CN112650244A - 基于特征点匹配的楼宇内移动机器人多楼层自动建图方法 - Google Patents

Abstract

本发明涉及机器人技术领域，公开了一种基于特征点匹配的楼宇内移动机器人多楼层自动建图方法，主要方案包括建立基准楼层地图坐标系；通过气压值计算所在楼层信息；基于楼层通过激光雷达及航迹推算完成对楼层区域的探索，构建楼层地图坐标系；基于参数一致关键点计算楼层地图坐标系与基准楼层地图坐标系的坐标变换关系，使楼层地图坐标系的参数一致关键点与基准楼层地图坐标系中的参数一致关键点具有相同坐标。本发明至少具有以下有益效果：能够使机器人自动自主的更换楼层所对应的地图，并建立不同楼层地图间的坐标变换关系，提高多楼层地图自动建立分析的效率。

Description

基于特征点匹配的楼宇内移动机器人多楼层自动建图方法

技术领域

本发明涉及机器人技术领域，特别涉及一种基于特征点匹配的楼宇内移动机器人多楼层自动建图方法。

背景技术

在服务机器人自主智能技术中，机器人多楼层自主导航技术是需要关注的重点。近年来，随着我国城镇化的发展，城市的数量与人口显著增加，由于楼宇是绝大多数城市居民生活与工作的空间，因此城镇楼宇也成为服务机器人重要的应用场景，并催生了一系列的实际应用，如快件与外卖收取、楼宇清洁、文件配送、迎宾接待等，而这些应用都需要机器人能够在楼宇内进行跨楼层的大范围导航。

为了实现机器人在楼宇内跨楼层的自主导航，就必须要求机器人能够建立楼宇内多楼层地图并建立不同楼层间地图的坐标关系。在传统的导航框架中，建图方法针对单楼层导航任务进行设计，未考虑多个地图的切换以及地图间坐标关系的建立，故不适用于多楼层导航。现有的一下跨楼层机器人导航应用一般采用人为给定多楼层地图间坐标转换关系的方法建立多楼层地图，同时需要人为或通过外部控制系统获取地图对应的楼层，在楼层较多的情况下效率低下。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种机器人多楼层自动建图方法，能够基于不同楼层空间位置信息一致的特点，使机器人能够自动自主的更换楼层所对应的地图，并建立不同楼层地图间的坐标变换关系，提高多楼层地图自动建立分析的效率。

本发明还提出一种具有上述机器人多楼层自动建图方法的机器人。

根据本发明的第一方面实施例的机器人多楼层自动建图方法，包括以下步骤：S100、建立基准楼层地图坐标系，获取所述基准楼层地图坐标系中的预设关键点作为参数一致关键点；S200、获取经过滤波之后的气压值，通过所述气压值计算所在楼层信息；S300、判断所述楼层不等于基准楼层，执行基于所述楼层通过激光雷达及航迹推算完成对所述楼层区域的探索，构建所述楼层地图坐标系；S400、基于所述参数一致关键点计算所述楼层地图坐标系与所述基准楼层地图坐标系的坐标变换关系，根据所述坐标变换关系对所述楼层地图坐标系进行二维旋转与平移变换，使所述楼层地图坐标系的所述参数一致关键点与所述基准楼层地图坐标系中的所述参数一致关键点具有相同坐标；S500、对地图中关键区域生成位置标签，基于各个楼层电梯出口为坐标参考点构建所述位置标签与电梯出口处的路径规划。

根据本发明的一些实施例，所述步骤S100包括：S110、通过激光雷达及航迹推算完成对所在楼层区域的探索，构建所在楼层地图坐标系；S120、获取所述所在楼层地图坐标系的预设关键点，所述预设关键点为不同楼层存在一致特性的关键点；S130、将所述预设关键点作为所述参数一致关键点。

根据本发明的一些实施例，所述步骤S110包括：通过遥控或自主导航的方式控制机器人移动经过所在楼层的所有区域，采集激光雷达数据；通过所述激光雷达数据及航迹推算数据构建所在楼层地图坐标系，所述航迹推算数据为：

x_t＝x_t-1+vΔtcos(θ_t)

y_t＝y_t-1+vΔtsin(θ_t)

θ_t＝θ_t-1+wΔt，

其中，

Δx＝vΔtcos(θ_t)

Δy＝vΔtsin(θ_t)

