CN111551184B - 一种移动机器人slam的地图优化方法及系统 - Google Patents

Abstract

本发明涉及一种移动机器人SLAM的地图优化方法及系统。该方法包括：获取移动机器人采集的环境信息；环境信息为移动机器人在待构建地图的环境中扫描得到；获取表征环境栅格地图质量的多个指标；多个指标包括栅格占据率、角点数量和封闭区域数量；以多个指标为目标，根据环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到SLAM算法中的最优参数组合；SLAM算法用于根据环境信息生成环境栅格地图；根据环境信息，采用最优参数组合的SLAM算法生成最优环境栅格地图；最优环境栅格地图用于移动机器人的导航和定位。本发明可以提高SLAM的地图构建效率和地图质量。

Description

一种移动机器人SLAM的地图优化方法及系统

技术领域

本发明涉及移动机器人领域，特别是涉及一种移动机器人SLAM的地图优化方法及系统。

背景技术

近些年来，随着科学技术在移动机器人领域发展和突破，移动机器人在工业、服务业等领域应用越来越广泛，有效地降低了人力和时间成本。机器人即时定位与地图构建(Simultaneous LocalizationAnd Mapping，SLAM)是机器人实现自主运动的重要手段，相关算法已成为移动机器人研究领域的关键技术。SLAM问题可描述为：在未知环境下，机器人能否在确定自身位姿的同时根据这个位姿建立相应的环境地图。目前移动机器人领域已存在多种针对二维激光的SLAM算法，这些算法均存在诸多参数，参数数值设置直接影响到所生成地图的结果。在实际应用中，SLAM算法参数通常需要算法工程师根据实际环境进行调整。这些SLAM算法参数调整主要有两种方式：通过建立数学模型和根据经验调参。通过建立数学模型式调参，过程繁琐复杂，难度大，周期长，不适合落地应用。根据经验调参，受限于工程师经验，难以保证调参效率。目前，算法调参对于SLAM工作者来说，仍是一项挑战，进而导致SLAM的地图构建效率低，且构建的地图质量差。

发明内容

本发明的目的是提供一种移动机器人SLAM的地图优化方法及系统，以提高SLAM的地图构建效率和地图质量。

为实现上述目的，本发明提供了如下方案：

一种移动机器人SLAM的地图优化方法，包括：

获取移动机器人采集的环境信息；所述环境信息为所述移动机器人在待构建地图的环境中扫描得到；

获取表征环境栅格地图质量的多个指标；所述多个指标包括栅格占据率、角点数量和封闭区域数量；

以多个指标为目标，根据所述环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到所述SLAM算法中的最优参数组合；所述SLAM算法用于根据所述环境信息生成环境栅格地图；

根据所述环境信息，采用所述最优参数组合的SLAM算法生成最优环境栅格地图；所述最优环境栅格地图用于所述移动机器人的导航和定位。

可选的，所述获取表征环境栅格地图质量的多个指标，具体包括：

获取第一指标；所述第一指标为栅格占据率，所述第一指标为η，

其中，w_occupied表示被占据的栅格数量，w_all表示栅格总数；

获取第二指标；所述第二指标为角点数量，所述第二指标通过Harris角点检测器方法计算得到；

获取第三指标；所述第三指标为封闭区域数量，所述第三指标通过对环境栅格地图的拓扑结构分析得到。

可选的，所述以多个指标为目标，根据所述环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到所述SLAM算法中的最优参数组合，具体包括：

根据所述多个指标确定多目标优化的优化问题为：min{η(p₁),η_c(p₁),η_e(p₁)}；其中，p₁为SLAM算法中待优化的参数组，η(p₁)为参数组p₁对应的栅格占据率，η_c(p₁)为参数组p₁对应的角点数量，η_e(p₁)为参数组p₁对应的封闭区域数量；

