CN112101145A - 基于svm分类器的移动机器人位姿估计方法 - Google Patents

Abstract

本发明涉及一种基于SVM分类器的移动机器人位姿估计方法，属于移动机器人自主导航和计算机视觉交叉领域。包括以下步骤：移动机器人分别在静态与动态环境下采集图像数据，利用特征点提取与匹配和位姿估计算法得到机器人的位姿，将这些特征点与位姿作为样本集训练SVM分类器，使其具有判断位姿估计结果是否被动态物体干扰的能力。如果位姿估计结果被动态物体干扰，重新选定特征点进行位姿估计，如果按照此规则选取的特征点超过60％，那么直接舍弃该帧，以此方法来筛选出不含动态因素的机器人位姿估计结果。本发明使机器人通过SVM分类器来判断图像中是否有动态物体，减少了环境中动态因素对机器人自身定位的影响，提高了机器人的位姿估计精度。

Description

基于SVM分类器的移动机器人位姿估计方法

技术领域

本发明涉及移动机器人自主导航和计算机视觉交叉领域，尤其涉及到一种动态环境下基于SVM分类器的移动机器人位姿估计方法。

背景技术

SLAM全称为即时定位与地图构建，其问题可以描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。而位姿估计方法是整个SLAM建图的基础。一个好的位姿估计方法可以得到机器人精确的运动轨迹，使地图构建更加准确。

现阶段在静态环境中已有多种方式可使得位姿估计得到一个较好结果，如对极约束，PNP，ICP(迭代最近点)算法等。但对于动态环境，这些方法有其局限性。例如对极约束算法，通过机器人运动的前后帧图像特征点变化求取机器人位姿信息，动态物体的引入也会导致图像特征点的变化，输入中掺杂了更多的噪声，机器人会误以为是自身发生移动，造成位姿估计结果较差或不稳定，使得机器人运动轨迹受到干扰。

发明内容

要解决的技术问题

针对动态环境对视觉机器人的位姿估计干扰问题，本发明提出一种使用SVM分类器对机器人运动过程中的位姿估计优化方法，使得机器人的运动轨迹不受动态物体影响，提升机器人运动过程的鲁棒性。

技术方案

一种基于SVM分类器的移动机器人位姿估计方法，其特征在于步骤如下：

步骤1：针对样本容量为S的数据，分别在静态与动态环境下采集它们，对数据进行预处理，其中输入的训练样本分为两类：第一类静态样本S₁与第二类动态样本S₂；

步骤2：对支持向量机模型设定参数，设置完毕后将样本输入SVM网络进行训练；

步骤3：求解两幅图像之间的位姿估计：通过前一帧的特征点对应的3D点云，投影到当前帧，此时当前帧对应的也有一个特征点，两个特征点之间具有误差；由于每一帧观测到的特征点通常不止一个，假设有N个特征点，那么可以求解相机位姿的最小二乘问题，求解得到前一帧到当前帧的姿态变换矩阵；

步骤4：将训练好的SVM分类器加入机器人位姿优化环节，将四个特征点的投影点与观测点输入SVM中，开始预测；

步骤5：SVM分类器预测出的结果若为第二类，则说明前一帧中存在动态物体，此时需要更换前一帧中的四个特征点，若选取的特征点数目超过60％仍无法预测出第一类结果，说明前一帧中大部分特征点由动态物体产生，舍弃前一帧，选择参考帧作为前一帧来计算位姿矩阵；

步骤6：重复步骤3～步骤5，得到最后时刻的位姿估计状态量，即移动机器人的位姿信息，实现移动机器人对自身的定位。

在步骤S1中，采集的样本中每组具有9个参数，分别为前一帧四个特征点的三维点投影到该图像上的二维坐标，记为N₁,N₂,N₃,N₄；而该图像中观测到的这四个三维点的二维像素坐标，记为M₁,M₂,M₃,M₄，以及由位姿估计算法生成的位姿信息H；该数据分为两类，第一类样本记为S₁₁，S₁₂，S₁₃，S₁₄……，第二类样本记为S₂₁，S₂₂，S₂₃，S₂₄。