式中Δx，Δy为坐标系中x方向和y方向的位移，v为所述机器人的运动速度，Δt为所述机器人的控制周期，θ_t为所述机器人的姿态角度，w为所述机器人的移动角速度，x_t-1是相对t时刻的上一时刻在坐标系中X方向上的位置，y_t-1是相对t时刻的上一时刻在坐标系中y方向上的位置，θ_t-1是相对t时刻的上一时刻所述机器人的姿态角度。

根据本发明的一些实施例，所述预设关键点包括电梯拐角、走廊转角及下水管道。

根据本发明的一些实施例，所述步骤S200包括：S210、采集当前气压数据；S220、对所述气压数据进行均值滤波、中值滤波以及低通滤波；S230、通过滤波后的气压数据确定当前所在的楼层信息。

根据本发明的一些实施例，所述步骤S230包括：S231、根据气压随海拔变化关系，通过获取当前楼层气压值，得到当前机器人所处楼层的海拔高度；S232、通过计算所述当前楼层气压值与所述基准楼层气压值的差值，得到所述当前楼层与所述基准楼层的海拔高度变化值；S233、根据所述海拔高度变化值与每层楼的层高值，计算得到所述当前楼层与所述基准楼层的楼层变化量；S234、根据所述基准楼层的层高值与所述楼层变化量得到当前楼层层高值。

根据本发明的一些实施例，所述步骤S300还包括：S310、获取激光雷达数据，对所述激光雷达数据进行滤波；S320、通过航迹推算算法得到机器人位姿信息；S330、通过所述激光雷达数据与所述机器人位姿信息，使用GMapping算法建立全局地图坐标系。

根据本发明的一些实施例，所述步骤S400还包括通过识别所述楼层地图的参数一致关键点，通过粒子群算法计算所述楼层地图坐标系与所述基准楼层地图坐标系间的坐标变换关系，所述粒子群算法计算过程为：

F_p def{f₁,f₂,…,f_n}

min J(α,t)

s.t.-π≤α≤π

-2x_x≤t_x≤2ω_x

-2x_y≤t_y≤2ω_y

式中Fp，fi为基准地图与待匹配地图中选取的所述参数一致关键点对集合，分别为地图横向与纵向分辨率，通过优化目标函数J，得到待对齐地图至目标对齐地图的旋转平移变换关系Rα与t。

根据本发明的第二方面实施例的机器人多楼层自动建图方法，包括以下步骤：S1、对气压计检测得到的气压值进行滤波；S2、根据滤波后的气压值确定机器人所在的楼层；S3、使机器人在所在楼层导航完成对所在楼层所有区域的探索；S4、对激光雷达数据进行滤波；S5、使用航迹推算算法得到机器人位姿信息；S6、根据激光雷达与航迹推算的结构构建所在楼层地图；S7、根据空间特征点计算所在楼层地图与基准楼层地图的坐标变换关系。

根据本发明的第三方面实施例的机器人，所述机器人包括气压计、激光雷达、存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的机器人多楼层自动建图方法的步骤。

根据本发明实施例的机器人多楼层自动建图方法，至少具有如下有益效果：解决了人为建立多楼层地图效率低下的问题，能够基于不同楼层空间位置信息一致的特点，通过气压自动计算当前楼层信息，使机器人能够自动调取当前所处楼层所对应的地图，并建立不同楼层地图间的坐标变换关系，及时定位自身所处的坐标信息以利于后续的路径规划，提高了机器人在楼宇内建图的效率，提高了机器人路径规划和移动到目标位置的效率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的方法的流程示意图之一；

图2为本发明实施例的建立基准楼层地图坐标系方法的流程示意图；

图3为本发明实施例的通过大气压计算楼层信息的方法的流程示意图；

图4为本发明实施例的通过气压变化计算楼层层高的方法的流程示意图；

图5为本发明实施例的楼层地图坐标系构建方法的流程示意图；

图6为本发明实施例的装置的模块示意框图；

图7为本发明实施例的气压与海拔关系曲线示意图；

图8为本发明实施例的楼层地图坐标转换示意图；

图9为本发明实施例的楼层地图坐标转换后的效果示意图；

图10为本发明实施例的方法的流程示意图之二。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

参照图1，图1示出了本发明实施例的方法的流程示意图之一：包括以下步骤：

S100、建立基准楼层地图坐标系，获取基准楼层地图坐标系中的预设关键点作为参数一致关键点；

S200、获取经过滤波之后的气压值，通过气压值计算所在楼层信息；

S300、判断楼层不等于基准楼层，执行，基于楼层通过激光雷达及航迹推算完成对楼层区域的探索，构建楼层地图坐标系；

S400、基于参数一致关键点计算楼层地图坐标系与基准楼层地图坐标系的坐标变换关系，根据坐标变换关系对楼层地图坐标系进行二维旋转与平移变换，使楼层地图坐标系的参数一致关键点与基准楼层地图坐标系中的参数一致关键点具有相同坐标；

