CN112069445A - 一种2d slam算法评估及量化方法 - Google Patents

一种2d slam算法评估及量化方法 Download PDF

Info

Publication number
CN112069445A
CN112069445A CN202010891817.8A CN202010891817A CN112069445A CN 112069445 A CN112069445 A CN 112069445A CN 202010891817 A CN202010891817 A CN 202010891817A CN 112069445 A CN112069445 A CN 112069445A
Authority
CN
China
Prior art keywords
map
algorithm
generated map
calculating
evaluation
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
CN202010891817.8A
Other languages
English (en)
Inventor
刘丽伟
曲达明
朱绪康
赵子君
侯阿临
李秀华
梁超
杨冬
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.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
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 Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202010891817.8A priority Critical patent/CN112069445A/zh
Publication of CN112069445A publication Critical patent/CN112069445A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种2D SLAM算法评估及量化方法，属于移动机器人领域。该方法包括：获取不同SLAM算法创建的地图数据；提出五个衡量算法优劣的评判指标；根据算法获得的地图数据计算归一化最邻近距离、均方误差、结构相似性、栅格占用自由比、边长总和这五个指标；根据数据结果判断算法的优劣。本发明提供了一种2D SLAM算法评估及量化方法，能够更科学的对生成的地图进行评价，更准确反映算法的质量。

Description

一种2D SLAM算法评估及量化方法
技术领域
本发明涉及移动机器人领域，特别涉及一种2D SLAM算法评估及量化方法。
背景技术
移动机器人利用自身传感器获得环境的地图，同时确定自身在环境中的位置和姿态的过程叫做同时定位与建图 (Simultaneous Localization and Mapping, SLAM)。各种SLAM算法基本理论不同，不同场景下其表现状态也不尽相同。工程中，SLAM算法生成地图的精度会直接影响移动机器人的定位和自主导航，所以挑选出表现最好的算法至关重要。比较多种算法结果的最简单方法是计算生成地图和地面实况图之间的差异。传统上，都是通过人眼观察生成地图，评价其与实际环境的差异，但是该方法主观性较强，评价结果会随评估者的主观看法和经验的不同而改变，不能准确反映算法的质量，现阶段仍缺乏一种科学评估地图的方法，为选择最佳算法提供有效依据。
发明内容
有鉴于此，本发明提供一种2D SLAM算法评估及量化方法，能够更科学的对生成的地图进行评价，选择能生成最适用于机器人定位、导航的算法。
本发明所采用的技术方案为：
一种2D SLAM算法评估及量化方法，所述评估指标包括：归一化最邻近距离、均方误差、结构相似性、栅格占用自由比、边长总和；
所述评估及量化方法，包括如下步骤：
步骤一：分别运行SLAM算法，控制移动机器人运动并生成环境地图；
步骤二：使用Ostu算法将生成地图二值化；
步骤三：统计生成地图墙壁和自由空间所对应的像素数并计算其像素比；
步骤四：进一步的，缩小生成地图的墙线，计算所有封闭区域的周长；
步骤五：进一步的，将生成地图和各自的地面真值对齐；
步骤六：计算生成地图与实际环境的距离、生成地图与实际环境对应像素差值的均方差，衡量生成地图与原始图的相似程度。
所述步骤一包括以下步骤：
1）创建模拟各种类型地形的3D模型，并且使用插件从这些3D模型获得地面的实况图（2D）；
2）使用Gazebo搭建两组仿真的实验环境；
3）分别使用Turtlebot3 Burger机器人和Turtlebot3 Burger机器人的模型进行实验；
4）使用rosbag保存ROS所有主题数据，地图的分辨率设置为0.05米/像素，栅格地图以pgm格式保存。
所述步骤六包括以下步骤：
1）使用knnsearch确定从地面真值图的每个被占用单元到结果图中最近单元的距离， 根据公式
Figure 516611DEST_PATH_IMAGE001
计算归一化最邻近距离，式中：N 是占用栅格的数量；
2）根据公式
Figure 602248DEST_PATH_IMAGE002
计算均方误差，式 中：x和y分别为生成地图与地面实况图，
Figure 640611DEST_PATH_IMAGE003
和
Figure 322259DEST_PATH_IMAGE004
分别为相应图像中第行列的像 素值；
3）根据公式
Figure 496888DEST_PATH_IMAGE005
计算结构相似性，其中
Figure 222268DEST_PATH_IMAGE006
和
Figure 747927DEST_PATH_IMAGE007
分别是x和y的平均值，
Figure 233266DEST_PATH_IMAGE008
和
Figure 262402DEST_PATH_IMAGE009
分别是x和y的方 差，
Figure 689841DEST_PATH_IMAGE010
是x和y的协方差，
Figure 171638DEST_PATH_IMAGE011
和
Figure 460668DEST_PATH_IMAGE012
是用来维持稳定的常数。
与现有技术相比，本发明的有益效果为：
归一化最邻近距离反映了生成地图与地面实况图的准确度；均方误差反映了生成地图的逼真度以及相比于原始地图的偏离度；结构相似性衡量了生成地图和原始地图的相似程度；栅格占用自由比衡量了生成地图墙壁的准确度；边长总和衡量了生成地图出现重叠的墙或伪影的情况。提出五个量化的评估指标能够对SLAM算法的质量进行更科学的评估，同时也有助于选择最佳算法。
附图说明：
图1为本发明的综合评估指标的层次结构；
图2为本发明的求取各个评价指标的流程图。
具体实施方式：
本发明提出的一种2D SLAM算法评估及量化方法，具体操作主要分为三个步骤：
步骤一：在同一实验环境下，获取不同算法得到的地图数据；
步骤二:对地图数据进行处理，获取评估指标需要的信息。具体包括以下步骤：
1）使用Ostu算法对生成的地图二值化，二值化后的地图只包含场景的边界和障碍；
2）使用OpenCV的精简操作处理图像，缩小墙线；
3）使用ICP算法，将二值化后的地图与各自的地面真值对齐；
步骤三：统计生成地图墙壁和自由空间所对应的像素数并计算其像素比；计算所有封闭区域的周长；计算生成地图与实际环境的距离、生成地图与实际环境对应像素差值的均方差，衡量生成地图与原始图的相似程度；具体包括以下步骤：
1）使用knnsearch确定从地面真值图的每个被占用单元到结果图中最近单元的距离， 根据公式
Figure 344310DEST_PATH_IMAGE001
计算归一化最邻近距离，式中：N 是占用栅格的数量；
2）根据公式
Figure 942651DEST_PATH_IMAGE002
计算均方误差，式中：x和 y分别为生成地图与地面实况图，
Figure 115006DEST_PATH_IMAGE003
和
Figure 66782DEST_PATH_IMAGE004
分别为相应图像中第行列的像素值；
3）根据公式
Figure 945876DEST_PATH_IMAGE005
计算结构相似性， 其中
Figure 856063DEST_PATH_IMAGE006
和
Figure 448805DEST_PATH_IMAGE007
分别是x和y的平均值，
Figure 204271DEST_PATH_IMAGE008
和
Figure 672293DEST_PATH_IMAGE009
分别是x和y的方差，
Figure 691064DEST_PATH_IMAGE010
是x和y的协方 差，
Figure 634750DEST_PATH_IMAGE011
和
Figure 318541DEST_PATH_IMAGE012
是用来维持稳定的常数。