采用多目标迭代优化算法，对所述优化问题求解，得到所述SLAM算法中的最优参数组合。

可选的，所述采用多目标迭代优化算法，对所述优化问题求解，得到所述SLAM算法中的最优参数组合，具体包括：

获取当前迭代次数的初始种群；所述初始种群为SLAM算法中待优化的参数组的取值；

根据当前迭代次数的初始种群和所述环境信息，利用SLAM算法构建当前的环境栅格地图；

根据当前的环境栅格地图计算当前的栅格占据率、当前角点数量和当前封闭区域数量；

判断当前迭代次数是否达到最大迭代次数；

当当前迭代次数未达到最大迭代次数时，根据SLAM算法中待优化的多个参数的范围对当前迭代次数的初始种群进行更新，得到下一次迭代次数的初始种群，迭代次数加1，进入下一次迭代；

当当前迭代次数达到最大迭代次数时，停止迭代，得到所述优化问题的最优解，得到所述SLAM算法中的最优参数组合。

本发明还提供一种移动机器人SLAM的地图优化系统，包括：

环境信息获取模块，用于获取移动机器人采集的环境信息；所述环境信息为所述移动机器人在待构建地图的环境中扫描得到；

指标获取模块，用于获取表征环境栅格地图质量的多个指标；所述多个指标包括栅格占据率、角点数量和封闭区域数量；

多目标优化模块，用于以多个指标为目标，根据所述环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到所述SLAM算法中的最优参数组合；所述SLAM算法用于根据所述环境信息生成环境栅格地图；

最优环境栅格地图生成模块，用于根据所述环境信息，采用所述最优参数组合的SLAM算法生成最优环境栅格地图；所述最优环境栅格地图用于所述移动机器人的导航和定位。

可选的，所述指标获取模块具体包括：

第一指标获取单元，用于获取第一指标；所述第一指标为栅格占据率，所述第一指标为η，

其中，w_occupied表示被占据的栅格数量，w_all表示栅格总数；

第二指标获取单元，用于获取第二指标；所述第二指标为角点数量，所述第二指标通过Harris角点检测器方法计算得到；

第三指标获取单元，用于获取第三指标；所述第三指标为封闭区域数量，所述第三指标通过对环境栅格地图的拓扑结构分析得到。

可选的，所述多目标优化模块具体包括：

优化问题确定单元，用于根据所述多个指标确定多目标优化的优化问题为：min{η(p₁),η_c(p₁),η_e(p₁)}；其中，p₁为SLAM算法中待优化的参数组，η(p₁)为参数组p₁对应的栅格占据率，η_c(p₁)为参数组p₁对应的角点数量，η_e(p₁)为参数组p₁对应的封闭区域数量；

求解单元，用于采用多目标迭代优化算法，对所述优化问题求解，得到所述SLAM算法中的最优参数组合。

可选的，所述求解单元具体包括：

初始种群获取子单元，用于获取当前迭代次数的初始种群；所述初始种群为SLAM算法中待优化的参数组的取值；

环境栅格地图构建子单元，用于根据当前迭代次数的初始种群和所述环境信息，利用SLAM算法构建当前的环境栅格地图；

指标计算子单元，用于根据当前的环境栅格地图计算当前的栅格占据率、当前角点数量和当前封闭区域数量；

判断子单元，用于判断当前迭代次数是否达到最大迭代次数；

更新子单元，用于当当前迭代次数未达到最大迭代次数时，根据SLAM算法中待优化的多个参数的范围对当前迭代次数的初始种群进行更新，得到下一次迭代次数的初始种群，迭代次数加1，进入下一次迭代；

最优解确定子单元，用于当当前迭代次数达到最大迭代次数时，停止迭代，得到所述优化问题的最优解，得到所述SLAM算法中的最优参数组合。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明在无环境真实地理数据情况下，以SLAM所构建地图的栅格占据率、角点数量、封闭区域数量为优化目标，自动优化SLAM算法中参数，即可得到环境下的最优化地图，无需人工建模和干预，不依赖于人工经验和技能，能够有效提高SLAM构建地图的效率和地图质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明移动机器人SLAM的地图优化方法的流程示意图；

图2为本发明移动机器人SLAM的地图优化系统的结构示意图；

图3为本发明具体实施案例中地下车库环境数据采集过程示意图；

图4为本发明具体实施案例中图优化SLAM框架图；

图5为本发明具体实施案例中SLAM闭环检测流程图；

图6为本发明具体实施案例中多目标优化的流程图；

图7为本发明具体实施案例中SLAM所构建环境的优化前和优化后的地图对比图。

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做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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明移动机器人SLAM的地图优化方法的流程示意图。如图1所示，本发明移动机器人SLAM的地图优化方法包括以下步骤：

