CN108958231A - 一种移动机器人地图的多分辨率区域划分方法 - Google Patents

一种移动机器人地图的多分辨率区域划分方法 Download PDF

Info

Publication number
CN108958231A
CN108958231A CN201710347918.7A CN201710347918A CN108958231A CN 108958231 A CN108958231 A CN 108958231A CN 201710347918 A CN201710347918 A CN 201710347918A CN 108958231 A CN108958231 A CN 108958231A
Authority
CN
China
Prior art keywords
pixel
value
region
matrix
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710347918.7A
Other languages
English (en)
Inventor
明安龙
张雪松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Thunderous Yun He Intellectual Technology Co Ltd
Original Assignee
Beijing Thunderous Yun He Intellectual Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Thunderous Yun He Intellectual Technology Co Ltd filed Critical Beijing Thunderous Yun He Intellectual Technology Co Ltd
Priority to CN201710347918.7A priority Critical patent/CN108958231A/zh
Publication of CN108958231A publication Critical patent/CN108958231A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种移动机器人地图的多分辨率区域划分方法，具体涉及一种通过多分辨率特征点聚类与区域生长来划分地图区域的方法，属于室内移动机器人导航领域。本发明基于栅格地图，在栅格地图中提取出机器人可以到达的目标区域，然后在粗粒度的地图下对对应区域进行分析处理，得到区域的拓扑信息，提高了效率，然后通过一定的方法将此信息恢复到原始粒度的栅格地图上，本发明在利用栅格地图的细致性的基础上，增加地图的拓扑信息，减小计算量、提高了速度和精度，为后续的路径规划打好基础。

