CN106931975A - 一种基于语义地图的移动机器人多策略路径规划方法 - Google Patents

Abstract

本发明公开了一种基于语义地图的移动机器人多策略路径规划方法。该方法融合了广义沃罗诺伊图(Generalized Voronoi Graph，GVG)、条件随机场推断(Conditional Random Field，CRF)和形态学开闭操作(morphological open and close operation)等技术，实现了对一般SLAM(simultaneous localization and mapping)算法所建立的地图进行去噪、语义赋予等处理，最终在语义地图上带有不同语义的区域应用不同的、适应该区域特征的路径规划算法，实现了多策略路径规划算法的混合使用。本发明是基于语义地图规划导航，不仅仅在算法层面改进了机器人所应用的路径的优越性，使机器人选择路径的能力更倾向于人类的智能，也为未来机器人良好的人机交互方面打下技术基础。

Description

一种基于语义地图的移动机器人多策略路径规划方法

技术领域

本发明涉及智能机器人路径规划领域的一种路径规划方法，具体是一种基于语义地图的建立，并根据语义信息在地图的不同区域应用不同路径规划算法的混合多策略路径规划方法。使得机器人能够更加智能地，在不同的运动环境中，自主选择适应于该环境的路径规划算法。

背景技术

当下能够自主导航避障的机器人系统研究异常火热，而且也已经有许多产品应用于实践。如餐馆的服务机器人，就拥有障碍物识别，路径规划的能力；又如家庭扫地机器人，也拥有在开阔空间内规划自身运动路径的能力。在公共运输方面，无人机快递投递的应用已经开展的如火如荼，在快递投递上也必须用到路径规划，以使无人机能够在避开障碍物的前提下以最短的路径到达目的地并完成投递。

路径规划即是指机器人决策如何从地图的某一点运动到另一点的能力。首先要求机器人能够获得当前环境的地图信息，并能定位当前自身的位置，随后才可以进行路径规划，定位和建图的算法目前最实用的就是SLAM算法。目前有许多路径规划算法，如A*、Dijkstra、RRT、PRM等。

但是目前在机器人应用中，都是采用单一的路径规划策略，例如在ROS操作系统下的导航算法包，其运用了A*算法作为机器人的全局路径规划，无论机器人处于何种环境，它都将使用A*算法来进行导航。但是，随着机器人应用领域的不断扩大，机器人应用的场景也越来越多，单一的路径规划策略是很难满足人们对机器人日渐提高的要求。A*算法是非常优秀的路径规划算法，它在房间、办公室等地形复杂，障碍物较多的环境中有很好的表现，但它在走廊、大厅这样的障碍物较少或者道路细长的环境中表现就显得不尽如人意，因为A*的路径总是贴近障碍物边缘的，但在走廊，更倾向于机器人能够走在道路的正中间，以更高的安全性通过细长的走廊。因此在不同的场景下，机器人对路径规划算法的需求也是不同的，在本发明中，就提出了一种基于地图的语义推断和语义地图的建立，根据地图的语义信息来在不同语义区域使用不同路径规划算法的混合策略路径规划方法，在混合策略路径规划方法下，机器人就能更加智能地依据当前所处的环境，来选择合适的路径规划算法。

本发明中所使用的基本技术有广义沃罗诺伊图(GVG)、条件随机场推断(CRF)、形态学操作等。沃罗诺伊图是俄国数学家Voronoi建立的空间分割方法，在本发明中，应用了广义沃罗诺伊图来生成走廊区域的道路，它有很明显的特征，即距离障碍物最远，到其两侧的障碍物的距离相等的，亦即是道路中线，机器人在这样的道路上行走会有很高的安全性。而条件随机场(CRF)模型是Lafferty于2001年在最大熵模型和隐马尔科夫模型的基础上，提出的一种判别式概率无向图学习模型，在机器视觉、自然语言处理等领域都有很好的应用，在本发明中则用其来推断地图各个区域的语义。形态学开操作和闭操作是形态学的基本操作，常常用于图像的处理，在opencv计算机视觉库中，对形态学操作有很好的支持。