S500、对地图中关键区域生成位置标签，基于各个楼层电梯出口为坐标参考点构建位置标签与电梯出口处的路径规划。

需要说明的是，对于一般多楼层的楼宇结构，其每一层的结构大体相同，尤其对于直梯位置，上下水管道位置，在每一层的位置是一样的，本发明基于这一特征点，在基准楼层建立地图坐标系，能够理解的是，基准楼层并不局限于第一层或者顶层，基准楼层可以是任意一层，通过对基准楼层建立地图坐标系，利用大气压与海拔的对应关系，能够得到任意楼层与基准楼层的相对位置，得到任意楼层的层高，对任意楼层建立地图坐标系，通过对任意楼层坐标系进行二维旋转与平移变换，得到任意楼层与基准楼层坐标位置关系一致的地图坐标系，通过对地图中关键区域生成位置标签，关键区域可以是餐厅，会议室，某个房间或者安全通道，对这些位置生成位置标签，基于各个楼层电梯出口为坐标参考点构建位置标签与电梯出口处的路径规划，可以理解的是，对于多楼层结构，机器人在从一层到达另一层是，最先到达的地方是直梯出口的位置，因此，以直梯出口的位置作为坐标参考点建立和其他区域的坐标关系并进行路径规划，是合理的也是最具效率的路径规划方式之一，由于各个楼层地图坐标系位置关系一致，因此，该路径规划对于所有楼层均适用。

通过本发明的方法，能够解决人为建立多楼层地图效率低下的问题，本发明的方法建立了楼宇内多楼层地图并构建不同楼层间地图之间的坐标关系，机器人能够自动调取当前所处楼层所对应的地图，及时定位自身所处的坐标信息以利于后续的路径规划，提高了机器人在楼宇内建图的效率，通过对楼宇内关键位置到直梯位置的提前路径规划，提高了机器人路径规划和移动到目标位置的效率。

如图2所示，图2示出了本发明实施例的建立基准楼层地图坐标系方法的流程示意图，包括步骤：

S110、通过激光雷达及航迹推算完成对所在楼层区域的探索，构建所在楼层地图坐标系；

S120、获取所在楼层地图坐标系的预设关键点，预设关键点为不同楼层存在一致特性的关键点；

S130、将预设关键点作为参数一致关键点。

其中，预设关键点包括电梯拐角、走廊转角及下水管道等楼宇内位于每个楼层具有相同位置关系的一些位置信息。

一个具体的实施例，选择使用遥控或自主导航的方式使移动机器人走过所在楼层的所有区域，同时采集激光雷达数据，对于移动过程中的激光雷达数据，由于光线和移动过程中的振动等原因会存在一定的噪声，可以使用均值滤波等方法对激光雷达的原始数据进行滤波，得到滤波之后的激光雷达数据。在机器人使用差速型移动的过程中，由于机器人控制周期相邻时刻内，运动距离较短，可以将两相邻点之间的运动轨迹看成直线，即：

Δx＝vΔtcos(θ_t)

Δy＝vΔtsin(θ_t)

式中Δx，Δy为坐标系中x方向和y方向的位移，v为机器人的运动速度，Δt为机器人的控制周期，θ_t为机器人的姿态角度。

为了得到机器人相对于初始状态的位置，只需要对机器人从初始位置开始每一控制周期的位移进行累加即可，即：

x_t＝x_t-1+vΔtcos(θ_t)

y_t＝y_t-1+vΔtsin(θ_t)

θ_t＝θ_t-1+wΔt

得到机器人移动过程中的航迹推算数据，式中，w为所述机器人的移动角速度，x_t-1是相对t时刻的上一时刻在坐标系中X方向上的位置，y_t-1是相对t时刻的上一时刻在坐标系中y方向上的位置，θ_t-1是相对t时刻的上一时刻所述机器人的姿态角度。