Description

一种移动机器人地图的多分辨率区域划分方法
技术领域
本发明涉及一种机器人进行栅格地图区域划分的方法，更具体地讲，涉及一种通过多分辨率特征点聚类与区域生长来划分地图区域的方法，属于室内移动机器人导航领域。
背景技术
配备传感器的移动机器人已经能够自主地探索环境，为了能够实现导航以及计算路径的功能，机器人必须能够建立并维护周边环境的模型。关于移动机器人的研究提供了两种主要的为室内环境构建地图的方式：基于栅格的以及拓扑的。
基于栅格的方式即以均匀分布的栅格来表现环境，每个栅格单元表明在对应的现实区域的环境，例如这个对应区域中存在障碍物。栅格地图即使在范围较大的环境中也易于构建及维护，并且可以提供准确的地图矩阵，然而基于栅格地图的复杂性使得机器人难以在大的环境中直接利用它进行高效的导航及路径规划。
拓扑地图以图模型来表现环境，在这个图中，节点可能表示特定的地点或者地标，节点之间若有直接的路径则以边连接它们。在拓扑地图中进行导航和路径规划，更符合人类的思维，例如人类会想“去某个房间”，这就相当于在拓扑地图中“去某个节点”，而不是像在栅格地图中去“某个坐标”，这有利于解决后续路径规划的问题，使用拓扑地图进行路径规划和环境表现时能降低开发难度、提升计算效率。然而拓扑地图的缺点是在较大的环境中难以建立及维护，相比起栅格地图，其单纯用节点来表现环境，对于需要在某区域内部工作的机器人例如扫地机器人来说，是不够的。
发明内容
本发明针对上述技术存在的缺陷，提出了一种移动机器人地图的多分辨率区域划分方法，本方案基于栅格地图，在栅格地图中提取出机器人可以到达的目标区域，然后在粗粒度的地图下对对应区域进行分析处理，得到区域的拓扑信息，提高了效率，然后通过一定的方法将此信息恢复到原始粒度的栅格地图上，本发明在利用栅格地图的细致性的基础上，增加地图的拓扑信息，为后续的路径规划打好基础。
为实现上述目的，本发明是通过如下方案实现的，一种移动机器人地图的多分辨率区域划分方法，包括以下步骤：
S1：目标区域的提取：
S11：将输入图像中的像素点，根据设定的自由点灰度阈值区别障碍物像素以及可达区域的像素，进行距离变换得到矩阵；
S12：接着根据机器的尺寸的值，在S11得到的矩阵中查找出所有机器人可到达的区域，并在上述矩阵中计算出最大的连通区域，得到待分割的目标区域；
S13：根据待分割的目标区域的坐标构建一个待分割矩阵，然后将目标区域标记为预设值，其它像素点的值不变，即完成目标区域的提取；
S2：种子点的聚类：
S21：首先将输入的图片按预设比例缩小一定倍数，在缩小的图片中根据设定好的灰度阈值筛选出自由像素点后，通过距离变换，计算出每个自由像素点点与障碍物的距离，生成距离矩阵；
S22：记录机器最大外周尺寸，从S21生成的距离矩阵中选取出值大于机器最大外周尺寸的1/2的点，即机器能够到达的点，作为聚类的种子点，再按照一定比例降采样以加速计算；
S23：用MeanShift算法对选取出的种子点进行聚类，在中心的迭代过程中，通过像素点之间的欧式距离以及像素点之间的像素值来判断两点之间是否存在障碍物，即两点是否可视；聚类完成后，将像素点数量小于设定的阈值的类合并到其他的类；
S3：区域分割：首先根据自由像素点与各个聚类中心之间的距离，将自由像素点标记一个中心距离其最近的类得到一个粗分类的结果；然后检查每个类中心与成员的可视性，找出与中心不可视的像素点；最后对这些不可视的像素点的八连通区域的进行投票，决定其所属类；
S4：区域填充：S4：区域填充：根据S3中分割的结果在原始尺寸的图片上作区域分割，缩小图像中一个像素点的所属类值对应原始尺寸图片中缩小倍数的平方，再根据图片缩小的倍数建立偏移矩阵，对应地将原始尺寸中的像素点分类；分类的结果矩阵中包括障碍物的值、背景值、未被标记的自由点像素值以及所属类的值；最后根据未被标记的自由点的连通区域中其它点的所属类的投票结果，决定所述未被标记的自由点的所属类。
本发明具有如下有益效果：
1、在多尺度下进行不同步骤，如在细粒度下选取可达区域，提高精度；在粗粒度下进行聚类计算，提高速度。
2、连通域内可见性的检测是通过在粗粒度下的种子点之间进行再通过区域分割和地图生长将结果恢复到原始地图中，而不是将像素点两两计算，大大减少了计算量。
3、通过距离变换，一次计算整个矩阵的信息，利用此信息选取种子点。
附图说明
图1为本发明所述方法的流程图
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1：如附图1所示，一种移动机器人地图的多分辨率区域划分方法，包括以下步骤：
S1：目标区域的提取
S11：将输入图像中的像素点，根据设定的自由点灰度阈值区别障碍物像素以及可达区域的像素，构建一个二值化图像，记为OrgBw后，进行距离变换得到矩阵，矩阵的每个像素点的意义是此点到距离最近的障碍物点的欧式距离；
S12：接着根据机器的尺寸的值，在S11得到的矩阵中查找出所有机器人可到达的区域，即距离障碍物MachineSize的1/2以上的区域，并在上述矩阵中计算出最大的连通区域，得到待分割的目标区域；
S13：根据待分割的目标区域的坐标构建待分割矩阵，记为ImgSeg，将目标区域标记为预设值，其它像素点的值不变，即完成目标区域的提取；
S2：种子点的聚类
S21：为了提高后续聚类工作的计算速度，首先将输入的图片按预设比例缩小，为了尽可能保留原图中的信息，本发明不直接缩小图片尺寸，而是先提取原图中的轮廓信息，再用多边形逼近，找出目标区域最外层的边界，以及内部的障碍物边界，接着将边界信息按比例缩小，并将其绘制于按照比例生成一个缩小图，记为ImDec，完成降采样过程；在缩小的图片中根据设定好的灰度阈值筛选出自由像素点后，通过距离变换，计算出每个自由像素点点与障碍物的距离，生成距离矩阵；
S22：从S21生成的距离矩阵中选取出值大于机器半径MachineSize的1/2的点，即机器能够到达的点，作为聚类的种子点，再按照一定比例降采样以加速计算；
S23：用MeanShift算法对选取出的种子点进行聚类，具体步骤如下：
1)选取一个未被访问过的点作为本次迭代的中心，记为myMean；
2)根据与myMean的距离，在所有种子点中筛选出距离小于输入距离阈值(记为bandwidth)的点，再从结果中找到与当前中心可视的点，将这些点加入本次迭代的聚类成员向量中，记为myMembers，在此类的投票矩阵中将这些点对应位置的值加1；
3)重新计算中心myMean，将本次迭代的聚类成员myMembers中成员标记为已访问；
4)若新的中心与旧的中心之间的距离大于设定的阈值，则重复步骤2)～步骤3)过程，否则到步骤5)；
5)若中心myMean与其他已有中心的距离过小并且myMembers中成员均与此中心可见，则将其合并到此类中；
6)重复以上过程直到不存在未访问点，根据每一类的投票矩阵中对应位置的值决定每个像素点所属类。
在中心的迭代过程中，通过像素点之间的欧式距离以及像素点之间的像素值来判断两点之间是否存在障碍物，即两点是否可视；聚类完成后，将像素点数量小于设定的阈值的类合并到其他的类，并重新计算中心；
S3：区域分割：S2中得到了选取出的种子点的聚类结果，接下来要基于这些结果，对所有自由像素点进行分类。首先根据自由像素点与各个聚类中心之间的距离，将自由像素点标记一个中心距离其最近的类得到一个粗分类的结果；然后检查每个类中心与成员的可视性，找出与中心不可视的像素点；最后对上述不可视的像素点的八连通区域的进行投票，决定上述不可视像素点的所属类。
S4：区域填充：由于前面S2及S3所做的工作都是基于缩小后的图片，本发明还需要根据分割的结果在原始尺寸的图片上作区域分割：缩小图像中一个像素点的所属类值对应原始尺寸图片中缩小倍数的平方，记为scale^2个像素点的值，根据scale建立偏移矩阵，对应地将原始尺寸中的像素点分类；分类的结果矩阵中，255为障碍物的值，0为背景值，Free为未被标记到的自由点，其它值即为所属类；再根据未被标记的自由点的连通区域中其它点的所属类的投票结果，决定这些未被标记的自由点所属类，至此，得到了地图中每一个目标点的所属类信息。
表1为本发明所述方法中涉及到的符号解释
符号 释义
ImgSeg矩阵 待分割的矩阵
MachineSize 机器最大外周尺寸
scale 图片缩小的倍数
Free 预设的自由像素点灰度值
OrgBw 二值化图像的变量名，可忽略
ImDec 缩小图像
myMean 本次迭代的中心
bandwidth 距离阈值
myMembers 本次迭代的聚类成员
前述实施例和优点仅是示例性的，并不应被理解为限制本公开。本发明可容易地应用于其它类型的设备。此外，本公开的示例性实施例的描述是解释性的，并不限制权利要求的范围，许多的替换、修改和变化对于本领域技术人员来说是明显的。