发明内容

本发明的技术解决问题：革新了移动机器人路径规划算法应用的方法，不同于以往机器人只使用一种规划算法，在本发明中，首先基于语义地图的建立，赋予了机器人更高的智能，完成了机器人在不同的应用环境中采用不同的路径规划算法的能力，使得最终路径更易于机器人行走。

本发明的技术解决方案：一种基于语义地图的移动机器人多策略路径规划方法，其特征在于，基于语义地图的建立并在其上作混合策略的路径规划算法，其步骤如下：

步骤1：对SLAM算法得到的地图进行预处理，先应用形态学闭操作滤去地图的白噪声，再应用形态学开操作使地图中各个独立区域分割出来，得到的结果地图称为基地图；

步骤2：在基地图上生成广义沃罗诺伊图(GVG)，并将地图中的每个独立区域分割与广义沃罗诺伊图相互映射，提取两个相邻独立区域之间共有的沃罗诺伊图线部分，并取该线的中点，作为这两个独立区域相连的门(doorway)，此过程称为doorway提取过程；

步骤3：将每一个独立区域的几何中心作为节点，连接得到无向图D，将无向图D和每一个独立区域的不变矩作为参数，应用条件随机场(CRF)进行推断，得到各个区域的类型，即为各个区域赋予语义信息，是房间(room)或是走廊(hallway)，得到语义结果，此过程称为地图的语义赋予过程；

步骤4：将步骤2所得的doorway连接成一个无向图G(V，E)，其中V代表图顶点，E代表边，无向图G称为区域拓扑地图RTM(Region Topological Map，RTM)，此过程称为RTM生成过程；

步骤5：根据步骤3所得的语义结果，将步骤4所得的RTM中每一条边区分为房间内的和走廊内的，此过程称为规划预处理；

步骤6：给定起点和终点，并将起点和终点连入RTM中，进行多策略路径规划，得到最终路径，此过程称为路径规划过程。

所述步骤5中，区分RTM边类型的方法为：

根据步骤3所得的语义结果，将步骤4所得的RTM中每一条边都区分为房间内的和走廊内的，若RTM某一条边所连接的两个节点必定与一个区域同时相关，若该区域为走廊(hallway)，则该条边为走廊内的边，否则该条边为房间内的边。

所述步骤6中，路径规划的方法为：

给定起点和终点，假定所给的路径规划任务都是从房间到房间的规划任务，这也是符合机器人的路径规划任务特点，将起点和终点分别和与之最近的RTM中的节点连接，得到一张与特定规划任务对应的拓扑图，并在该拓扑图上应用迪杰斯特拉(Dijkstra)算法寻找从起点到终点的代价最小的节点序列，节点间的代价用节点之间的欧氏距离来计算；从起点开始遍历所得节点序列，根据上述无向图G的边E上的标记，若两节点之间的边是房间内的边，则在这两点应用A*路径规划算法得到最终路径；若两节点之间的边是走廊内的边，则直接从广义沃罗诺伊图取得这两节点之间的广义沃罗诺伊图作为这两节点之间的最终路径，遍历整个节点序列后，即得到从起点到终点的完整路径；房间内使用A*路径，走廊内使用广义沃罗诺伊图作为路径。

本发明与现有技术相比的优点在于：

(1)本发明应用了语义导航的技术，提高了机器人的智能，不同于一般技术在二值地图上做路径规划，在本发明中，机器人可以明确直到当前行走的区域的语义信息，即知道当前的环境的何种环境；

(2)本发明提出了语义拓扑地图(RTM)的概念，不同于一般技术建立的拓扑地图，本发明中的拓扑地图也是具有语义信息的，在语义拓扑上寻找得到的最短路径将带有语义信息，为多策略路径规划提供了基础；

