CN107806876A - 一种基于orb算法的认知地图构建方法 - Google Patents

Abstract

本发明公开了一种基于ORB算法的认知地图构建算法，首先机器人移动平台检测外部环境，通过视觉传感器获取视觉图像并提取其ORB特征，构建局部场景细胞模型；同时每一个局部场景细胞和位姿细胞建立激励连接，位姿细胞模型通过一系列的内部活动控制内部位姿网络的稳定；然后利用内部里程信息进行路积分实时估计机器人的当前位置；然后，建图算法利用位姿细胞模型的空间信息表征实时构建环境的认知地图。本发明采取基于ORB算法的认知地图构建算法，可以解决原来认知地图模型无法在室内工作的缺陷，具备较高的鲁棒性，生物启发性和实用性。

Description

一种基于ORB算法的认知地图构建方法

技术领域

本发明涉及机器人自主建图导航领域，特别是涉及一种生物启发式的实时定位和建图系统。

背景技术

众所周知，许多哺乳动物天生具有在复杂环境中探索和导航的能力。许多学者一直致力于调查这些生物的空间认知能力的生物机理。近几十年的研究表明，许多生物大脑中的海马体和内嗅皮层密切关联着生物的空间认知和导航能力。其中，位于海马体的位姿细胞可以帮助生物进行定位，内嗅皮层中的网格细胞可以用于路径积分。位姿细胞和网格细胞的发现，受到了国内研究学者的广泛关注，许多关于位姿细胞和网格细胞模型被提出。目前可知，生物在进行导航的时候不仅依靠于外部视觉传感信息，而且还需要融合内部的里程信息，这样才能正确地在环境中定位。今年来，基于生物原理的认知地图模型成为机器人领域研究的热点之一，与传统的基于概率思想的算法不同，这些模型的利用网格细胞的位姿细胞的模型进行定位和建图，试图构建一个“类脑”的SLAM系统。

本发明中所采用认知地图模型中，位姿细胞模模拟内嗅皮层中的网格细胞，局部场景细胞模型类比于生物的外部视觉感知系统，认知地图对应于海马体中位姿细胞。在实际应用中，该认知地图模型可以实时构建一个城市的认知地图模型。具有非常巨大的应用价值和学术价值。但是在室内环境下，由于该模型的局部场景细胞模型的视觉处理算法过于简单，极其容易出现感知偏差等问题，导致该模型无法工作在室内环境中。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种可以解决视觉处理容易出现感知偏差的问题、可使模型在室内环境正常工作的基于ORB算法的认知地图构建方法。

技术方案：为实现上述目的，本发明的基于ORB算法的认知地图构建方法如下：包括机器人移动平台，所述机器人移动平台上设置有视觉传感器与计算单元，所述机器人移动平台向所述计算单元提供里程信息，所述视觉传感器向所述计算单元提供其获取的RGB图像信息，包括以下步骤：

步骤1：所述视觉传感器获取周围环境的信息，所述计算单元对视觉传感器获取的信息进行特征提取形成局部场景细胞，当前形成的所有局部场景细胞构成局部场景细胞模型；

步骤2：每个所述局部场景细胞通过相应的激励连接与位姿细胞中当前的活动区域进行关联，建立局部场景细胞模型与位姿细胞模型的连接；其中位姿细胞用于表征机器人移动平台当前的空间信息，位姿细胞组成了位姿细胞模型，其中活跃度大于0的位姿细胞构成了位姿细胞中的活动区域；

步骤3：位姿细胞模型利用机器人移动平台提供的里程信息进行路径积分估计机器人当前的位姿，更新位姿细胞的空间信息表征；

步骤4：利用位姿细胞模型的空间信息表征构建周围环境的认知地图。

进一步地，位姿细胞的空间信息表征包含机器人移动平台的当前坐标以及朝向。

进一步地，位姿细胞模型通过内部的动力学控制位姿细胞的稳定性。

进一步地，位姿细胞模型控制位姿细胞的稳定性的方法为：位姿细胞模型利用兴奋度权重矩阵更新位姿细胞的活跃度，位姿细胞模型中的每一个位姿细胞利用基于高斯分布的抑制矩阵抑制周围位姿细胞的活跃度，并通过全局抑制的方法保证位姿细胞的稳定性。

进一步地，步骤1的具体步骤为：

步骤1.1：所述视觉传感器获得周围环境的RGB图像信息；

步骤1.2：所述计算单元通过ORB视觉算法，提取出步骤1.1中所获取的RGB图像信息的ORB特征；

步骤1.3：将所获取的RGB图像信息的ORB特征与当前已经建立的局部场景细胞模型进行比对，若其与局部场景细胞模型中的某个局部场景细胞的相似度超过预定的阈值，则激活该局部场景细胞并注入能量到与该局部场景细胞关联的位姿细胞提高该位姿细胞的活跃度；否则，创建新的局部场景细胞。

