CN111521195A - 一种智能机器人 - Google Patents

Abstract

本发明公开一种智能机器人，包括：激光SLAM系统，用于实现机器人的导航；其中，所述激光SLAM系统采用激光雷达里程计实时标定策略实现里程计误差的实时修正；视觉SLAM系统，用于实现机器人的导航；所述视觉SLAM系统采用多关键帧匹配点三角化的特征点深度获取方法重建特征点的三维位置；控制器，用于当检测到激光里程计得到的位姿与参考真值的误差大于某一设定阈值时，将所述激光SLAM系统切换到所述视觉SLAM系统用于导航。本发明实施例通过当检测到激光里程计得到的位姿与参考真值的误差大于某一设定阈值时，将激光SLAM系统切换到所述视觉SLAM系统用于导航，使得机器人遇到大雨、浓烟或浓雾等恶劣天气时，仍然能够在复杂的环境中作出运动决策。

Description

一种智能机器人

技术领域

本发明涉及机器人技术领域，尤其涉及一种智能机器人。

背景技术

由于激光雷达具有精度高、视角大、测距范围广等优点，因此目前现有机器人一部分采用激光雷达技术进行导航，但是发明人在研究中发现，激光雷达激光在晴朗的天气里衰减较小，传播距离较远，而在大雨、浓烟、浓雾等坏天气里，衰减急剧加大，激光的传播距离大受影响。因此，当采用激光雷达技术导航的机器人在遇到大雨、浓烟或农雾等时，激光雷达获取到的数据会不准确，从而导致机器人无法确定自身的位置和姿态，进而导致机器人对复杂环境难以理解以及难以做出运动决策。

因此，如何在机器人遇到大雨、浓烟或浓雾等恶劣天气时，仍然能够在复杂的环境中作出运动决策是亟需解决的技术问题。

发明内容

本发明提供一种智能机器人，以解决现有采用激光雷达技术导航的机器人在遇到大雨、浓烟或农雾等时，无法理解复杂环境以及做出正确运动决策的技术问题。

为了解决上述技术问题，本发明实施例提供一种智能机器人，包括：

激光SLAM系统，用于实现机器人的导航；其中所述激光SLAM系统采用激光雷达里程计实时标定策略实现里程计误差的实时修正，以提高SLAM算法的机器人定位与构建地图精度；

视觉SLAM系统，用于实现机器人的导航；所述视觉SLAM系统采用多关键帧匹配点三角化的特征点深度获取方法重建特征点的三维位置；

控制器，用于当检测到里程计得到的位姿与参考真值的误差大于某定阈值时，将所述激光SLAM系统切换到所述视觉SLAM系统用于导航。

作为优选方案，所述激光雷达里程计实时标定策略包括：

标定程序订阅激光雷达数据，利用激光雷达数据的扫描匹配算法计算机器人的位姿，并作为里程计位姿的参考真值；

当里程计得到的位姿与参考真值的误差大于某一设定阈值时，进行一次标定运算；否则不进行标定；

用标定计算后的位姿更新里程计原有位姿，以减小里程计积累误差。

作为优选方案，所述标定程序订阅激光雷达数据，利用激光雷达数据的扫描匹配算法计算机器人的位姿，并作为里程计位姿的参考真值，包括：

连续获取激光雷达提供的环境扫描信息，利用前后两帧点云数据进行匹配，计算出连续两帧激光数据之间的智能机器人位移，通过计算全部激光帧之间的机器人位移，并结合机器人的起始位姿，计算出智能机器人的实时位姿，并作为里程计位姿的参考真值。

作为优选方案，所述采用多关键帧匹配点三角化的特征点深度获取方法包括：

利用一个6维向量多关键帧匹配点三角化的特征点深度获取方法来表示一个环境特征点的三维位置，包括机器人的摄像机的位置以及机器人所处的环境特征点方向及深度信息；

不断地进行环境更新，当特征估计协方差小于某一设定阈值时，将机器人所处的环境特征点的6维表示转换为3维的欧式坐标，利用在同一帧图像建立多个特征点，将属于同一帧特征点的表示形式缩减为一个摄像机姿态加多个深度的形式，以有效降低机器人系统状态的长度。