Claims (3)

1.一种2D SLAM算法评估及量化方法，其特征在于，所述评估指标包括：归一化最邻近距离、均方误差、结构相似性、栅格占用自由比、边长总和；
所述2D SLAM算法评估及量化方法，包括如下步骤：
步骤一：分别运行SLAM算法，控制移动机器人运动并生成环境地图；
步骤二：使用Ostu算法将生成地图二值化；
步骤三：统计生成地图墙壁和自由空间所对应的像素数并计算其像素比；
步骤四：进一步的，缩小生成地图的墙线，计算所有封闭区域的周长；
步骤五：进一步的，将生成地图和各自的地面真值对齐；
步骤六：计算生成地图与实际环境的距离、生成地图与实际环境对应像素差值的均方差，衡量生成地图与原始图的相似程度。
2.根据权利要求1所述的2D SLAM算法评估及量化方法，其特征在于，所述步骤一包括以下步骤：
1）创建模拟各种类型地形的3D模型，并且使用插件从这些3D模型获得地面的实况图（2D）；
2）使用Gazebo搭建两组仿真的实验环境；
3）分别使用Turtlebot3 Burger机器人和Turtlebot3 Burger机器人的模型进行实验；
4）使用rosbag保存ROS所有主题数据，地图的分辨率设置为0.05米/像素，栅格地图以pgm格式保存。
3.根据权利要求1所述的2D SLAM算法评估及量化方法，其特征在于，所述步骤六包括以下步骤：
1）使用knnsearch确定从地面真值图的每个被占用单元到结果图中最近单元的距离， 根据公式
Figure 27009DEST_PATH_IMAGE001
计算归一化最邻近距离，式中：N是占 用栅格的数量；
2）根据公式
Figure 623207DEST_PATH_IMAGE002
计算均方误差，式中：x和 y分别为生成地图与地面实况图，
Figure 319768DEST_PATH_IMAGE003
和
Figure 541670DEST_PATH_IMAGE004
分别为相应图像中第行列的像素值；
3）根据公式
Figure 577759DEST_PATH_IMAGE005
计算结构相似性，其中
Figure 141596DEST_PATH_IMAGE006
和
Figure 263136DEST_PATH_IMAGE007
分别是x和y的平均值，
Figure 429675DEST_PATH_IMAGE008
和
Figure 976063DEST_PATH_IMAGE009
分别是x和y的方差，
Figure 304276DEST_PATH_IMAGE010
是x和y的协方差，
Figure 647533DEST_PATH_IMAGE011
和
Figure 227550DEST_PATH_IMAGE012
是用来维持稳定的常数。
CN202010891817.8A 2020-08-31 2020-08-31 一种2d slam算法评估及量化方法 Pending CN112069445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010891817.8A CN112069445A (zh) 2020-08-31 2020-08-31 一种2d slam算法评估及量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010891817.8A CN112069445A (zh) 2020-08-31 2020-08-31 一种2d slam算法评估及量化方法