进一步地，步骤2的具体步骤为：

步骤2.1：获取步骤1中局部场景细胞的激活细胞的索引；

步骤2.2：将当前激活的局部场景细胞和位姿细胞中活动区域的中心点通过一个激励连接进行关联。

进一步地，步骤3的具体步骤为：

步骤3.1：获取机器人的原始里程信息；

步骤3.2：根据路径积分公式，移动位姿细胞的活动区域，更新位姿细胞的空间信息表征。

进一步地，步骤4的具体步骤为：

步骤4.1：根据路径积分过程中位姿细胞模型中的活动区域的移动估计机器人移动平台的当前位置，决断是否生成新的认知地图节点；

步骤4.2：依据位姿细胞的信息和机器人移动平台的里程信息创建认知地图节点之间的连接线；

步骤4.3：如果机器人在未知环境中行走一段时间之后，当它看到熟悉的场景，局部场景模型细胞就会注入能量到位姿细胞模型，引起认知地图的校正过程。

有益效果：本发明的基于ORB算法的认知地图构建方法具有如下优势：

(1)可以解决原来的认知地图模型无法室内工作的缺陷；

(2)可以通过ORB算法提高认知地图构建的速度；

(3)可以有效地减少模型的感知偏差，提高认知地图构建模型的鲁棒性。

附图说明

附图1为基于ORB算法的认知地图构建方法的系统流程图；

附图2为用于实现基于ORB算法的认知地图构建方法的机械平台；

附图3为基于ORB算法的认知地图构建算法的建图过程；

附图4为室内环境的平面设计图和本发明构建的认知地图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

附图1为基于ORB算法的认知地图构建方法的系统流程图，附图2为用于实现基于ORB算法的认知地图构建方法的机械平台，其主要包括机器人移动平台1，所述机器人移动平台1上设置有视觉传感器2与计算单元3，所述机器人移动平台1向所述计算单元3提供里程信息，所述视觉传感器2向所述计算单元3提供RGB图像信息与深度信息。本实施例中计算单元3为计算机GIGABYTE ini PC；视觉传感器2为Xtion pro live景深摄像头。

首先对本发明中的几个名词解释如下：

位姿细胞模型：利用吸引子网络模拟大脑中头朝向细胞和位置细胞形成的一个三维结构体。位姿细胞以(x，y，Θ)的形式编码机器人在物理空间中的位置和朝向。

场景细胞模型：将环境中某个场景的画面转换成视觉模板，并且和位姿细胞和认知地图进行关联记忆。每当有陌生的画面被捕捉到的时候，场景细胞模型会生成新的局部场景细胞并且和位姿细胞和认知地图进行关联。

本发明的基于ORB算法的认知地图构建方法包括以下步骤：

步骤1：所述视觉传感器2获取周围环境的信息，所述计算单元3对视觉传感器2获取的信息进行特征提取形成局部场景细胞，当前形成的所有的局部场景细胞构成局部场景细胞模型；位姿细胞的空间信息表征包含机器人移动平台的当前位置坐标(x，y)以及朝向Θ；

步骤1.1：所述视觉传感器2获得周围环境的RGB图像信息；

步骤1.2：所述计算单元3通过ORB视觉算法，提取出步骤1.1中所获取的RGB图像信息的ORB特征；

步骤1.3：将所获取的RGB图像信息的ORB特征与当前已经建立的局部场景细胞模型进行比对，若其与局部场景细胞模型中的某个局部场景细胞的相似度超过预定的阈值，则激活该局部场景细胞并注入能量到与该局部场景细胞关联的位姿细胞提高该位姿细胞的活跃度；否则，创建新的局部场景细胞。

步骤2：每个所述局部场景细胞通过相应的激励连接与位姿细胞中当前活动区域进行关联，建立局部场景细胞模型与位姿细胞模型的连接；其中位姿细胞用于表征机器人移动平台当前的空间信息，位姿细胞组成了位姿细胞模型，位姿细胞的活跃度值处于区间[0，1]之间，其中0表示该位姿细胞的活跃度最低，1表示该位姿细胞的活跃度最高，注入能量意味着增加位姿细胞的活跃度的值；位姿细胞模型中绝大多数位姿细胞的活跃度值都是零，少数活跃度的值不为0的位姿细胞构成了位姿细胞中的活动区域；

位姿细胞模型利用兴奋度权重矩阵更新位姿细胞的活跃度，位姿细胞基于吸引子网络的动力学方程式通过一系列的过程，保证细胞的活动区域稳定；具体地：位姿细胞利用基于高斯分布的抑制矩阵降低活动区域周围细胞单元的活跃度值，且位姿细胞模型通过全局抑制过程保证位姿细胞的稳定性。此处全局抑制的含义为把位姿细胞模型中所有位姿细胞的活跃度减去一个常数，并保持所有的位姿细胞的活跃度均为非负数。