Claims (1)

1.一种移动机器人地图的多分辨率区域划分方法，其特征在于，包括以下步骤：
S1：目标区域的提取：
S11：将输入图像中的像素点，根据设定的自由点灰度阈值区别障碍物像素以及可达区域的像素，进行距离变换得到矩阵；
S12：接着根据机器的尺寸的值，在S11得到的矩阵中查找出所有机器人可到达的区域，并在上述矩阵中计算出最大的连通区域，得到待分割的目标区域；
S13：根据待分割的目标区域的坐标构建一个待分割矩阵，然后将目标区域标记为预设值，其它像素点的值不变，即完成目标区域的提取；
S2：种子点的聚类：
S21：首先将输入的图片按预设比例缩小一定倍数，在缩小的图片中根据设定好的灰度阈值筛选出自由像素点后，通过距离变换，计算出每个自由像素点点与障碍物的距离，生成距离矩阵；
S22：记录机器最大外周尺寸，从S21生成的距离矩阵中选取出值大于机器最大外周尺寸的1/2的点，即机器能够到达的点，作为聚类的种子点，再按照一定比例降采样以加速计算；
S23：用MeanShift算法对选取出的种子点进行聚类，在中心的迭代过程中，通过像素点之间的欧式距离以及像素点之间的像素值来判断两点之间是否存在障碍物，即两点是否可视；聚类完成后，将像素点数量小于设定的阈值的类合并到其他的类；
S3：区域分割：首先根据自由像素点与各个聚类中心之间的距离，将自由像素点标记一个中心距离其最近的类得到一个粗分类的结果；然后检查每个类中心与成员的可视性，找出与中心不可视的像素点；最后对这些不可视的像素点的八连通区域的进行投票，决定其所属类；
S4：区域填充：根据S3中分割的结果在原始尺寸的图片上作区域分割，缩小图像中一个像素点的所属类值对应原始尺寸图片中缩小倍数的平方，再根据图片缩小的倍数建立偏移矩阵，对应地将原始尺寸中的像素点分类；分类的结果矩阵中包括障碍物的值、背景值、未被标记的自由点像素值以及所属类的值；最后根据未被标记的自由点的连通区域中其它点的所属类的投票结果，决定所述未被标记的自由点的所属类。
CN201710347918.7A 2017-05-17 2017-05-17 一种移动机器人地图的多分辨率区域划分方法 Pending CN108958231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710347918.7A CN108958231A (zh) 2017-05-17 2017-05-17 一种移动机器人地图的多分辨率区域划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710347918.7A CN108958231A (zh) 2017-05-17 2017-05-17 一种移动机器人地图的多分辨率区域划分方法