根据激光雷达与航迹推算的结构构建所在楼层地图，使用GMapping算法建立全局地图，具体为使用机器人在楼层中移动过程中的激光雷达数据与航迹推算数据，通过GMapping算法得到对于机器人位姿与地图的最优估计结果。

参考图3，图3给出了本发明实施例的通过大气压计算楼层信息的方法的流程示意图，包括：

S210、采集当前气压数据；

S220、对气压数据进行均值滤波、中值滤波以及低通滤波；

S230、通过滤波后的气压数据确定当前所在的楼层信息。

一个具体的实施例，通过在机器人内部设有气压计，由于气压计原始气压值波动较大，因此通过使用均值滤波、中值滤波、低通滤波等方法对原始气压值进行滤波，得到噪声较少的气压数值，图7示出了气压随海拔变化关系的曲线图，大气压与海拔的关系方程定义如下：

式中z为当前海拔高度，p(0)为标准大气压，m为空气分子质量，g为重力加速度，k为气体常数，T为标准温度，将机器人当前气压值计算得到的海拔与机器人刚进入电梯时气压值计算得到的海拔做差，将差值与预设的楼层层高值进行计算，得到机器人相对于原有楼层的变化量，将此变化量与原有楼层数相加得到机器人所在的楼层。

根据图4所示，图4为本发明实施例的通过气压变化计算楼层层高的方法的流程示意图，包括：

S231、根据气压随海拔变化关系，通过获取当前楼层气压值，得到当前机器人所处楼层的海拔高度；

S232、通过计算当前楼层气压值与基准楼层气压值的差值，得到当前楼层与基准楼层的海拔高度变化值；

S233、根据海拔高度变化值与每层楼的层高值，计算得到当前楼层与基准楼层的楼层变化量；

S234、根据基准楼层的层高值与楼层变化量得到当前楼层层高值。

可以理解的是，层高值可以根据实际层高设置，因为实际环境的差异，层高值可以设置为一个阈值范围。

如图5，图5示出了本发明实施例的楼层地图坐标系构建方法的流程示意图，包括：

S310、获取激光雷达数据，对激光雷达数据进行滤波；

S320、通过航迹推算算法得到机器人位姿信息；

S330、通过激光雷达数据与机器人位姿信息，使用GMapping算法建立全局地图坐标系。

在本发明一些实施例中，还包括通过识别楼层地图的参数一致关键点，通过粒子群算法计算楼层地图坐标系与基准楼层地图坐标系间的坐标变换关系。具体的，参见图8，图8示出了本发明实施例的楼层地图坐标转换示意图，图8中，a)图为基准地图，b)图为待对齐的地图，通过比较a)图与b)图之间的参数一致关键点，见c)图中，也可以称为地图空间一致特征点，通过特征点计算出两者坐标进行对齐，如d)图所示。具体的，对于所建立的第一个楼层地图，也可视为基准楼层地图，选取其电梯角落、走廊转角等不同楼层存在一致特性的特征点作为空间一致特征点并将本张地图作为基准地图。对于之后建立的每一张地图，首先识别得到空间一致特征点，之后使用粒子群算法计算其与基准地图间的坐标变换关系，具体计算过程如下：

F_p def{f₁,f₂,…,f_n}

min J(α,t)

s.t.-π≤α≤π

-2ω_x≤t_x≤2ω_x

-2ω_y≤t_y≤2ω_y

式中F_p，f_i分别为基准地图与待匹配地图中选取的特征点对集合，ω_x,ω_y分别为地图横向与纵向分辨率，通过优化目标函数J，得到待对齐地图至目标对齐地图的旋转平移变换关系R_α与t。

在得到每个楼层相对于基准楼层的坐标变换关系后，对每个楼层地图进行二维的旋转与平移变换，使得其中的空间一致特征点与基准地图中的空间一致特征点具有相同的坐标。其过程如图8所示，最后得到建筑内多楼层地图如图9所示。

参照图6，图6示出了本发明实施例的系统的模块示意框图，包括：

基准楼层地图建立模块，用于建立基准楼层地图坐标系，获取基准楼层地图坐标系中的预设关键点作为参数一致关键点；

楼层信息计算模块，用于获取经过滤波之后的气压值，通过气压值计算所在楼层信息；

目标楼层地图建立模块，用于判断楼层不等于基准楼层，执行，基于楼层通过激光雷达及航迹推算完成对楼层区域的探索，构建楼层地图坐标系；

楼层地图坐标对齐模块，用于基于参数一致关键点计算楼层地图坐标系与基准楼层地图坐标系的坐标变换关系，根据坐标变换关系对楼层地图坐标系进行二维旋转与平移变换，使楼层地图坐标系的参数一致关键点与基准楼层地图坐标系中的参数一致关键点具有相同坐标。