步骤2.1：获取步骤1中局部场景细胞的激活细胞的索引；

步骤2.2：将当前激活的局部场景细胞和位姿细胞中活动区域的中心点通过一个激励连接进行关联；

步骤3：位姿细胞模型利用机器人移动平台1提供的里程信息进行路径积分估计机器人当前的位置；

步骤3.1：获取机器人的原始里程信息；

步骤3.2：根据路径积分公式，移动位姿细胞的活动区域，更新位姿细胞的空间信息表征；

步骤4：利用位姿细胞模型的空间信息表征构建周围环境的认知地图(如附图3与附图4所示)。

步骤4.1：根据路径积分过程中位姿细胞模型中的活动区域的移动估计机器人移动平台1的当前位置，决断是否生成新的认知地图节点；

步骤4.2：依据位姿细胞的信息和机器人移动平台1的里程信息创建认知地图节点之间的连接线；

步骤5.3：如果机器人在未知环境中行走一段时间之后，当它看到熟悉的场景，局部场景模型细胞就会注入能量到位姿细胞模型，引起认知地图的校正过程。

本发明的基于ORB算法的认知地图构建方法具有如下优势：

(1)可以解决原来的认知地图模型无法室内工作的缺陷；

(2)可以通过ORB算法提高认知地图构建的速度；

(3)可以有效地减少模型的感知偏差，提高认知地图构建模型的鲁棒性。

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 (8)

1.一种基于ORB算法的认知地图构建方法，其特征在于：包括机器人移动平台，所述机器人移动平台上设置有视觉传感器与计算单元，包括以下步骤：

步骤1：所述视觉传感器获取周围环境的信息，所述计算单元对视觉传感器获取的信息进行特征提取形成局部场景细胞，当前形成的所有局部场景细胞构成局部场景细胞模型；

步骤2：每个所述局部场景细胞通过相应的激励连接与位姿细胞中当前的活动区域进行关联，建立局部场景细胞模型与位姿细胞模型的连接；其中位姿细胞用于表征机器人移动平台当前的空间信息，位姿细胞组成了位姿细胞模型，其中活跃度大于0的位姿细胞构成了位姿细胞中的活动区域；

步骤3：位姿细胞模型利用机器人移动平台提供的里程信息进行路径积分估计机器人当前的位姿，更新位姿细胞的空间信息表征；

步骤4：利用位姿细胞模型的空间信息表征构建周围环境的认知地图。

2.根据权利要求1所述的一种基于ORB算法的认知地图构建方法，其特征在于：位姿细胞的空间信息表征包含机器人移动平台的当前坐标以及朝向。

3.根据权利要求1所述的一种基于ORB算法的认知地图构建方法，其特征在于：位姿细胞模型通过内部的动力学控制位姿细胞的稳定性。

4.根据权利要求3所述的一种基于ORB算法的认知地图构建方法，其特征在于：位姿细胞模型控制位姿细胞的稳定性的方法为：位姿细胞模型利用兴奋度权重矩阵更新位姿细胞的活跃度，位姿细胞模型中的每一个位姿细胞利用基于高斯分布的抑制矩阵抑制周围位姿细胞的活跃度，并通过全局抑制的方法保证位姿细胞的稳定性。

5.根据权利要求1所述的一种基于ORB算法的认知地图构建方法，其特征在于：步骤1的具体步骤为：

步骤1.1：所述视觉传感器获得周围环境的RGB图像信息；

步骤1.2：所述计算单元通过ORB视觉算法，提取出步骤1.1中所获取的RGB图像信息的ORB特征；

步骤1.3：将所获取的RGB图像信息的ORB特征与当前已经建立的局部场景细胞模型进行比对，若其与局部场景细胞模型中的某个局部场景细胞的相似度超过预定的阈值，则激活该局部场景细胞并注入能量到与该局部场景细胞关联的位姿细胞提高该位姿细胞的活跃度；否则，创建新的局部场景细胞。

6.根据权利要求1所述的一种基于ORB算法的认知地图构建方法，其特征在于：步骤2的具体步骤为：

步骤2.1：获取步骤1中局部场景细胞的激活细胞的索引；

步骤2.2：将当前激活的局部场景细胞和位姿细胞中活动区域的中心点通过一个激励连接进行关联。

7.根据权利要求1所述的一种基于ORB算法的认知地图构建方法，其特征在于：步骤3的具体步骤为：

步骤3.1：获取机器人的原始里程信息；

步骤3.2：根据路径积分公式，移动位姿细胞的活动区域，更新位姿细胞的空间信息表征。

8.根据权利要求1所述的一种基于ORB算法的认知地图构建方法，其特征在于：步骤4的具体步骤为：

步骤4.1：根据路径积分过程中位姿细胞模型中的活动区域的移动估计机器人移动平台的当前位置，决断是否生成新的认知地图节点；

步骤4.2：依据位姿细胞的信息和机器人移动平台的里程信息创建认知地图节点之间的连接线；

步骤4.3：如果机器人在未知环境中行走一段时间之后，当它看到熟悉的场景，局部场景模型细胞就会注入能量到位姿细胞模型，引起认知地图的校正过程。