Publications (1)

Publication Number Publication Date
CN108958231A true CN108958231A (zh) 2018-12-07

Family

ID=64462620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710347918.7A Pending CN108958231A (zh) 2017-05-17 2017-05-17 一种移动机器人地图的多分辨率区域划分方法

Country Status (1)

Country Link
CN (1) CN108958231A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109732594A (zh) * 2018-12-28 2019-05-10 深圳市越疆科技有限公司 一种机器人控制方法、系统及机器人
CN110146068A (zh) * 2019-03-27 2019-08-20 深圳乐行天下科技有限公司 一种机器人恢复被损坏地图的方法、装置及机器人
CN110531759A (zh) * 2019-08-02 2019-12-03 深圳大学 机器人探索路径生成方法、装置、计算机设备和存储介质
CN111168679A (zh) * 2020-01-09 2020-05-19 上海丛远机械有限公司 行走机器人、控制行走机器人的方法和行走机器人系统
CN112147998A (zh) * 2020-08-24 2020-12-29 同济大学 一种基于区域生长法的移动机器人路径规划方法
CN112734878A (zh) * 2020-12-31 2021-04-30 南昌工学院 大型栅格地图两点之间连通性检测方法、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030146871A1 (en) * 1998-11-24 2003-08-07 Tracbeam Llc Wireless location using signal direction and time difference of arrival
CN101900570A (zh) * 2009-02-18 2010-12-01 三星电子株式会社 产生和使用栅格地图路径的设备和方法
CN103054522A (zh) * 2012-12-31 2013-04-24 河海大学 基于视觉测量的清洁机器人系统及其测控方法
CN104484877A (zh) * 2014-12-12 2015-04-01 山东大学 一种基于Meanshift聚类和形态学操作的AML细胞分割方法
CN104700078A (zh) * 2015-02-13 2015-06-10 武汉工程大学 一种基于尺度不变特征极限学习机的机器人场景识别方法
CN105335749A (zh) * 2015-08-28 2016-02-17 浙江理工大学 基于灰度共生矩阵的草地未割区域分界线提取方法
CN105629989A (zh) * 2015-12-28 2016-06-01 电子科技大学 基于最小外包圆和最大内接圆的障碍区域划分方法
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统
US20170242879A1 (en) * 2007-07-26 2017-08-24 Hamid Hatami-Hanza Ontological Subjects Of A Universe And Knowledge Representations Thereof