(3)本发明使用了在地图的不同语义部分使用不同路径规划算法的混合规划策略，可以组合生成特征不同的路径，亦即基于语义拓扑地图，机器人在不同的运动场景下，调用不同的路径规划算法，将每一种路径规划算法的优点在该运动场景下完全体现出来，而隐去其不足之处，可说这种混合策略规划方法是综合了各个路径规划算法的优点并最大程度消除了路径规划算法的不足，在本发明中，A*路径可以有效避开障碍物，在房间内这样复杂的环境下可以发挥其最大的优势，而在走廊内，广义沃罗诺伊图则可以得到最安全的路径，两者结合使得最终的路径更加适合于机器人的行走。

附图说明

图1为本发明语义拓扑地图的示意图；

图2为本发明方法的流程图；

图3为本发明路径规划示意图。

具体实施方式

如图2所示，本发明具体实施步骤详细说明如下：

步骤1：对SLAM算法获得的地图首先进行形态学闭操作，滤除SLAM地图中的白噪声，再对地图进行形态学开操作，使地图中各个独立区域被分割出来，得到的区域分割图称为基地图，地图预处理完成；

步骤2：将基地图中每一个独立区域内的广义沃罗诺伊图与该区域建立映射关系，再对比相邻区域之间的广义沃罗诺伊图，提取其共有的部分，取这部分广义沃罗诺伊图的中点，作为这两个相邻区域的doorway。对每两个相邻的区域都进行这样的操作，即可提取出地图上每一个doorway；

步骤3：以每一个独立区域的几何中心作为节点，每两个相邻的区域之间建立边，得到无向图D，将无向图D和每一个独立区域的不变矩作为条件随机场(CRF)推断的参数，得到各个区域的类型，在本发明中，地图的语义仅有两种，即房间(room)和走廊(hallway)。假设无向图共有n个节点，则所有不同的语义组合共有2ⁿ种，则CRF的循环次数即为2ⁿ次，在每次循环中，地图的语义都有一个确定的状态，CRF则通过计算每种状态的置信度，并最终选取置信度最大的一个语义状态作为最终的推断结果，是房间(room)或是走廊(hallway)。CRF的置信度计算可以由以下公式表示：

式中参数x、y分别指结果语义类型和CRF所定的语义组合，Z(x)是为归一化设置的函数，m(x,y)指几何观测量，主要由区域的不变矩决定，d(x,y)指连接观测量，主要由该区域在无向图D中的邻接邻域的个数决定，C指与该区域有连接所有邻域，t_k则指CRF的状态转移量，主要由该区域的类型和与之相邻的区域类型决定，各项系数μ、η、δ_k则由监督学习模型训练得到。

计算得到概率最大的语义组合即为CRF的推断结果，亦即最终每一个独立区域均有一个语义信息；

步骤4：根据区域的相邻关系将步骤2得到的doorway连接成一个无向图。由于每一个doorway均与两个相邻区域相关，对同一区域相关的任意两个不同的doorway，一般来说都为其添加边，但若某一doorway在该区域内已经有三个不同的doorway与其相连，则不再为其添加新的边，最终将得到一个连通的无向图G(E，V)，其中V代表图顶点，E代表边，无向图G即称为区域拓扑地图(RTM)；

步骤5：根据步骤3所得的语义结果，将步骤4所得的RTM中每一条边都区分为房间内的和走廊内的。若RTM某一条边所连接的两个节点必定与一个区域同时相关，若该区域为走廊(hallway)，则该条边为走廊内的边，否则该条边为房间内的边。

步骤6：给定起点和终点，在本发明中，假定所给的路径规划任务都是从房间到房间的规划任务，这也是符合一般机器人的路径规划任务特点。将起点和终点分别和与之最近的RTM中的节点连接，得到一张与特定规划任务对应的拓扑图，并在该拓扑图上应用迪杰斯特拉(Dijkstra)算法寻找从起点到终点的代价最小的节点序列，在本发明中，节点间的代价用节点之间的欧氏距离来计算。从起点开始遍历所得节点序列，根据上述无向图的边E上的标记，若两节点之间的边是房间内的边，则在这两点应用A*路径规划算法得到最终路径；若两节点之间的边是走廊内的边，则直接从广义沃罗诺伊图取得这两节点之间的广义沃罗诺伊图作为这两节点之间的最终路径。遍历整个节点序列后，即得到从起点到终点的完整路径，其特征为：房间内使用A*路径，走廊内使用广义沃罗诺伊图作为路径。

