CN110297256A - 基于激光雷达扫描数据机器人机房巡视安全路线生成方法 - Google Patents

Abstract

本发明公开了基于激光雷达扫描数据机器人机房巡视安全路线生成方法，解决了尖峰干扰及弱反射使室内巡视成图出现的误差问题。本发明包括S1：对激光雷数据达在信息机房的扫描进行时间排序形成序列；对序列进行求导、导数特征、长度计算；对序列进行特征提取求得训练样本；S2：对序列进行求导计算其特征形成新的序列,对新的序列进行训练，提取机柜门的序列，求得机柜网孔门产生的干扰量，根据干扰量对激光雷达扫描数据去扰和校准；S3：提取机房内的门、窗户、内墙序列；修正由于窗户弱反射带来的误差，完成机房内墙成图；S4：计算去除干扰的机柜数据序列及计算室内地图生成机房巡视路线边界线。本发明为机房机器人安全巡视提供准确的安全距离。

Description

基于激光雷达扫描数据机器人机房巡视安全路线生成方法

技术领域

本发明涉及机器人机房巡视，具体涉及基于激光雷达扫描数据机器人机房巡视安全路线生成方法。

背景技术

激光雷达定位和导航是目前巡视机器人的主流定位导航技术，具有较高的定位精度，激光雷达定位采用激光照射被测物体后接收反射波测量被测物体与激光雷达的距离实现定位和避障。在机房应用场景，由于机房内安装的机柜前门和后门为具有网孔的金属门，激光雷达发射的激光有一部分透过金属网门照射到机柜内设备反射而不是由网孔的金属门反射，导致激光雷达扫描数据产生干扰，使激光雷达对机柜门的识别产生出与机柜门位置的直线不相一致的多个尖峰。从而使机房内的定位产生了定位偏差，对机房内机器人准确巡视、室内巡视成图产生不利影响。

发明内容

本发明提供一种基于激光雷达扫描数据机器人机房巡视安全路线生成方法，所要解决的技术问题包括2个：(1)巡视机器人在机房巡视时，机器人激光雷达照射机房的机柜门采集的扫描数据出现大量一系列由于机柜门网孔产生的尖峰干扰，这些干扰使巡视机器人在巡视时会出现距离偏差、出现室内墙壁成图和机柜门等形成一串串尖峰状的虚假线。本发明通过提出新算法消除一串串尖峰状的虚假线。(2)室内巡视成图时由于激光照射室内物体(如网孔、窗户)产生的弱反射而使室内巡视成图出现的误差。本发明基于训练建模的思想，通过提出新算法消除误差以达到较准确的室内墙壁成图。机房为国内通用的信息机房，其内部主要由门、机柜、窗户、墙壁组成。

本发明通过下述技术方案实现：

基于激光雷达扫描数据机器人机房巡视安全路线生成方法，包括以下步骤：

S1：训练样本建立，包括对激光雷数据达在信息机房的扫描进行时间排序，形成序列；对序列进行求导、导数特征、长度计算；对序列进行特征提取，求得训练样本；

S2：消除干扰，包括对序列进行求导计算其特征，形成新的序列；再对新的序列进行训练，提取机柜门的序列，求得机柜网孔门产生的干扰量；根据干扰量对激光雷达扫描数据校准；

S3：机房内墙成图，包括对序列进行训练，提取机房内的门、窗户、内墙序列；修正由于窗户弱反射带来的误差；基于门、窗户、内墙序列完成机房内墙成图；

S4：机房巡视路线训练建模，包括计算去除干扰的机柜数据序列及计算室内地图，基于计算内容生成机房巡视路线边界线。

需要说明的是，机房为国内通用的信息机房，其内部主要由门、机柜、窗户、墙壁组成。

进一步的，所述S1中还包括以下步骤：

S1-1：读入激光雷达扫描数据，该数据为离散序列集合；

S1-2：把极坐标的激光雷达扫描数据转换为直角坐标的激光雷达扫描数据序列Scan_1；

S1-3：计算直角坐标的激光雷达扫描数据序列在一阶微商下的映射域，得到微商后扫描数据序列集合；

S1-4：遍历微商后的扫描数据序列，求出Scan_1’中所有的非常数子序列，得到集合；对于机房中的机柜或室内墙，其扫描数据序列的一阶微商值为常数或零；当扫描数据序列的一阶微商值为非常数，则表示对应的扫描数据序列为机柜门而且存在网孔引起的干扰；

