CN109556607A - 一种快速处理移动机器人定位“绑架”问题的方法 - Google Patents

Abstract

本发明公开了一种快速处理移动机器人定位“绑架”问题的方法，属于移动机器人技术领域。本方法步骤是：通过事先采集的训练数据对基于深度学习的卷积神经网络模型进行训练，使其输入一张图片即可得到拍摄图片时刻相机的粗略位姿，当机器人判断自身发生“绑架”问题时，将此时机器人上的相机拍摄的图片发送给卷积神经网络模型以获得一个粗略位姿，再以特定的格式通过粒子滤波定位算法，减少算法中迭代收敛的次数，达到快速解决“绑架”问题的目标。该方法可在人为地将机器人移动到任意位置后，对移动机器人进行快速而精确地重定位。

Description

一种快速处理移动机器人定位“绑架”问题的方法

技术领域

本发明涉及机器人领域，具体涉及一种快速处理移动机器人定位“绑架”问题的方法。

背景技术

移动机器人的定位问题是机器人领域的一个重要研究热点。移动机器人定位过程中会遇到“绑架”问题，即移动机器人被动地移动到地图的任意位置，可以简单地理解为人为的将机器人移动到任意位置，而机器人自认为还停在原点导致定位失败的问题。由于GPS信号在某些地区或室内无信号，因此在发生“绑架”问题时，如何重定位是一个亟待解决问题，而目前大多数定位算法都不能快速地解决机器人“绑架”问题。

随着深度学习技术与计算机视觉技术的发展，提出了很多移动机器人的定位的方法。如文献“Ale x Kendall,Matthew Grimes and Roberto Cipolla.Convolutionalnetworks for real-time 6-DOF camera relocalization.eprint arXiv:1505.07427,2015.”提出了一种利用深度卷积神经网络即PoseNet(训练好的神经网络系统)，将拍摄到的图片输入系统即可得出拍摄图片的相机位姿。如文献“Thrun S.Probabilisticrobotics[M].MIT Press,2005.”中提到的粒子滤波定位算法，则是一种使用粒子滤波器对机器人在已知的地图环境中进行位置跟踪。粒子滤波定位算法以有限的粒子数表示移动机器人的概率分布。如果有足够多的粒子数，可以得到与实际的机器人几乎完全相近的概率分布函数。文献“基于粒子滤波器的移动机器人定位和地图创建研究进展”(机器人，2007，29(3)：281-289,297.余洪山，王耀南)介绍了一些使用粒子滤波器进行机器人地图创建与定位的方法，但在复杂环境下由于场景结构的相似性，单一的粒子滤波定位在机器人位置无任何先验知识的条件下容易造成定位失败。

上述方法都存在一定的缺点：1)基于深度学习的卷积神经网络模型的精度在2m和5°左右，无法达到精确定位。2)粒子滤波定位算法虽然可以做到解决“绑架”问题，但是需要经过多次的重采样，耗时较长，导致实时性降低。

发明内容

本发明针对现有技术的不足，提出了一种快速处理移动机器人定位“绑架”问题的方法。当机器人发生“绑架”问题时，通过卷积神经网络模型估计出机器人的粗略位姿，在粗定位确定的机器人所处的空间内，再利用粒子滤波算法进行机器人的精确定位。

为达到上述目的，本发明采用如下技术方案：

一种快速处理移动机器人定位“绑架”问题的方法，包括以下步骤：

1)在地图已知的场景中采集训练数据来训练深度学习的卷积神经网络模型；其中，训练数据为固定在移动机器人上的相机所拍摄的图片，即为模型的输入，以及由粒子滤波定位算法给出的此图片所对应的位姿信息，即为模型的输出；

2)判断移动机器人是否发生“绑架”问题；

3)若判断没有发生“绑架”问题，则正常进行定位；若判断发生“绑架”问题，则启用固定在移动机器人上的相机进行拍照，将得到的图片发送给深度学习的卷积神经网络模型，输出移动机器人当前的粗略位姿；

4)将此粗略位姿转化为初始位姿的格式，通过粒子滤波定位算法进行重定位得到移动机器人精确位姿。

所述步骤2)判断移动机器人是否发生“绑架”问题，具体步骤为：

通过移动机器人上的激光雷达扫描周围环境，从而获得移动机器人周围的环境信息，在定位过程中实时记录两组数据，分别为：由里程计信息与已知地图进行预测而得到的粒子权重，记为其中k为第k个粒子，i表示i时刻；利用预测的粒子位姿和激光数据与已知地图进行匹配，将匹配程度比较而得到的粒子新的权重，记为此时按照如下公式计算出一个衡量粒子权重的变化量：通过对比该值V与预先设定的阈值T来判断移动机器人是否发生“绑架”问题，如果V>T，则判断发生了“绑架”，否则判断没有发生“绑架”。