如图1，是本发明生成的区域分割和区域拓扑地图的示意图，三角形和星形示意处分别是起点和终点，图中各个圆点既表示区域间的doorway，也表示区域拓扑地图的节点，节点间的粗线表示房间内的边，节点间的细线则表示走廊内的边。

如图3，是本发明路径规划的示意图，三角形和星形示意处分别是起点和终点，左图是在区域拓扑地图上求取最短路径的结果示意，包含两条房间内的边和走廊内的边，右图则是在该最短路径下的路径规划示意图，在房间内的边上使用A*路径规划，用曲线作为示意，在走廊内的边上取用广义沃罗诺伊图作为路径。

Claims (3)

1.一种基于语义地图的移动机器人多策略路径规划方法，其特征在于：步骤如下：

步骤1：对SLAM算法得到的地图进行预处理，先应用形态学闭操作滤去地图的白噪声，再应用形态学开操作使地图中各个独立区域分割出来，得到的结果地图称为基地图；

步骤2：在基地图上生成广义沃罗诺伊图(GVG)，并将地图中的每个独立区域分割与广义沃罗诺伊图相互映射，提取两个相邻独立区域之间共有的沃罗诺伊图线部分，并取该线的中点，作为这两个独立区域相连的门(doorway)，此过程称为doorway提取过程；

步骤3：将每一个独立区域的几何中心作为节点，连接得到无向图D，将无向图D和每一个独立区域的不变矩作为参数，应用条件随机场(CRF)进行推断，得到各个区域的类型，即为各个区域赋予语义信息，是房间(room)或是走廊(hallway)，得到语义结果，此过程称为地图的语义赋予过程；

步骤4：将步骤2所得的doorway连接成一个无向图G(V，E)，其中V代表图顶点，E代表边，无向图G称为区域拓扑地图RTM(Region Topological Map，RTM)，此过程称为RTM生成过程；

步骤5：根据步骤3所得的语义结果，将步骤4所得的RTM中每一条边区分为房间内的和走廊内的，此过程称为规划预处理；

步骤6：给定起点和终点，并将起点和终点连入RTM中，进行多策略路径规划，得到最终路径，此过程称为路径规划过程。

2.根据权利要求1所述的一种基于语义地图的移动机器人多策略路径规划方法，其特征在于：所述步骤5中，规划预处理区分RTM边类型的方法为：

根据步骤3所得的语义结果，将步骤4所得的RTM中每一条边都区分为房间内的和走廊内的，若RTM某一条边所连接的两个节点必定与一个区域同时相关，若该区域为走廊(hallway)，则该条边为走廊内的边，否则该条边为房间内的边。

3.根据权利要求1所述的一种基于语义地图的移动机器人多策略路径规划方法，其特征在于：所述步骤6中，路径规划的方法为：

给定起点和终点，假定所给的路径规划任务都是从房间到房间的规划任务，这也是符合机器人的路径规划任务特点，将起点和终点分别和与之最近的RTM中的节点连接，得到一张与特定规划任务对应的拓扑图，并在该拓扑图上应用迪杰斯特拉(Dijkstra)算法寻找从起点到终点的代价最小的节点序列，节点间的代价用节点之间的欧氏距离来计算；从起点开始遍历所得节点序列，根据上述无向图G的边E上的标记，若两节点之间的边是房间内的边，则在这两点应用A*路径规划算法得到最终路径；若两节点之间的边是走廊内的边，则直接从广义沃罗诺伊图取得这两节点之间的广义沃罗诺伊图作为这两节点之间的最终路径，遍历整个节点序列后，即得到从起点到终点的完整路径；房间内使用A*路径，走廊内使用广义沃罗诺伊图作为路径。