在步骤S3中，具体的位姿估计方法为：设前一帧的特征点在图像中的二维坐标为p₁＝[u₁,v₁]^T，产生的三维点为P，该点投影到当前帧的二维像素坐标为p′₂＝[u′₂,v′₂]^T，而当前帧本身也会观测到三维点P，使得观测点为p₂＝[u₂,v₂]^T，两个特征点之间存在误差e＝p₂-p′₂；位姿估计采用的计算公式为：

d₂u₂＝Kexp(ξ^)P

其中d₂表示空间点P在当前帧所在相机坐标系的深度；K表示相机内参数，exp(ξ^)表示相机从前一帧到当前帧的姿态变换矩阵，ξ表示姿态变换矩阵对应的李代数；

然而现实情况中重投影通常与真实值存在一定的误差，误差定义为：

由于每一帧观测到的特征点通常不止一个，假设有N个特征点，那么构造出求解相机位姿的最小二乘问题如下：

对该函数进行求解，得到前一帧到当前帧的姿态变换矩阵。

有益效果

本发明针对在动态环境下视觉机器人的位姿估计鲁棒性不高的问题，提出的一种基于SVM分类器的移动机器人位姿估计方法。通过支持向量机SVM对计算得到的位姿矩阵的预测，判定当前帧中是否存在动态物体与当前帧的特征点是否在动态物体中。该方法具有以下优点：数据分类正确率高，能有效提高机器人本身的位姿估计精度，减少动态物体影响，提高SLAM鲁棒性。

附图说明

图1为支持向量机的数据训练过程；

图2为位姿估计算法通过计算特征点变化的示意图；

图3为机器人通过SVM对位姿计算结果进行筛选的原理图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明提供了一种动态环境下基于SVM的机器人位姿估计方法，针对样本容量为S的数据，每组具有9个参数，分别为前一帧四个特征点的三维点投影到该图像上的二维坐标，记为N₁,N₂,N₃,N₄；而该图像中观测到的这四个三维点的二维像素坐标，记为M₁,M₂,M₃,M₄，以及由位姿估计算法生成的位姿信息H。该数据分为两类，第一类样本记为S₁₁，S₁₂，S₁₃，S₁₄……，第二类样本记为S₂₁，S₂₂，S₂₃，S₂₄……。采用特定的SVM模型优化位姿估计的方法具体步骤如下：

步骤1：对支持向量机模型设定参数。主要是对惩罚系数C与核函数参数G进行优化，选取最好的参数，C越小，拟合程度越低，C过大容易造成过拟合。由于位姿估计算法本质上是一个对二维特征点最小化误差的求解过程，在此过程中有样本会带有线性不可分的性质。在这里选择RBF核函数(高斯核函数)，原因是RBF参数较少，可以降低模型的复杂程度；在计算过程中，高斯核不存在无穷大与奇异值的问题，对于此核函数还需要选择合适的参数G，G越小，支持向量越多。

步骤2：对数据进行预处理，其中输入的训练样本分为两类：S₁与S₂，对SVM网络进行训练；

步骤3：求解两幅图像之间的位姿估计。设前一帧的特征点在图像中的二维坐标为p₁＝[u₁,v₁]^T，产生的三维点为P，该点投影到当前帧的二维像素坐标为p′₂＝[u′₂,v′₂]^T，而当前帧本身也会观测到三维点P，使得观测点为p₂＝[u₂,v₂]^T，两个特征点之间存在误差e＝p₂-p′₂。理想的重投影公式为：