步骤100：获取移动机器人采集的环境信息。所述环境信息为所述移动机器人在待构建地图的环境中扫描得到。具体的，以装有二维激光等传感器的移动机器人为例，可采用遥控手柄，控制移动机器人在待建图环境中进行前进、后退、转弯等移动，机器人在移动的同时，对环境进行激光扫描并采集环境信息。为保证移动机器人所采集数据的完整性，尽量控制机器人上的激光传感器可以扫描到环境的各个位置。若SLAM算法带有回环检测功能，移动机器人应至少扫描环境两周以保证算法鲁棒性。

步骤200：获取表征环境栅格地图质量的多个指标。所述多个指标包括栅格占据率、角点数量和封闭区域数量。本发明以地图中的栅格占据率、角点数量和封闭区域数量三个指标作为SLAM参数优化的目标，确定各指标的计算方法。

其中第一个指标(栅格占据率)用以判断地图中墙壁或障碍物是否模糊或者地图上是否有重复冗余的墙壁或障碍物，该指标表示为η，计算公式为：

其中，w_occupied表示被占据的栅格数量，w_all表示栅格总数；栅格占据率η比例越高，地图质量越差。

第二个指标(角点数量)用于描述当移动机器人多次经过同一地点时由于传感器累积误差所产生的重复性冗余角点，该指标表示为η_c。栅格地图中角点数量越多，地图质量越差。地图上的角点数量的计算方法可以采用Harris角点检测器方法，该方法使用固定的窗口在栅格地图图像上的任意方向滑动，计算滑动后窗口中像素的灰度值变化，即

E(u,v)＝∑_x,yw(x,y)[I(x+u,y+v)-I(x,y)]²；

其中w(x,y)是窗口函数，(u,v)是窗口的偏移量，I(x,y)和I(x+u,y+v)分别是像素坐标(x,y)和(x+u,y+v)处图像的灰度值，当E超过某阈值时，则认为窗口中存在角点，进而可以确定角点数量。

第三个指标(封闭区域的数量)用于描述当机器人多次经过同一地点时由于信号累计误差所导致的房间墙壁旋转叠加以及所产生的封闭多边形，该指标表示为η_e。栅格地图中封闭区域数量越多，地图的质量越差。地图上封闭区域数量的计算方法，包括但不局限于对栅格地图图像的拓扑结构分析方法，该方法首先对栅格地图进行二值化处理以获取二进制图像，然后对二值图像进行轮廓分析来提取封闭区域及其数量。

步骤300：以多个指标为目标，根据环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到SLAM算法中的最优参数组合。SLAM算法用于根据环境信息生成环境栅格地图。具体的，首先，确定SLAM算法中待优化的参数及其范围，待优化的参数为SLAM算法中的可调整参数，例如闭环检测的空间检测范围、激光数据顺序匹配的结果阈值和匹配帧数等，确定待优化的参数之后根据实际情况确定待优化参数的调整范围。

然后，从步骤200中的指标中选择两个或者三个作为SLAM算法参数的优化目标。例如，当采用三个指标作为SLAM算法参数的优化目标时，该优化问题可表述为：

min{η(p₁),η_c(p₁),η_e(p₁)}；

其中，p₁为SLAM算法中待优化的参数组，η(p₁)为参数组p₁对应的栅格占据率，η_c(p₁)为参数组p₁对应的角点数量，η_e(p₁)为参数组p₁对应的封闭区域数量。

最后，将步骤100中采集的环境信息加载至多目标优化算法中，通过迭代优化对上述优化问题求解，得到最优的可调参数。求解上述优化问题的算法包括但不局限于多目标遗传算法，该算法中，种群中的每个个体都是SLAM中参数变量的组合，在设置的优化区间内进行迭代优化，进化终止条件为是否满足设定的迭代次数，初始种群个体经过一定次数迭代之后可得最优种群个体并称为最优解。以多目标遗传算法为例，求解具体过程为：