综上，本发明实施例提供了，其有益效果在于：

本发明实施例通过当检测到激光里程计得到的位姿与参考真值的误差大于某一设定阈值时，将激光SLAM系统切换到所述视觉SLAM系统用于导航，使得机器人遇到大雨、浓烟或浓雾等恶劣天气时，仍然能够在复杂的环境中作出运动决策。

此外，本发明实施例提出的激光雷达里程计的实时标定策略，实现里程计误差的实时修正，提高了SLAM算法的机器人定位与构建地图精度。相对于传统方法，多关键帧匹配点三角化的特征点深度获取方法无需手动提取特征或光流图像、无需构建特征描述子、无需帧间特征匹配，更无需进行复杂的几何运算，可实现全新机器人不断深度学习。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是激光SLAM系统切换到视觉SLAM系统的流程图；

图2是激光SLAM系统框架。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本发明实施例提供一种智能机器人，包括：

激光SLAM系统，用于实现机器人的导航；其中所述激光SLAM系统采用激光雷达里程计实时标定策略实现里程计误差的实时修正，以提高SLAM算法的机器人定位与构建地图精度；

视觉SLAM系统，用于实现机器人的导航；所述视觉SLAM系统采用多关键帧匹配点三角化的特征点深度获取方法重建特征点的三维位置；

控制器，用于当检测到里程计得到的位姿与参考真值的误差大于设定阈值时，将所述激光SLAM系统切换到所述视觉SLAM系统用于导航。(请参见图1)

在本发明实施例中，激光SLAM系统框架如图2所示，激光SLAM系统主要包括两个传感器：激光雷达与轮式里程计。在本发明实施例中，激光雷达的作用主要包括两个方面，第一方面是为构图算法提供点云数据。当构图算法获取足够的点云数据后，即可构建出以机器人为中心，以雷达射程为半径的局部地图。第二方面，通过系统观测模型修正贝叶斯滤波器的预测位姿，提高滤波估计的机器人位姿精度。机器人轮式里程计主要作用则是为SLAM系统提供里程信息。通过机器人轮式里程计运动学的模型，将里程信息转化为机器人位姿变化信息，送入贝叶斯滤波器初步计算出预测位姿。由于位姿态的预测精度完全依赖于轮式里程计提供的数据精度，而轮式里程计的测量精度对于获取精确的机器人位姿来讲远远不够，因此，还需要用到系统观测模型对预测结果进行修正。经过修正并加权求和得到的机器人位姿即为当前估计的最佳位姿。在已知最佳位姿的条件下，局部地图即可更新至全局地图中。全局地图进一步进行高斯模糊，构建新的观测模型。

由于轮式里程计精度越差，其在机器人运动过程中产生累积误差的速度就越快。为避免因轮式里程计产生的误差影响机器人定位的准确度与构建地图的效果，本发明提出了轮式里程计的实时标定策略，实现里程计误差的实时修正，提高SLAM算法的机器人定位与构建地图精度，包括：

步骤21、标定程序订阅激光雷达数据，利用激光雷达数据的扫描匹配算法计算机器人的位姿，并作为里程计位姿的参考真值。

步骤22、标定条件判断：当里程计得到的位姿与参考真值的误差大于某一设定阈值时，进行一次标定运算；否则不进行标定。

步骤23、用标定计算后的位姿更新里程计原有位姿，减小里程计积累误差。为获取上述标定策略步骤(1)中提到的参考真值，首先需要连续获取激光雷达提供的环境扫描信息，然后利用前后两帧点云数据进行匹配，计算出连续两帧激光数据之间的机器人位移，通过计算全部激光帧之间的机器人位移，并结合机器人的起始位姿，计算出机器人的实时位姿。