关键位置路径规划模块，用于对地图中关键区域生成位置标签，基于各个楼层电梯出口为坐标参考点构建位置标签与电梯出口处的路径规划。

参照图10，图10示出了本发明实施例的方法的流程示意图之二，其特征在于，包括以下步骤：

S1、对气压计检测得到的气压值进行滤波；

S2、根据滤波后的气压值确定机器人所在的楼层；

S3、使机器人在所在楼层导航完成对所在楼层所有区域的探索；

S4、对激光雷达数据进行滤波；

S5、使用航迹推算算法得到机器人位姿信息；

S6、根据激光雷达与航迹推算的结构构建所在楼层地图；

S7、根据空间特征点计算所在楼层地图与基准楼层地图的坐标变换关系。

需要说明的是，对于一般多楼层的楼宇结构，其每一层的结构大体相同，尤其对于直梯位置，上下水管道位置，在每一层的位置是一样的，本发明基于这一特征点，在基准楼层建立地图坐标系，能够理解的是，基准楼层并不局限于第一层或者顶层，基准楼层可以是任意一层，对相对基准楼层的楼层建立地图坐标系，通过对相对基准楼层坐标系进行二维旋转与平移变换，得到相对基准楼层与基准楼层坐标位置关系一致的地图坐标系，通过对地图中关键区域生成位置标签，关键区域可以是餐厅，会议室，某个房间或者安全通道，对这些位置生成位置标签，基于各个楼层电梯出口为坐标参考点构建位置标签与电梯出口处的路径规划，可以理解的是，对于多楼层结构，机器人在从一层到达另一层是，最先到达的地方是直梯出口的位置，因此，以直梯出口的位置作为坐标参考点建立和其他区域的坐标关系并进行路径规划，是合理的也是最具效率的路径规划方式之一，由于各个楼层地图坐标系位置关系一致，因此，该路径规划对于所有楼层均适用。

通过本发明的方法，能够解决人为建立多楼层地图效率低下的问题，本发明的方法建立了楼宇内多楼层地图并构建不同楼层间地图之间的坐标关系，机器人能够自动调取当前所处楼层所对应的地图，及时定位自身所处的坐标信息以利于后续的路径规划，提高了机器人在楼宇内建图的效率，通过对楼宇内关键位置到直梯位置的提前路径规划，提高了机器人路径规划和移动到目标位置的效率。

在本发明的一些实施例中，存在一种机器人，机器人包括气压计、激光雷达、存储器、处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项的机器人多楼层自动建图方法的步骤。

上述机器人可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。上述机器人可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述机器人还可以包括输入发送设备、网络接入设备、总线等。

在本发明的一些实施例中，存在一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述任一项所述的机器人多楼层自动建图方法的步骤。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。

上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解，框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样，根据一些实施方案，框图和流程图中的一些块可能无需按示出的顺序执行，或者可以无需全部执行。另外，超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。

因此，框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解，框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。

本文所述的程序模块、应用程序等可包括一个或多个软件组件，包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令，所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如，本文所述的例示性方法的一种或多种操作)被执行。

软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言，诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言，其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中，包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行，而无需首先转换成另一种形式。

软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如，预设的或固定的)或动态的(例如，在执行时创建或修改的)。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种移动机器人多楼层自动建图方法，其特征在于，包括以下步骤：

S100、建立基准楼层地图坐标系，获取所述基准楼层地图坐标系中的预设关键点作为参数一致关键点；

S200、获取经过滤波之后的气压值，通过所述气压值计算所在楼层信息；

S300、判断所述楼层不等于基准楼层，执行基于所述楼层通过激光雷达及航迹推算完成对所述楼层区域的探索，构建所述楼层地图坐标系；

S400、基于所述参数一致关键点计算所述楼层地图坐标系与所述基准楼层地图坐标系的坐标变换关系，根据所述坐标变换关系对所述楼层地图坐标系进行二维旋转与平移变换，使所述楼层地图坐标系的所述参数一致关键点与所述基准楼层地图坐标系中的所述参数一致关键点具有相同坐标；