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030146871A1 (en) * 1998-11-24 2003-08-07 Tracbeam Llc Wireless location using signal direction and time difference of arrival
US20170242879A1 (en) * 2007-07-26 2017-08-24 Hamid Hatami-Hanza Ontological Subjects Of A Universe And Knowledge Representations Thereof
CN101900570A (zh) * 2009-02-18 2010-12-01 三星电子株式会社 产生和使用栅格地图路径的设备和方法
CN103054522A (zh) * 2012-12-31 2013-04-24 河海大学 基于视觉测量的清洁机器人系统及其测控方法
CN104484877A (zh) * 2014-12-12 2015-04-01 山东大学 一种基于Meanshift聚类和形态学操作的AML细胞分割方法
CN104700078A (zh) * 2015-02-13 2015-06-10 武汉工程大学 一种基于尺度不变特征极限学习机的机器人场景识别方法
CN105335749A (zh) * 2015-08-28 2016-02-17 浙江理工大学 基于灰度共生矩阵的草地未割区域分界线提取方法
CN105629989A (zh) * 2015-12-28 2016-06-01 电子科技大学 基于最小外包圆和最大内接圆的障碍区域划分方法
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANLONG MING等: "A energy efficient multi-dimension model for system control in smart environment systems", 《2016 IEEE 14TH INTERNATIONAL CONFERENCE ON INDUSTRIAL INFORMATICS (INDIN)》 *
JEFFREY A.DELMERICO等: "Building facade detection, segmentation, and parameter estimation for mobile robot stereo vision", 《IMAGE AND VISION COMPUTING》 *
晁彦举: "基于多传感器的移动机器人自主定位与地图构建技术研究", 《中国优秀硕士论文全文数据库信息科技辑》 *
李龙俊: "基于聚类分区和改进蚁群算法的清洁机器人路径规划研究", 《中国优秀硕士论文全文数据库信息科技辑》 *
顾嘉俊: "移动机器人在非平坦地形上的自主导航研究", 《中国博士学位论文全文数据库信息科技辑》》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109732594A (zh) * 2018-12-28 2019-05-10 深圳市越疆科技有限公司 一种机器人控制方法、系统及机器人
CN110146068A (zh) * 2019-03-27 2019-08-20 深圳乐行天下科技有限公司 一种机器人恢复被损坏地图的方法、装置及机器人
CN110146068B (zh) * 2019-03-27 2021-02-09 深圳乐行天下科技有限公司 一种机器人恢复被损坏地图的方法、装置及机器人
CN110531759A (zh) * 2019-08-02 2019-12-03 深圳大学 机器人探索路径生成方法、装置、计算机设备和存储介质
CN110531759B (zh) * 2019-08-02 2020-09-22 深圳大学 机器人探索路径生成方法、装置、计算机设备和存储介质
CN111168679A (zh) * 2020-01-09 2020-05-19 上海丛远机械有限公司 行走机器人、控制行走机器人的方法和行走机器人系统
CN111168679B (zh) * 2020-01-09 2023-08-22 上海山科机器人有限公司 行走机器人、控制行走机器人的方法和行走机器人系统
CN112147998A (zh) * 2020-08-24 2020-12-29 同济大学 一种基于区域生长法的移动机器人路径规划方法
CN112734878A (zh) * 2020-12-31 2021-04-30 南昌工学院 大型栅格地图两点之间连通性检测方法、设备及存储介质
CN112734878B (zh) * 2020-12-31 2023-06-20 南昌工学院 大型栅格地图两点之间连通性检测方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108958231A (zh) 一种移动机器人地图的多分辨率区域划分方法
CN107665603B (zh) 一种判定车位占用的实时检测方法
CN110148196A (zh) 一种图像处理方法、装置以及相关设备
CN109214422B (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN107978017B (zh) 基于框线提取的室内结构快速建模方法
CN104346801A (zh) 图像构图评估装置、信息处理装置及其方法
CN112818925A (zh) 一种城市建筑和树冠识别方法
CN112802204A (zh) 未知环境下三维空间场景先验的目标语义导航方法及系统
US20220004740A1 (en) Apparatus and Method For Three-Dimensional Object Recognition
CN112418155A (zh) 一种检测地铁车侧巡检图像上工件的位置和类型的方法
CN104268941A (zh) 仿真三维地图的热区形成方法及装置
CN114937293B (zh) 基于gis的农业服务管理方法及系统
CN109727255B (zh) 一种建筑物三维模型分割方法
CN103970901A (zh) 一种地理信息图形数据整合方法
CN108615452B (zh) 一种基于人车轨迹点多分辨率处理的未知道路提取方法
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
Prerna et al. Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey
CN113841152A (zh) 用于确定道路交叉路口的方法、数据处理装置和计算机程序产品
CN108053409B (zh) 一种遥感影像分割基准库自动构建方法及其系统
CN107038426B (zh) 热图生成方法
Dahiya et al. Object oriented approach for building extraction from high resolution satellite images
US9299191B2 (en) Adaptive artifact removal
CN116524143A (zh) 一种gis地图构建方法
CN114742876B (zh) 一种土地视觉立体测量方法
CN115375857A (zh) 三维场景重建方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181207

WD01 Invention patent application deemed withdrawn after publication