S1-5：遍历所有训练样本的机柜特征序列集合；

S1-6：获取门、窗户及室内墙壁的训练样本特征序列集合；

S1-7：识别出机柜序列、门序列、窗户序列、室内墙壁序列。

进一步的，所述S2中还包括以下步骤：

S2-1：计算待分类对象与训练样本的欧式距离；

S2-2：分别计算待分类对象属于机柜类的权重；

S2-3：从激光扫描数据识别出的机柜序列集合；

S2-4：计算机柜的干扰量；

S2-5：修正机柜分类数据。

进一步的，所述S3中还包括以下步骤：

S3-1：代入机柜特征序列集合、门的训练样本特征序列集合、窗户的训练样本特征序列集合、室内墙壁的训练样本特征序列集合，进行分类计算，分别得到直角坐标的激光雷达扫描数据序列；

S3-2：修正窗户序列的序列值；

S3-3：对窗户序列、室内墙壁序列按坐标点顺序连接得到特征线段，即为形成室内图第1部分；对门序列的起点和终点处理为两个点，即为形成室内图第2部分，合并室内图第1部分和第2部分，即为室内地图。

进一步的，所述S4中还包括以下步骤：

S4-1：代入去除干扰的机柜数据序列；

S4-2：对去除干扰的机柜数据序列，按坐标点顺序连接得到特征线段，即为形成机房巡视路线边界线。

本发明具有如下的优点和有益效果：

本发明基于机房特征去掉机柜网孔引起的干扰、基于机房特征建立训练模式实现室内成图和形成机房巡视路线边界线，能明显消除机柜网孔干扰、弥补机房内机器从巡视采集的激光雷达扫描数据缺陷，为机房机器人安全巡视提供准确的安全距离。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。

实施例

基于激光雷达扫描数据机器人机房巡视安全路线生成方法，包括以下步骤：

S1：训练样本建立，包括对激光雷数据达在信息机房的扫描进行时间排序，形成序列；对序列进行求导、导数特征、长度计算；对序列进行特征提取，求得训练样本；

S2：消除干扰，包括对序列进行求导计算其特征，形成新的序列；再对新的序列进行训练，提取机柜门的序列，求得机柜网孔门产生的干扰量；根据干扰量对激光雷达扫描数据校准；

S3：机房内墙成图，包括对序列进行训练，提取机房内的门、窗户、内墙序列；修正由于窗户弱反射带来的误差；基于门、窗户、内墙序列完成机房内墙成图；

S4：机房巡视路线训练建模，包括计算去除干扰的机柜数据序列及计算室内地图，基于计算内容生成机房巡视路线边界线。

需要说明的是，机房为国内通用的信息机房，其内部主要由门、机柜、窗户、墙壁组成。

S1：机房巡视机器人采集的激光雷达扫描数据的训练样本建立方法；

(1)读入激光雷达扫描数据，该数据为离散序列集合，公式为：

Scan_0＝{{ρ_i|i＝1,2,3,....n|},{θ_i|i＝1,2,3,....n|}}

(2)把极坐标的激光雷达扫描数据转换为直角坐标的激光雷达扫描数据序列Scan_1，公式为：

Scan_1＝{p_i|i＝1,2,3,....n|}

式中，

(3)计算直角坐标的激光雷达扫描数据序列在在一阶微商下的映射域，得到微商后的扫描数据序列集合，公式为：

Scan_1'＝{p'_i|i＝1,2,3,....n|}

(4)设i＝1，遍历微商后的扫描数据序列，求出Scan_1’中所有的非常数子序列，得到集合。对机房中的机柜或室内墙，其扫描数据序列Sub_Scan_1'＝{sub_p'_i|i＝1,2,3,....k₁|}的一阶微商值为常数或零；当扫描数据序列的一阶微商值为非常数，则表示对应的扫描数据序列为机柜门而且存在网孔引起的干扰。

(5)对非常数子序列Sub_Scan_1'＝{sub_p'_i|i＝1,2,3,....k₁|}求出sub_p’的起点序列号i₀和终点序列号i_m；对非常数子序列sub_p_i’进行积分，积分区间为i₀和i_m，得到JG_sub_tz_i；对起点序列号i₀和终点序列号i_m代表的区间积分得到区间大小sub_p_ix；遍历所有Sub_Scan_1’得到训练样本的机柜特征序列集合JG_tz，公式为：

JG_tz＝{JG_sub_tz_i|i＝1,2,3,....k₁|}

(6)从Scan_1去掉机柜特征序列集合JG_tz，从Scan_1’去掉Sub_Scan_1’，遍历Scan_2’，Scan_2'＝{p'_i|i＝1,2,3,....n₁|}求出Scan_2’中的导数跳变的起点序列号i₀和终点序列号i_m、导数跳变值Δ、起点序列号i₀和终点序列号i_m对应的长度L，进行判断，

a.如果长度L满足＜0≤长度L≤90且导数跳变值Δ大于≥100，则归入“门”的训练样本微商集合Scan_3’，对微商Scan_3’进行积分，积分区间为i₀和i_m，得到Scan_3，