d₂u₂＝Kexp(ξ^)P

其中d₂表示空间点P在当前帧所在相机坐标系的深度。K表示相机内参数，exp(ξ^)表示相机从前一帧到当前帧的姿态变换矩阵，ξ表示姿态变换矩阵对应的李代数。

然而现实情况中重投影通常与真实值存在一定的误差，误差可以定义为：

由于每一帧观测到的特征点通常不止一个，假设有N个特征点，那么可以构造出求解相机位姿的最小二乘问题如下：

对该函数进行求解，得到前一帧到当前帧的姿态变换矩阵。

步骤4：将训练好的SVM分类器加入机器人位姿优化环节，将四个特征点的投影点与观测点输入SVM中，开始预测。

步骤5：SVM分类器预测出的结果若为第二类，则说明前一帧中存在动态物体，此时需要更换前一帧中的四个特征点，若选取的特征点数目超过60％仍无法预测出第一类结果，说明前一帧中大部分特征点由动态物体产生，舍弃前一帧，选择参考帧作为前一帧来计算位姿矩阵。

步骤S6：重复步骤3～步骤5，得到最后时刻的位姿估计状态量，即移动机器人的位姿信息，实现移动机器人对自身的定位。

Claims (3)

1.一种基于SVM分类器的移动机器人位姿估计方法，其特征在于步骤如下：

步骤1：针对样本容量为S的数据，分别在静态与动态环境下采集它们，对数据进行预处理，其中输入的训练样本分为两类：第一类静态样本S₁与第二类动态样本S₂；

步骤2：对支持向量机模型设定参数，设置完毕后将样本输入SVM网络进行训练；

步骤3：求解两幅图像之间的位姿估计：通过前一帧的特征点对应的3D点云，投影到当前帧，此时当前帧对应的也有一个特征点，两个特征点之间具有误差；由于每一帧观测到的特征点通常不止一个，假设有N个特征点，那么可以求解相机位姿的最小二乘问题，求解得到前一帧到当前帧的姿态变换矩阵；

步骤4：将训练好的SVM分类器加入机器人位姿优化环节，将四个特征点的投影点与观测点输入SVM中，开始预测；

步骤5：SVM分类器预测出的结果若为第二类，则说明前一帧中存在动态物体，此时需要更换前一帧中的四个特征点；若选取的特征点数目超过60％仍无法预测出第一类结果，说明前一帧中大部分特征点由动态物体产生，舍弃前一帧，选择参考帧作为前一帧来计算位姿矩阵；

步骤6：重复步骤3～步骤5，得到最后时刻的位姿估计状态量，即移动机器人的位姿信息，实现移动机器人对自身的定位。

2.根据权利要求1所述的一种基于SVM分类器的移动机器人位姿估计方法，其特征在于在步骤S1中，采集的样本中每组具有9个参数，分别为前一帧四个特征点的三维点投影到该图像上的二维坐标，记为N₁,N₂,N₃,N₄；而该图像中观测到的这四个三维点的二维像素坐标，记为M₁,M₂,M₃,M₄，以及由位姿估计算法生成的位姿信息H；该数据分为两类，第一类样本记为S₁₁，S₁₂，S₁₃，S₁₄……，第二类样本记为S₂₁，S₂₂，S₂₃，S₂₄。

3.根据权利要求1所述的一种基于SVM分类器的移动机器人位姿估计方法，其特征在于在步骤S3中，具体的位姿估计方法为：设前一帧的特征点在图像中的二维坐标为p₁＝[u₁,v₁]^T，产生的三维点为P，该点投影到当前帧的二维像素坐标为p′₂＝[u′₂,v′₂]^T，而当前帧本身也会观测到三维点P，使得观测点为p₂＝[u₂,v₂]^T，两个特征点之间存在误差e＝p₂-p′₂；位姿估计采用的计算公式为：

d₂u₂＝Kexp(ξ^∧)P

其中d₂表示空间点P在当前帧所在相机坐标系的深度；K表示相机内参数，exp(ξ^{^})表示相机从前一帧到当前帧的姿态变换矩阵，ξ表示姿态变换矩阵对应的李代数；

然而现实情况中重投影通常与真实值存在一定的误差，误差定义为：

由于每一帧观测到的特征点通常不止一个，假设有N个特征点，那么构造出求解相机位姿的最小二乘问题如下：

对该函数进行求解，得到前一帧到当前帧的姿态变换矩阵。

Images