所述步骤4)中的粒子滤波定位算法为基于蒙特卡洛算法的粒子滤波定位算法，步骤3)得到的粗略位姿通过粒子滤波定位算法以减少迭代收敛的次数，达到快速处理“绑架”问题的目的，该算法的具体步骤如下：

(1)预测：通过前一时刻粒子的分布表示移动机器人的位姿分布，移动机器人状态的离散数据及移动机器人在相应状态时的概率作为先验概率密度分布的采样集；

(2)更新：采用移动机器人所搭载激光测距传感器的信息与已知地图匹配的程度，对所述采样集进行修正，用于更新采样集中样本的权重值，得到估计位置的后验数据，进而增加权重较大的粒子数目，减少权重较小的粒子数目，产生在估计位置的粒子重新分布，而产生新的采样集；经过预定次数的更新之后，输出权重最大的粒子所适配的机器人位置估计作为机器人位置的精确值；其中，所述地图为通过利用所述激光雷达传感器信息的SLAM即同时定位与地图构建算法得到的栅格地图。

与现有技术相比，本发明的有益效果包括：

本发明一种快速处理移动机器人定位“绑架”问题的方法，可以减少重采样的次数，快速地处理“绑架”问题。对卷积神经网络模型的训练是事先完成的，不会影响定位的实时性。

附图说明

图1为本发明快速处理移动机器人定位“绑架”问题的方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本实施例中的机器人本体，可为如下描述的系统：使用Turtlebot2.0并搭载zed双目相机和RPlidar激光雷达，它是基于ROS平台的轮式机器人，ROS(Robot OperatingSystem)是一个分布式模块化的机器人软件平台，它拥有大量软件库以及相应工具帮助人们开发机器人应用。该机器人定位系统主要包含odometery、map_server和RPlidar。其中，odometery为里程计节点，它将ROS(Robot Operating System)机器人的里程计信息发送给AMCL定位节点。RPlidar为激光测距传感器节点，负责发布激光数据。map_server为机器人环境地图服务，主要为AMCL定位节点提供相应地图。但本发明不仅限于采用上述硬件平台和软件架构。

如图1所示，一种快速处理移动机器人定位“绑架”问题的方法，包括以下步骤：

1)在地图已知的场景中采集训练数据来训练深度学习的卷积神经网络模型；其中，训练数据为固定在移动机器人上的相机所拍摄的图片，即为模型的输入，以及由粒子滤波定位算法给出的此图片所对应的位姿信息，即为模型的输出；

所述卷积神经网络模型主要是通过采集已知地图场景中的训练数据，即图片和由粒子滤波定位算法给出的此图片所对应的位姿信息，对神经网络进行训练。再将训练好的卷积神经网络系统写入ROS(Robot Operation System)中作为Service形式，当检测到发生“绑架”问题时进行调用。

2)判断移动机器人是否发生“绑架”问题；

3)若判断没有发生“绑架”问题，则正常进行定位；若判断发生“绑架”问题，则启用固定在移动机器人上的相机进行拍照，并调用已写为ROS(Robot Operating System)中Service形式的卷积神经网络模型，将得到的图片发送给深度学习的卷积神经网络模型，输出移动机器人当前的粗略位姿；

4)将此粗略位姿转化为初始位姿的格式，通过粒子滤波定位算法进行重定位得到移动机器人精确位姿。

所述步骤2)判断移动机器人是否发生“绑架”问题，具体步骤为：

通过移动机器人上的激光雷达扫描周围环境，从而获得移动机器人周围的环境信息，在定位过程中实时记录两组数据，分别为：由里程计信息与已知地图进行预测而得到的粒子权重，记为其中k为第k个粒子，i表示i时刻；利用预测的粒子位姿和激光数据与已知地图进行匹配，将匹配程度比较而得到的粒子新的权重，记为此时按照如下公式计算出一个衡量粒子权重的变化量：通过对比该值V与预先设定的阈值T来判断移动机器人是否发生“绑架”问题，如果V>T，则判断发生了“绑架”，否则判断没有发生“绑架”。