Scan_3为“门”的训练样本特征序列集合Door_tz，公式为：

Door_tz＝{Door_sub_tz_i|i＝1,2,3,....k₂|}

b.如果长度L≥90且20≤导数跳变值Δ≤100，则列入“窗户”的训练样本微商集合Scan_4’，对微商Scan_4’进行积分，积分区间为i₀和i_m，得到Scan_4；Scan_4为“窗户”的训练样本特征序列集合Win_tz，公式为：

Win_tz＝{Win_sub_tz_i|i＝1,2,3,....k₂|}

c.如果长度≥300且导数跳变值Δ≥200，则为“室内墙壁”训练样本，则列入“室内墙壁”的训练样本微商集合Scan_5’，对微商Scan_5’进行积分，积分区间为i₀和i_m，得到Scan_5；Scan_5为“室内墙壁”的训练样本特征序列集合Wall_tz，公式为：

Wall_tz＝{Wall_sub_tz_i|i＝1,2,3,....k₄|}

(7)对Scan_1进行非参数分类，从Scan_1识别出机柜序列、门序列、窗户序列、室内墙壁序列。非参数分类计算采用公开的K最近邻(K Nearest Neighbors,KNN)方法。

利用KNN算法进行分类步骤如下；

Step 1:找出与待分类对象d最接近的K个训练样本，称为待分类对象的K个“最近邻”。度量“最近邻”的标准采用欧氏距离。待分类对象的特征序列X₁＝(x₁₁,x₁₂,...,x_1n)和训练样本的特征序列X₂＝(x₂₁,x₂₂,...,x_2n)之间的欧式距离为：

Step 2:分别计算待分类对象d属于每一类的权重W,d属于类C_j的权重为：

式中，sim(d_i,d)为待分类对象d与第i个最近邻训练样本d_i之间的相似度；

Step 3:将待分类对象d划分到权重最大一类。

S2：消除机房巡视机器人激光雷达扫描数据的干扰方法

从分类中找出机柜分类数据，计算干扰量，进行去扰。

(1)计算待分类对象Scan_1与训练样本(即机柜特征序列集合JG_tz)的欧式距离。

训练样本JG_tz为：

JG_tz＝{JG_sub_tz_i|i＝1,2,3,....k₁|}

待分类对象的特征序列为Scan_1中的顺序子集Sub_Scan_1＝{(x₁,y₁),(x₂,y₂),...(x_n,y_n)}，n为训练样本JG_tz的子集维数。待分类对象的特征序列和训练样本特征序列之间的欧式距离为：

(2)分别计算待分类对象Scan_1属于机柜类的权重W，权重W为：

其中，sim(Sub_tz_i,Sub_Scan_1)为待分类对象Scan_1与第i个最近邻训练样本Sub_tz_i之间的相似度度量。

相似度度量sim采用向量空间余弦相似度(Cosine Similarity)计算。余弦相似度为：

(3)选取权重最大的Sub_Scan_1划分到机柜序列JG集合中。如此，得到从激光扫描数据识别出的机柜序列集合JG。

(4)计算机柜的干扰量，

对机柜序列数据JG计算其均值E_jg，JG的维数设为n,计算公式为：

机柜的干扰量N(JG)＝2*E(JG)。

(5)修正机柜分类数据；

机柜的干扰量代入机柜序列数据JG，进行减量修正，得到去干扰后的直角坐标的激光雷达扫描数据序列JG_new；

JG_new(i)＝JG(i)-机柜的干扰量N(JG)＝JG(i)-2*E(JG),i＝1,2,...,n；

S3：激光雷达扫描数据预处理后的机房内墙成图方法；

从分类中找出门、窗户＝墙壁，计算其特征线段，形成室内图。

(1)代入机柜特征序列集合JG_tz、“门”的训练样本特征序列集合Door_tz、“窗户”的训练样本特征序列集合Win_tz、“室内墙壁”的训练样本特征序列集合Wall_tz，进行分类计算，分别得到直角坐标的激光雷达扫描数据序列Door、Win、Wall。计算步骤与“2.消除机房巡视机器人激光雷达扫描数据的干扰方法”的步骤(1)-(3)相同。