获取当前迭代次数的初始种群；所述初始种群为SLAM算法中待优化的参数组的取值。

根据当前迭代次数的初始种群和所述环境信息，利用SLAM算法构建当前的环境栅格地图。

根据当前的环境栅格地图计算当前的栅格占据率、当前角点数量和当前封闭区域数量。

判断当前迭代次数是否达到最大迭代次数。

当当前迭代次数未达到最大迭代次数时，根据SLAM算法中待优化的多个参数的范围对当前迭代次数的初始种群进行更新，得到下一次迭代次数的初始种群，迭代次数加1，进入下一次迭代。

当当前迭代次数达到最大迭代次数时，停止迭代，得到所述优化问题的最优解，得到所述SLAM算法中的最优参数组合。

步骤400：根据环境信息，采用最优参数组合的SLAM算法生成最优环境栅格地图。最优环境栅格地图用于移动机器人的导航和定位。SLAM算法包括但不局限于以下几种：Karto SLAM、Cartographer、Gmapping等算法，将最优参数组合代入SLAM算法，进而根据环境信息可以生成最优环境栅格地图。

图2为本发明移动机器人SLAM的地图优化系统的结构示意图。如图2所示，本发明移动机器人SLAM的地图优化系统包括以下结构：

环境信息获取模块201，用于获取移动机器人采集的环境信息；所述环境信息为所述移动机器人在待构建地图的环境中扫描得到。

指标获取模块202，用于获取表征环境栅格地图质量的多个指标；所述多个指标包括栅格占据率、角点数量和封闭区域数量。

多目标优化模块203，用于以多个指标为目标，根据所述环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到所述SLAM算法中的最优参数组合；所述SLAM算法用于根据所述环境信息生成环境栅格地图。

最优环境栅格地图生成模块204，用于根据所述环境信息，采用所述最优参数组合的SLAM算法生成最优环境栅格地图；所述最优环境栅格地图用于所述移动机器人的导航和定位。

作为具体实施例，本发明移动机器人SLAM的地图优化系统中，所述指标获取模块202具体包括：

第一指标获取单元，用于获取第一指标；所述第一指标为栅格占据率，所述第一指标为η，

其中，w_occupied表示被占据的栅格数量，w_all表示栅格总数。

第二指标获取单元，用于获取第二指标；所述第二指标为角点数量，所述第二指标通过Harris角点检测器方法计算得到。

第三指标获取单元，用于获取第三指标；所述第三指标为封闭区域数量，所述第三指标通过对环境栅格地图的拓扑结构分析得到。

作为具体实施例，本发明移动机器人SLAM的地图优化系统中，所述多目标优化模块203具体包括：

优化问题确定单元，用于根据所述多个指标确定多目标优化的优化问题为：min{η(p₁),η_c(p₁),η_e(p₁)}；其中，p₁为SLAM算法中待优化的参数组，η(p₁)为参数组p₁对应的栅格占据率，η_c(p₁)为参数组p₁对应的角点数量，η_e(p₁)为参数组p₁对应的封闭区域数量。

求解单元，用于采用多目标迭代优化算法，对所述优化问题求解，得到所述SLAM算法中的最优参数组合。

作为具体实施例，本发明移动机器人SLAM的地图优化系统中，所述求解单元具体包括：

初始种群获取子单元，用于获取当前迭代次数的初始种群；所述初始种群为SLAM算法中待优化的参数组的取值。

环境栅格地图构建子单元，用于根据当前迭代次数的初始种群和所述环境信息，利用SLAM算法构建当前的环境栅格地图。

指标计算子单元，用于根据当前的环境栅格地图计算当前的栅格占据率、当前角点数量和当前封闭区域数量。

判断子单元，用于判断当前迭代次数是否达到最大迭代次数。

更新子单元，用于当当前迭代次数未达到最大迭代次数时，根据SLAM算法中待优化的多个参数的范围对当前迭代次数的初始种群进行更新，得到下一次迭代次数的初始种群，迭代次数加1，进入下一次迭代。