Publications (1)

Publication Number Publication Date
CN112069445A true CN112069445A (zh) 2020-12-11

Family

ID=73660621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010891817.8A Pending CN112069445A (zh) 2020-08-31 2020-08-31 一种2d slam算法评估及量化方法

Country Status (1)

Country Link
CN (1) CN112069445A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022143261A1 (zh) * 2020-12-29 2022-07-07 深圳市普渡科技有限公司 栅格地图质量评估方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190219401A1 (en) * 2018-01-12 2019-07-18 The Trustees Of The University Of Pennsylvania Probabilistic data association for simultaneous localization and mapping
CN110595479A (zh) * 2019-09-23 2019-12-20 云南电网有限责任公司电力科学研究院 一种基于icp算法的slam轨迹评估方法
CN111582385A (zh) * 2020-05-11 2020-08-25 杭州易现先进科技有限公司 Slam质量的量化方法、系统、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190219401A1 (en) * 2018-01-12 2019-07-18 The Trustees Of The University Of Pennsylvania Probabilistic data association for simultaneous localization and mapping
CN110595479A (zh) * 2019-09-23 2019-12-20 云南电网有限责任公司电力科学研究院 一种基于icp算法的slam轨迹评估方法
CN111582385A (zh) * 2020-05-11 2020-08-25 杭州易现先进科技有限公司 Slam质量的量化方法、系统、计算机设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANTON FILATOV等: "2D SLAM quality evaluation methods", 2017 21ST CONFERENCE OF OPEN INNOVATIONS ASSOCIATION (FRUCT) *
KARTIK MADHIRA等: "A Quantitative Study of Mapping and Localization Algorithms on ROS based Differential Robot", 2017 NIRMA UNIVERSITY INTERNATIONAL CONFERENCE ON ENGINEERING (NUICONE) *
MONSERRAT ROJAS-FERNÁNDEZ等: "Performance comparison of 2D SLAM techniques available in ROS using a differential drive robot", 2018 INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATIONS AND COMPUTERS (CONIELECOMP) *
RAUF YAGFAROV等: "Map Comparison of Lidar-based 2D SLAM Algorithms Using Precise Ground Truth", 2018 15TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION, ROBOTICS AND VISION (ICARCV) *
吴晶;: "无人驾驶汽车三维同步定位与建图精度评估", 装备机械 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022143261A1 (zh) * 2020-12-29 2022-07-07 深圳市普渡科技有限公司 栅格地图质量评估方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN111563442B (zh) 基于激光雷达的点云和相机图像数据融合的slam方法及系统
Sobreira et al. Map-matching algorithms for robot self-localization: a comparison between perfect match, iterative closest point and normal distributions transform
Chen et al. Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge
Suveg et al. Reconstruction of 3D building models from aerial images and maps
CN111340797A (zh) 一种激光雷达与双目相机数据融合检测方法及系统
Nurunnabi et al. Robust cylinder fitting in laser scanning point cloud data
CN110111345B (zh) 一种基于注意力网络的3d点云分割方法
CN109740588B (zh) 基于弱监督和深度响应重分配的x光图片违禁品定位方法
CN112347550B (zh) 耦合式室内三维语义建图及建模方法
Jarząbek-Rychard et al. 3D building reconstruction from ALS data using unambiguous decomposition into elementary structures
CN110223351B (zh) 一种基于卷积神经网络的深度相机定位方法
CN114092697B (zh) 注意力融合全局和局部深度特征的建筑立面语义分割方法
CN113139453A (zh) 一种基于深度学习的正射影像高层建筑基底矢量提取方法
Zhang et al. Three-dimensional cooperative mapping for connected and automated vehicles
Hu et al. Efficient and automatic plane detection approach for 3-D rock mass point clouds
CN111709988B (zh) 一种物体的特征信息的确定方法、装置、电子设备及存储介质
CN113538620A (zh) 一种面向二维栅格地图的slam建图结果评价方法
Li et al. A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces
Kaiser et al. Automatic co-registration of photogrammetric point clouds with digital building models
Tian et al. Lidar super-resolution based on segmentation and geometric analysis
Demir Automated detection of 3D roof planes from Lidar data
CN112069445A (zh) 一种2d slam算法评估及量化方法
CN117570968A (zh) 基于视觉路标的地图构建与维护方法、装置及存储介质
CN112561989A (zh) 一种建造场景下吊装对象的识别方法
McDermott et al. Enhanced laser-scan matching with online error estimation for highway and tunnel driving

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: 20201211

WD01 Invention patent application deemed withdrawn after publication