统下建立一个监听节点，同时监听WIFI测量节点发布的WIFI强度数据和机器人位置信息节点发布出来的机器人的位置信息；WIFI信号样本采集与机器人探索未知环境同步进行，机器人在探索过程中实时采集并记录每帧数据；每帧数据包括当前测量点获得的WIFI强度s_i、机器人当前位置坐标(r_xi,r_yi)，则机器人采集的一帧数据记为：A_i＝(s_i,r_xi,r_yi)，而当前该帧对应的时间戳为t_i；设本次移动测点数据采样过程中，机器人运行路径平均耗时t，期望获取样本数目为n，则机器人应每隔t/n时间采集并记录一次数据；当机器人完成一次自主探索时，即可获取一份室内环境的WIFI分布样本数据。

8.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：所述步骤1中通过高斯过程回归模型拟合WIFI信号强度的连续二维场概率分布的方法：

步骤121，设各个测点获取的变量得到一个关于索引号的有限点集高斯过程的特性之一就是，对于任意其中随机变量构成的子集其联合分布仍为高斯分布。高斯过程描述的二维场分布模型，可以用于预测未布置测点处的环境参数。即如果已获取WIFI样本集对应的观测集合则通过高斯过程模型预测任意点在已知观测为前提下的条件概率分布为该条件分布的均值与协方差

其中，协方差向量中任意元素的值为 是协方差函数；是对应的均值向量，μ_o是o对应的均值向量；是对应的协方差矩阵，其中任意u,v元素对应的基元为以及有关系

步骤122，记函数为某高斯过程分布函数，其中m(x)和分别是均值函数与协方差函数；高斯过程预测算法输入参数为是m组训练输入样本，y＝[y₁,…,y_n]∈Rⁿ是n个训练输出结果样本；k(·,·):R^D×D→R是协方差函数即核函数，给定观测噪声σ²；对于任意待测试样本输入m维x_*＝(x_*1,…,x_*m)，可以从f中得到这m个测试点的预测值，记为f_*及其协方差cov(f_*)；

步骤123，记K＝k(X,X)∈R^n×n，其中K_ij＝k(x_i,x_j)，K_*＝k(X,X_*)∈R^n×m，以及 $k\left(x_{*}\right)=k_{*}=k(X,x_{*})=\left[\begin{array}{c}k(x_1,x_{*})\\ ...\\ k(x_n,x_{*})\end{array}\right]\&Element;R^n,$ 对输入样本及给定核函数，计算矩阵n×n矩阵K；

步骤124，采用Cholesky分解法计算α＝(K+σ²I_n)^-1y；

(K+σ²I_n)α＝y

L^TL＝K+σ²I_n

α＝L^T/(L/y)

其中，I_n为维数为n×n的单位阵，L为Cholesky分解得到的一个下三角矩阵；

步骤125，计算测试点上的GP函数取值：

$\stackrel{\&OverBar;}{f_{*}}=k_{*}^T\mathrm{\&alpha;}\&Element;R;$

步骤126，计算测试点上的协方差值：

$\mathrm{cov}\left(f_{*}\right)=k(x_{*},x_{*})-k_{*}^T{[K+{\mathrm{\&sigma;}}^2{I}_n]}^{-1}{k}_{*}\&Element;R.$

9.根据权利要求1所述的面向可靠WIFI连接的移动机器人自主巡航方法，其特征在于：所述步骤1中根据拟合得到的WIFI信号强度的连续二维场概率分布与环境障碍物栅格地图相融合的方法：

步骤131，将WIFI强度转换为灰度图像的灰度值：

G_W＝255(S+S_min)/(S_max-S_min)；

其中，S表示室内环境WIFI强度，S_min表示WIFI信号最小值，S_maxWIFI信号最大值，G_W表示室内环境WIFI强度转换之后的灰度值；

步骤132，根据室内环境栅格地图的灰度值以及步骤131得到的室内环境WIFI强度转换之后的灰度值建立WIFI信号强度的连续二维场概率分布与环境障碍物栅格地图相融合模型：

$G_B=\left\{\begin{array}{cc}{G}_W& G_W<min(86,G_W)\\ G_I& else\end{array}\right.;$

其中，G_B表示融合后地图的灰度值，G_I表示室内环境栅格地图的灰度值，G_W表示室内环境WIFI强度转换之后的灰度值。