最优解确定子单元，用于当当前迭代次数达到最大迭代次数时，停止迭代，得到所述优化问题的最优解，得到所述SLAM算法中的最优参数组合。

下面提供一个具体实施案例进一步说明本发明图1和图2所示的方案。本具体实施案例中通过移动机器人完成某地下车库的二维激光SLAM建图过程。

具体包括以下步骤：

步骤1，通过无线控制手柄发送运动指令，控制装有二维激光等传感器移动机器人在待建图环境中前进、后退、转弯等，同时采集环境信息数据。图3为本发明具体实施案例中地下车库环境数据采集过程示意图，如图3所示，本实施案例中移动机器人的运动轨迹为图中箭头线条所示。移动机器人采集数据时，为保证数据的完整性，尽量控制移动机器人上安装的传感器可以扫描到环境的各个位置。在车位有车停留的情况下，应尽量控制移动机器人环绕车身将其扫描完整。本例中，移动机器人扫描环境两周，且采集数据时，尽量在外界干扰小的情况下进行，如尽量避免移动的车、人等，降低SLAM中匹配错误的概率，保证数据的可靠性。

步骤2：移动机器人将在步骤1中所采集的位置、转角、激光数据等信息通过TCP/IP无线网络通讯协议发送到云端服务器。SLAM算法所求解的问题即估计机器人在移动过程中的位姿并同时构建环境地图。由于环境信息数据存在噪声，SLAM问题通常用概率模型来描述与求解。如机器人运动的时间用t来表示，t时刻的位姿表示为x_t，从1时刻到t时刻的位姿表示为x₁:_t＝{x₁,...x_t}，在机器人运动的过程中，获取的里程计数据表示为u₁:_t＝{u₁,...u_t}，传感器的观测值为z₁:_t＝{z₁,...z_t}。完整的SLAM问题将由估计机器人轨迹x₁:_t的后验概率和地图m来解决，SLAM过程可表述为P(x₁:_t,m|z₁:_t,u₁:_t,x₀,p₀,p₁)

其中，里程计数据u₁:_t、传感器的观测值为z₁:_t和机器人初始位置x₀由移动机器人发送给服务器。在SLAM问题中一般认为机器人的初始位置为起始点，即为坐标系的原点位置。运行SLAM算法需要确定一系列参数：其中一部分参数是不可调的有机器人系统固有特征确定，如激光分辨率、扫描范围、激光在移动机器人上的安装位置等，这类参数表示为p₀；而另一部分参数需根据待测环境做调整，如回环检测的搜索范围、激光数据顺序匹配帧数，这类参数表示为p₁，当这些参数调整至不同数值，所生成的机器人轨迹x_1:t和地图m也不同。本例采用Karto SLAM图优化框架进行求解，传感器数据输入之后，处理过程分为前端与后端，图4为本发明具体实施案例中图优化SLAM框架图，如图4所示，前端为顺序匹配与闭环检测，为后端优化提供位姿及位姿之间的约束，Sparse Bundle Adjustment(SPA)被用作后端框架，该框架由Levenberg-Marquardt(LM)非线性优化器解决。闭环检测成功后，后端将对全部位姿进行优化，以减小信号累计误差的影响。图5为本发明具体实施案例中SLAM闭环检测流程图，如图5所示，Karto SLAM首先以当前扫描帧为中心，以r为搜索半径，搜寻是否有之前经过此处建立的关键帧。若存在，则判断关键帧的个数是否满足设定值g。若满足，则当前帧与关键帧进行精粗匹配。若匹配成功，则回环检测成功，执行全局优化，得到一个优化好的栅格地图。SLAM算法处理前首先设置好移动机器人的基本参数，如激光分辨率、扫描范围、激光坐标系与移动机器人坐标系的偏置等不可调参数p₀以及本例中的待调参数r和g。环境信息数据经过SLAM处理后可得到机器人轨迹x_1:t和环境的栅格地图m。