虽然激光雷达具有精度高、视角大、测距范围广等优点，但激光在晴朗的天气里衰减较小，传播距离较远，而在大雨、浓烟、浓雾等坏天气里，衰减急剧加大，激光的传播距离大受影响。因此，当采用激光雷达技术导航的机器人在遇到大雨、浓烟或农雾等时，激光雷达获取到的数据会不准确，从而导致机器人无法确定自身的位置和姿态，进而导致机器人对复杂环境难以理解以及难以做出运动决策。为避免机器人在大雨、浓烟、浓雾等坏天气里，不能做出正确的运动决策，本发明实施例提供的机器人包括视觉SLAM系统，采用多关键帧匹配点三角化的特征点深度获取方法以便于实现所述智能机器人的导航。在本发明实施例中，当控制器检测到激光里程计得到的位姿与参考真值的误差大于某一设定阈值时，将所述激光SLAM系统切换到所述视觉SLAM系统用于导航。

在本发明实施例中，所述采用多关键帧匹配点三角化的特征点深度获取法包括：

利用一个6维向量多关键帧匹配点三角化的特征点深度获取方法来表示一个环境特征点的三维位置，包括机器人的摄像机的位置以及机器人所处的环境特征点方向及深度信息；

不断地进行环境更新，当特征估计协方差小于某一设定阈值时，将机器人所处的环境特征点的6维表示转换为3维的欧式坐标，利用在同一帧图像建立多个特征点，将属于同一帧特征点的表示形式缩减为一个摄像机姿态加多个深度的形式，以有效降低机器人系统状态的长度。

相对于传统方法，多关键帧匹配点三角化的特征点深度获取方法无需手动提取特征或光流图像、无需构建特征描述子、无需帧间特征匹配，更无需进行复杂的几何运算，可实现全新机器人不断深度学习。

以上所述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，这些改进和润饰也视为本发明的保护范围。

Claims (4)

1.一种智能机器人，其特征在于，包括：

激光SLAM系统，用于实现机器人的导航；其中所述激光SLAM系统采用激光雷达里程计实时标定策略实现里程计误差的实时修正，以提高SLAM算法的机器人定位与构建地图精度；

视觉SLAM系统，用于实现机器人的导航；所述视觉SLAM系统采用多关键帧匹配点三角化的特征点深度获取方法重建特征点的三维位置；

控制器，用于当检测到里程计得到的位姿与参考真值的误差大于某一设定阈值时，将所述激光SLAM系统切换到所述视觉SLAM系统用于导航。

2.根据权利要求1所述的智能机器人，其特征在于，所述激光雷达里程计实时标定策略包括：

标定程序订阅激光雷达数据，利用激光雷达数据的扫描匹配算法计算机器人的位姿，并作为里程计位姿的参考真值；

当里程计得到的位姿与参考真值的误差大于某一设定阈值时，进行一次标定运算；否则不进行标定；

用标定计算后的位姿更新里程计原有位姿，以减小里程计积累误差。

3.根据权利要求2所述的智能机器人，其特征在于，所述标定程序订阅激光雷达数据，利用激光雷达数据的扫描匹配算法计算机器人的位姿，并作为里程计位姿的参考真值，包括：

连续获取激光雷达提供的环境扫描信息，利用前后两帧点云数据进行匹配，计算出连续两帧激光数据之间的智能机器人位移，通过计算全部激光帧之间的机器人位移，并结合机器人的起始位姿，计算出智能机器人的实时位姿，并作为里程计位姿的参考真值。

4.根据权利要求1所述的智能机器人，其特征在于，采用多关键帧匹配点三角化的特征点深度获取方法包括：

利用一个6维向量多关键帧匹配点三角化的特征点深度获取方法来表示一个环境特征点的三维位置，包括机器人的摄像机的位置以及机器人所处的环境特征点方向及深度信息；

不断地进行环境更新，当特征估计协方差小于某一设定阈值时，将机器人所处的环境特征点的6维表示转换为3维的欧式坐标，利用在同一帧图像建立多个特征点，将属于同一帧特征点的表示形式缩减为一个摄像机姿态加多个深度的形式，以有效降低机器人系统状态的长度。

Images