(2)修正窗户序列Win的序列值；

对窗户序列Win数据计算其均值E_win，Win的维数设为n,计算公式为：

由于窗户玻璃的弱反射引起的误差量为：

N(Win)＝2*E(Win)；

窗户玻璃的弱反射引起的误差量代入窗户序列数据Win，进行减量修正，得到修正后的直角坐标的激光雷达扫描数据序列Win_new；

Win_new(i)＝Win(i)-窗户玻璃的弱反射引起的误差量＝Win(i)-2*E(Win),i＝1,2,...,n；

(3)对Win_new、室内墙壁序列Wall序列按坐标点顺序连接得到特征线段，即为形成室内图第1部分；对门序列Door的起点和终点处理为两个点，即为形成室内图第2部分，合并室内图第1部分和第2部分，即为室内地图Map。

3.激光雷达扫描数据预处理后的机房巡视路线训练建模方法；

代入去除干扰的机柜数据序列JG_new、室内地图Map，通过生成机柜特征线段，形成机房巡视路线边界线，以实现安全巡视。

(1)代入去除干扰的机柜数据序列JG_new。

(2)对去除干扰的机柜数据序列，按坐标点顺序连接得到特征线段，即为形成机房巡视路线边界线。

本发明与现有技术相比，具有如下的优点和有益效果；

本发明基于机房特征去掉机柜网孔引起的干扰、基于机房特征建立训练模式实现室内成图和形成机房巡视路线边界线，能明显消除机柜网孔干扰、弥补机房内机器从巡视采集的激光雷达扫描数据缺陷，为机房机器人安全巡视提供准确的安全距离。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于激光雷达扫描数据机器人机房巡视安全路线生成方法，其特征在于，包括以下步骤：

S1：训练样本建立，包括对激光雷数据达在信息机房的扫描进行时间排序，形成序列；对序列进行求导、导数特征、长度计算；对序列进行特征提取，求得训练样本；

S2：消除干扰，包括对序列进行求导计算其特征，形成新的序列；再对新的序列进行训练，提取机柜门的序列，求得机柜网孔门产生的干扰量；根据干扰量对激光雷达扫描数据校准；

S3：机房内墙成图，包括对序列进行训练，提取机房内的门、窗户、内墙序列；修正由于窗户弱反射带来的误差；基于门、窗户、内墙序列完成机房内墙成图；

S4：机房巡视路线训练建模，包括计算去除干扰的机柜数据序列及计算室内地图，基于计算内容生成机房巡视路线边界线。

2.根据权利要求1所述的基于激光雷达扫描数据机器人机房巡视安全路线生成方法，其特征在于，所述S1中还包括以下步骤：

S1-1：读入激光雷达扫描数据，该数据为离散序列集合；

S1-2：把极坐标的激光雷达扫描数据转换为直角坐标的激光雷达扫描数据序列Scan_1；

S1-3：计算直角坐标的激光雷达扫描数据序列在一阶微商下的映射域，得到微商后扫描数据序列集合；

S1-4：遍历微商后的扫描数据序列，求出Scan_1^’中所有的非常数子序列，得到集合；对于机房中的机柜或室内墙，其扫描数据序列的一阶微商值为常数或零；当扫描数据序列的一阶微商值为非常数，则表示对应的扫描数据序列为机柜门而且存在网孔引起的干扰；

S1-5：遍历所有训练样本的机柜特征序列集合；

S1-6：获取门、窗户及室内墙壁的训练样本特征序列集合；

S1-7：识别出机柜序列、门序列、窗户序列、室内墙壁序列。

3.根据权利要求2所述的基于激光雷达扫描数据机器人机房巡视安全路线生成方法，其特征在于，所述S2中还包括以下步骤：

S2-1：计算待分类对象与训练样本的欧式距离；

S2-2：分别计算待分类对象属于机柜类的权重；

S2-3：从激光扫描数据识别出的机柜序列集合；

S2-4：计算机柜的干扰量；

S2-5：修正机柜分类数据。

4.根据权利要求3所述的基于激光雷达扫描数据机器人机房巡视安全路线生成方法，其特征在于，所述S3中还包括以下步骤：

S3-1：代入机柜特征序列集合、门的训练样本特征序列集合、窗户的训练样本特征序列集合、室内墙壁的训练样本特征序列集合，进行分类计算，分别得到直角坐标的激光雷达扫描数据序列；

S3-2：修正窗户序列的序列值；

S3-3：对窗户序列、室内墙壁序列按坐标点顺序连接得到特征线段，即为形成室内图第1部分；对门序列的起点和终点处理为两个点，即为形成室内图第2部分，合并室内图第1部分和第2部分，即为室内地图。

5.根据权利要求4所述的基于激光雷达扫描数据机器人机房巡视安全路线生成方法，其特征在于，所述S4中还包括以下步骤：

S4-1：代入去除干扰的机柜数据序列；

S4-2：对去除干扰的机柜数据序列，按坐标点顺序连接得到特征线段，即为形成机房巡视路线边界线。