步骤3：以地图中的栅格占据率、角点数量和封闭区域数量三个指标作为优化SLAM算法中可调参数的目标，确定各指标的计算方法。本例中，栅格占据率、角点数量、封闭区域数量三个指标共同使用。栅格占据率η用于判断地图中墙壁或障碍物是否模糊或地图上是否有重复的墙壁或障碍物。η越大，地图质量越差。角点数量用于描述当移动机器人多次经过同一个地方时，由于传感器累积误差的影响所产生的多个重复性的角点。本例中，使用Harris角点检测器获取地图上的角点，地图中角点数量越多，表示地图质量越差。封闭区域的数量用于描述当机器人多次经过同一地点时由于信号累积误差所导致的房间墙壁旋转叠加以及所产生的封闭多边形。本例中，封闭区域数量的计算，首先对占用的栅格地图进行二值化处理以获取二进制图像，然后，对二值图像进行拓扑结构分析提取封闭区域。同样的，封闭区域数量越多，地图的质量越差。上述三个指标，无需待建图环境的真实地理数据。本例中地图结果和SLAM算法的可调参数r和g有关，因此上述三个指标依赖于r和g的设值。

步骤4：选择SLAM算法中闭环检测的搜索半径r与关键帧个数g作为SLAM算法待优化参数，并设定优化范围r∈[2m,6m]，g∈[6,20]。本例的优化问题为：min{η(p₁),η_c(p₁),η_e(p₁)}，利用步骤2中的Karto SLAM算法，将步骤1中采集的环境信息加载至多目标优化算法中，通过迭代优化得到最优的闭环检测搜索半径r与关键帧个数g。本例中，使用NSGA-III(Nondominated Sorting GeneticAlgorithm-III)多目标参数优化算法，该算法基于参考点的非支配排序选择机制，具有良好的算法收敛性与解的均匀分布性。进化终止条件为是否满足设定的迭代次数，本例中迭代次数设值为100，种群个体设值为60。初始种群个体经过多目标参数优化迭代100次之后可得到最优种群个体，称为最优解。NSGA-III算法的流程图如图6所示。首先，产生初始种群并进行评价。初始种群个体在参数范围r∈[2m,6m]，g∈[6,20]内随机产生组合。然后对个体进行选择、交叉、变异得到子代种群。合并父代与子代种群得到新的混合种群并进行评价。对混合种群中个体进行非支配排序，选择出前60个个体形成新的下一代种群。最后，判断是否达到最大迭代次数100次，若满足，则结束此次优化输出最优个体；若不满足，则对种群进行评价并继续进行选择、交叉、变异等后续操作。上述优化过程可在服务器中进行，NSGA-III算法迭代优化得到的最优解代表SLAM算法闭环检测中r与g的最佳组合。

步骤5：将步骤4中最优r与g参数组合代入到SLAM算法中，可实现较多次数的闭环检测与后端优化，减小信号累计误差，生成一张环境的最优化地图。优化前和优化后的地图如图7所示，其中，(a)部分为优化前的地图，(b)部分为优化后的地图，根据图7可以看出优化后地图与真实环境一致。

步骤6：将步骤5中的最优化地图从步骤2所述服务器通过TCP/IP网络通讯协议传回到移动机器人进行导航和定位等任务。

实际操作中，非SLAM算法人员可直接使用此方法来根据环境自动调参，无需掌握算法工作原理，操作简易便捷，遥控移动机器人采集数据即可。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种移动机器人SLAM的地图优化方法，其特征在于，包括：

获取移动机器人采集的环境信息；所述环境信息为所述移动机器人在待构建地图的环境中扫描得到；

获取表征环境栅格地图质量的多个指标，具体包括：获取第一指标；所述第一指标为栅格占据率，所述第一指标为η，

其中，w_occupied表示被占据的栅格数量，w_all表示栅格总数；获取第二指标；所述第二指标为角点数量，所述第二指标通过Harris角点检测器方法计算得到；获取第三指标；所述第三指标为封闭区域数量，所述第三指标通过对环境栅格地图的拓扑结构分析得到；所述多个指标包括栅格占据率、角点数量和封闭区域数量；

以多个指标为目标，根据所述环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到所述SLAM算法中的最优参数组合，具体包括：根据所述多个指标确定多目标优化的优化问题为：min{η(p₁),η_c(p₁),η_e(p₁)}；其中，p₁为SLAM算法中待优化的参数组，η(p₁)为参数组p₁对应的栅格占据率，η_c(p₁)为参数组p₁对应的角点数量，η_e(p₁)为参数组p₁对应的封闭区域数量；采用多目标迭代优化算法，对所述优化问题求解，得到所述SLAM算法中的最优参数组合；所述SLAM算法用于根据所述环境信息生成环境栅格地图；