所述步骤4)中的粒子滤波定位算法为基于蒙特卡洛算法的粒子滤波定位算法，步骤3)得到的粗略位姿通过粒子滤波定位算法以减少迭代收敛的次数，达到快速处理“绑架”问题的目的。粒子滤波定位算法是自主移动机器人在二维环境下的一种基于概率的定位算法，其以有限的粒子数表示移动机器人的概率分布，通过激光扫描得到的环境信息来更新每个粒子的权重，从而得到与机器人实际位姿相近的概率分布函数。粒子滤波定位算法是基于环境地图的定位算法，需要进行采样、权值分配、重采样。粒子的数量是粒子滤波器发挥较好作用的关键环节，当粒子数选取多的时候，能够降低粒子漂移所带来的不良影响，也可以较好的表示机器人的概率分布状况，但会增加计算负荷，进而影响滤波的效果。

该算法的具体步骤如下：

(1)预测：通过前一时刻粒子的分布表示移动机器人的位姿分布，移动机器人状态的离散数据及移动机器人在相应状态时的概率作为先验概率密度分布的采样集；

(2)更新：采用移动机器人所搭载激光测距传感器的信息与已知地图匹配的程度，对所述采样集进行修正，用于更新采样集中样本的权重值，得到估计位置的后验数据，进而增加权重较大的粒子数目，减少权重较小的粒子数目，产生在估计位置的粒子重新分布，而产生新的采样集；经过预定次数的更新之后，输出权重最大的粒子所适配的机器人位置估计作为机器人位置的精确值；其中，所述地图为通过利用所述激光雷达传感器信息的SLAM即同时定位与地图构建算法得到的栅格地图。

Claims (3)

1.一种快速处理移动机器人定位“绑架”问题的方法，其特征在于，包括以下步骤：

1)在地图已知的场景中采集训练数据来训练深度学习的卷积神经网络模型；其中，训练数据为固定在移动机器人上的相机所拍摄的图片，即为模型的输入，以及由粒子滤波定位算法给出的此图片所对应的位姿信息，即为模型的输出；

2)判断移动机器人是否发生“绑架”问题；

3)若判断没有发生“绑架”问题，则正常进行定位；若判断发生“绑架”问题，则启用固定在移动机器人上的相机进行拍照，将得到的图片发送给深度学习的卷积神经网络模型，输出移动机器人当前的粗略位姿；

4)将此粗略位姿转化为初始位姿的格式，通过粒子滤波定位算法进行重定位得到移动机器人精确位姿。

2.根据权利要求1所述的快速处理移动机器人定位“绑架”问题的方法，其特征在于，所述步骤2)判断移动机器人是否发生“绑架”问题，具体步骤为：

通过移动机器人上的激光雷达扫描周围环境，从而获得移动机器人周围的环境信息，在定位过程中实时记录两组数据，分别为：由里程计信息与已知地图进行预测而得到的粒子权重，记为其中k为第k个粒子，i表示i时刻；利用预测的粒子位姿和激光数据与已知地图进行匹配，将匹配程度比较而得到的粒子新的权重，记为此时按照如下公式计算出一个衡量粒子权重的变化量：通过对比该值V与预先设定的阈值T来判断移动机器人是否发生“绑架”问题，如果V>T，则判断发生了“绑架”，否则判断没有发生“绑架”。

3.根据权利要求1所述的快速处理移动机器人定位“绑架”问题的方法，其特征在于，所述步骤4)中的粒子滤波定位算法为基于蒙特卡洛算法的粒子滤波定位算法，步骤3)得到的粗略位姿通过粒子滤波定位算法以减少迭代收敛的次数，达到快速处理“绑架”问题的目的，该算法的具体步骤如下：

(1)预测：通过前一时刻粒子的分布表示移动机器人的位姿分布，移动机器人状态的离散数据及移动机器人在相应状态时的概率作为先验概率密度分布的采样集；

(2)更新：采用移动机器人所搭载激光测距传感器的信息与已知地图匹配的程度，对所述采样集进行修正，用于更新采样集中样本的权重值，得到估计位置的后验数据，进而增加权重较大的粒子数目，减少权重较小的粒子数目，产生在估计位置的粒子重新分布，而产生新的采样集；经过预定次数的更新之后，输出权重最大的粒子所适配的机器人位置估计作为机器人位置的精确值；其中，所述地图为通过利用所述激光雷达传感器信息的SLAM即同时定位与地图构建算法得到的栅格地图。