S500、对地图中关键区域生成位置标签，基于各个楼层电梯出口为坐标参考点构建所述位置标签与电梯出口处的路径规划。

2.根据权利要求1所述的移动机器人多楼层自动建图方法，其特征在于，所述步骤S100包括：

S110、通过激光雷达及航迹推算完成对所在楼层区域的探索，构建所在楼层地图坐标系；

S120、获取所述所在楼层地图坐标系的预设关键点，所述预设关键点为不同楼层存在一致特性的关键点；

S130、将所述预设关键点作为所述参数一致关键点。

3.根据权利要求2所述的移动机器人多楼层自动建图方法，其特征在于，所述步骤S110包括：

通过遥控或自主导航的方式控制机器人移动经过所在楼层的所有区域，采集激光雷达数据；

通过所述激光雷达数据及航迹推算数据构建所在楼层地图坐标系，所述航迹推算数据为：

x_t＝x_t-1+vΔt cos(θ_t)

y_t＝y_t-1+vΔt sin(θ_t)

θ_t＝θ_t-1+wΔt，

其中，

Δx＝vΔt cos(θ_t)

Δy＝vΔt sin(θ_t)

式中Δx，Δy为坐标系中x方向和y方向的位移，v为所述机器人的运动速度，Δt为所述机器人的控制周期，θ_t为所述机器人的姿态角度，w为所述机器人的移动角速度，x_t-1是相对t时刻的上一时刻在坐标系中X方向上的位置，y_t-1是相对t时刻的上一时刻在坐标系中y方向上的位置，θ_t-1是相对t时刻的上一时刻所述机器人的姿态角度。

4.根据权利要求2所述的移动机器人多楼层自动建图方法，其特征在于，所述预设关键点包括电梯拐角、走廊转角及下水管道。

5.根据权利要求1所述的移动机器人多楼层自动建图方法，其特征在于，所述步骤S200包括：

S210、采集当前气压数据；

S220、对所述气压数据进行均值滤波、中值滤波以及低通滤波；

S230、通过滤波后的气压数据确定当前所在的楼层信息。

6.根据权利要求5所述的移动机器人多楼层自动建图方法，其特征在于，所述步骤S230包括：

S231、根据气压随海拔变化关系，通过获取当前楼层气压值，得到当前机器人所处楼层的海拔高度；

S232、通过计算所述当前楼层气压值与所述基准楼层气压值的差值，得到所述当前楼层与所述基准楼层的海拔高度变化值；

S233、根据所述海拔高度变化值与每层楼的层高值，计算得到所述当前楼层与所述基准楼层的楼层变化量；

S234、根据所述基准楼层的层高值与所述楼层变化量得到当前楼层层高值。

7.根据权利要求1所述的移动机器人多楼层自动建图方法，其特征在于，所述步骤S300还包括：

S310、获取激光雷达数据，对所述激光雷达数据进行滤波；

S320、通过航迹推算算法得到机器人位姿信息；

S330、通过所述激光雷达数据与所述机器人位姿信息，使用GMapping算法建立全局地图坐标系。

8.根据权利要求1所述的移动机器人多楼层自动建图方法，其特征在于，所述步骤S400还包括通过识别所述楼层地图的参数一致关键点，通过粒子群算法计算所述楼层地图坐标系与所述基准楼层地图坐标系间的坐标变换关系，所述粒子群算法计算过程为：

F_p def{f₁,f₂,…,f_n}

min J(α,t)

s.t.-π≤α≤π

-2ω_x≤t_x≤2ω_x

-2ω_y≤t_y≤2ω_y

式中F_p，f_i为基准地图与待匹配地图中选取的所述参数一致关键点对集合，ω_x,ω_y分别为地图横向与纵向分辨率，通过优化目标函数J，得到待对齐地图至目标对齐地图的旋转平移变换关系R_α与t。

9.一种移动机器人多楼层自动建图方法，其特征在于，包括以下步骤：

S1、对气压计检测得到的气压值进行滤波；

S2、根据滤波后的气压值确定机器人所在的楼层；

S3、使机器人在所在楼层导航完成对所在楼层所有区域的探索；

S4、对激光雷达数据进行滤波；

S5、使用航迹推算算法得到机器人位姿信息；

S6、根据激光雷达与航迹推算的结构构建所在楼层地图；

S7、根据空间特征点计算所在楼层地图与基准楼层地图的坐标变换关系。

10.一种移动机器人，其特征在于，所述机器人包括气压计、激光雷达、存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。

Images