根据所述环境信息，采用所述最优参数组合的SLAM算法生成最优环境栅格地图；所述最优环境栅格地图用于所述移动机器人的导航和定位。

2.根据权利要求1所述的移动机器人SLAM的地图优化方法，其特征在于，所述采用多目标迭代优化算法，对所述优化问题求解，得到所述SLAM算法中的最优参数组合，具体包括：

获取当前迭代次数的初始种群；所述初始种群为SLAM算法中待优化的参数组的取值；

根据当前迭代次数的初始种群和所述环境信息，利用SLAM算法构建当前的环境栅格地图；

根据当前的环境栅格地图计算当前的栅格占据率、当前角点数量和当前封闭区域数量；

判断当前迭代次数是否达到最大迭代次数；

当当前迭代次数未达到最大迭代次数时，根据SLAM算法中待优化的多个参数的范围对当前迭代次数的初始种群进行更新，得到下一次迭代次数的初始种群，迭代次数加1，进入下一次迭代；

当当前迭代次数达到最大迭代次数时，停止迭代，得到所述优化问题的最优解，得到所述SLAM算法中的最优参数组合。

3.一种移动机器人SLAM的地图优化系统，其特征在于，包括：

环境信息获取模块，用于获取移动机器人采集的环境信息；所述环境信息为所述移动机器人在待构建地图的环境中扫描得到；

指标获取模块，用于获取表征环境栅格地图质量的多个指标；所述指标获取模块具体包括：第一指标获取单元，用于获取第一指标；所述第一指标为栅格占据率，所述第一指标为η，

其中，w_occupied表示被占据的栅格数量，w_all表示栅格总数；第二指标获取单元，用于获取第二指标；所述第二指标为角点数量，所述第二指标通过Harris角点检测器方法计算得到；第三指标获取单元，用于获取第三指标；所述第三指标为封闭区域数量，所述第三指标通过对环境栅格地图的拓扑结构分析得到；所述多个指标包括栅格占据率、角点数量和封闭区域数量；

多目标优化模块，用于以多个指标为目标，根据所述环境信息和SLAM算法中待优化的多个参数的范围，进行多目标迭代优化，得到所述SLAM算法中的最优参数组合；所述多目标优化模块具体包括：优化问题确定单元，用于根据所述多个指标确定多目标优化的优化问题为：min{η(p₁),η_c(p₁),η_e(p₁)}；其中，p₁为SLAM算法中待优化的参数组，η(p₁)为参数组p₁对应的栅格占据率，η_c(p₁)为参数组p₁对应的角点数量，η_e(p₁)为参数组p₁对应的封闭区域数量；求解单元，用于采用多目标迭代优化算法，对所述优化问题求解，得到所述SLAM算法中的最优参数组合；所述SLAM算法用于根据所述环境信息生成环境栅格地图；

最优环境栅格地图生成模块，用于根据所述环境信息，采用所述最优参数组合的SLAM算法生成最优环境栅格地图；所述最优环境栅格地图用于所述移动机器人的导航和定位。

4.根据权利要求3所述的移动机器人SLAM的地图优化系统，其特征在于，所述求解单元具体包括：

初始种群获取子单元，用于获取当前迭代次数的初始种群；所述初始种群为SLAM算法中待优化的参数组的取值；

环境栅格地图构建子单元，用于根据当前迭代次数的初始种群和所述环境信息，利用SLAM算法构建当前的环境栅格地图；

指标计算子单元，用于根据当前的环境栅格地图计算当前的栅格占据率、当前角点数量和当前封闭区域数量；

判断子单元，用于判断当前迭代次数是否达到最大迭代次数；

更新子单元，用于当当前迭代次数未达到最大迭代次数时，根据SLAM算法中待优化的多个参数的范围对当前迭代次数的初始种群进行更新，得到下一次迭代次数的初始种群，迭代次数加1，进入下一次迭代；

最优解确定子单元，用于当当前迭代次数达到最大迭代次数时，停止迭代，得到所述优化问题的最优解，得到所述SLAM算法中的最优参数组合。

Images