CN112683273A - 一种自适应增量建图方法、系统、计算机设备及存储介质 - Google Patents
一种自适应增量建图方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112683273A CN112683273A CN202011516135.5A CN202011516135A CN112683273A CN 112683273 A CN112683273 A CN 112683273A CN 202011516135 A CN202011516135 A CN 202011516135A CN 112683273 A CN112683273 A CN 112683273A
- Authority
- CN
- China
- Prior art keywords
- map
- environment
- pixel point
- correction
- nodes
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013507 mapping Methods 0.000 title claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 title claims description 12
- 238000012937 correction Methods 0.000 claims abstract description 119
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000013519 translation Methods 0.000 claims description 55
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000007493 shaping process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003872 anastomosis Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Abstract
本发明涉及一种自适应增量建图方法、系统、计算机设备及存储介质,其技术方案要点是:包括:遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到n张第二环境地图;根据所述第一环境地图对n张所述第二环境地图分别进行图像处理得到n张修正环境地图;根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图;本申请具有自动获取增量地图的优点。
Description
技术领域
本发明涉及机器人地图构建技术领域,更具体地说,它涉及一种自适应增量建图方法、系统、计算机设备及存储介质。
背景技术
同步地图构建与定位技术(即SLAM)技术是现代移动机器人领域研究的热点技术,该技术使得机器人可以在未知的区域自动或者半自动的探索周边环境,并且采用一定的信息结构将周围环境以机器人可以理解的方式保存下来(即构建的地图)。在已有的地图基础上,实现机器人空间位置的确定(定位)以及行动的规划(导航)。
目前业内采用的建图方式是半自动建图方式。半自动建图指的是机器人在感知周围环境的过程中由手柄或其他指令发送装置来操纵机器人在环境中移动,在移动的过程中机器人所携带的环境感知传感器(如激光雷达,深度摄像头等)对所经过的环境进行感知并存储成机器人能理解的地图。在手动操纵机器人移动至所有的想去的地方后,将地图保存为全局地图,作为机器人在该环境下的活动依据,即每一次进行移动任务之前需手动预加载该环境的地图,随后在进行任务。
当环境中存在动态物体时,动态物体的运动会给视觉位姿结算造成干扰,从而影响SLAM的建图/定位结果的准确性。因此,半自动建图只能在静态环境下建图,而在动态环境下,往往需要工程师手动增加或者删除地图上的信息,达到增量地图的效果。
目前,市面上常见的建图方式是提取相机视觉采集得到的关键图像帧特征点,利用深度学习算法与原环境地图进行多次匹配,得到静态图像特征点,从而建图和定位。但是,算法的运算量需要对电脑硬件要求高,计算代价较高,增加成本,很难在计算性能较弱的移动端设备上运行,且计算量容易随着场景增大而增大,无法适用于大场景建图。
综上所述,目前仍没有一种自适应增量建图的有效解决方法,需进一步提出高效、可行的解决方案。
发明内容
针对现有技术存在的不足,本发明提供一种自适应增量建图方法、系统、计算机设备及存储介质,其目的在于克服现有技术中无法在出现动态物体的环境下,动态物体的运动会给视觉位姿结算造成干扰,从而影响SLAM的建图/定位结果的准确性问题。
本发明的上述技术目的是通过以下技术方案得以实现的:一种自适应增量建图方法,包括:
移动至起始点,遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;
移动至所述起始点,根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到第二环境地图;并重复n次,得到n张第二环境地图;其中,n为正整数;
根据所述第一环境地图对n张所述第二环境地图分别进行图像处理得到n张修正环境地图;
根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图。
可选的,所述环境关键节点为待测区域的直角交汇处、T型交汇处或十字型交汇处。
可选的,所述根据所述第一环境地图对n张所述第二环境地图分别进行图像处理得到n张修正环境地图,包括:
根据第一环境地图分别对每一张第二环境地图进行裁剪得到该张第二环境地图对应的裁剪修正地图;
以该裁剪修正地图的图像中心为旋转圆心,根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正,得到对应的旋转修正地图;
以该旋转修正地图的图像中心为平移参考点,根据第一环境地图对该旋转修正地图进行平移修正,得到对应的平移修正地图;
判断该平移修正地图和第一环境地图的外轮廓是否吻合;若不吻合,则执行根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正的步骤;若吻合,则将该平移修正地图作为该张第二环境地图对应的修正环境地图。
可选的,所述判断该平移修正地图和第一环境地图的外轮廓是否吻合,包括:
判断该平移修正地图与第一环境地图的外轮廓像素点重合度是否大于预设阈值;若为是,则判断为吻合;若为否,则判断为不吻合。
可选的,所述根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集,包括:
将一像素点集和n个第二像素点集中各像素点集的像素点依次相加后取平均数,并将数据类型定义为int整数类型,得到第三像素点集。
可选的,所述获取所有机器人建图节点包括:
获取传感器数据信息,根据所述传感器数据信息获取所有避障节点,根据所有避障节点得到所有机器人建图节点。
可选的,所述根据所述第三像素点集得到增量地图之后,还包括:
将所述第一环境地图替换为所述增量地图。
一种自适应增量建图系统,包括:手动建图模块,用于移动至起始点,遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;
自动建图模块,用于移动至所述起始点,根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到第二环境地图;并重复n次,得到n张第二环境地图;其中,n为正整数;
地图修正模块,用于根据所述第一环境地图对n张所述第二环境地图分别进行图像处理得到n张修正环境地图;
增量建图模块,用于根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
综上所述,本发明具有以下有益效果:通过获取多张第二环境地图并以第一环境地图进行对比修正后,得到的修正环境地图与第一环境地图进行像素点的加权平均并整形,能够以较小的计算量去除第一环境地图和修正环境地图中的动态物体,方便获得增量地图。
附图说明
图1为本发明的流程示意图;
图2为本发明获取的第一环境地图;
图3为本发明获取的第一张第二环境地图;
图4为本发明获取的第二张第二环境地图;
图5为本发明获取的第三张第二环境地图;
图6为本发明获取的第一张第二环境地图的修正环境地图;
图7为本发明获取的第二张第二环境地图的修正环境地图;
图8为本发明获取的第三张第二环境地图的修正环境地图;
图9为本发明根据图2、图6、图7和图8得到的增量地图;
图10为本发明组装时的结构框图;
图11为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。
下面结合附图和实施例,对本发明进行详细描述。
本发明提供了一种自适应增量建图方法,如图1所示,包括:
步骤100、移动至起始点,遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;其中所述环境关键节点为待测区域的直角交汇处、T型交汇处或十字型交汇处;
步骤200、移动至所述起始点,根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到第二环境地图;并重复n次,得到n张第二环境地图;其中,n为正整数;
步骤300、根据所述第一环境地图对n张所述第二环境地图分别进图像处理得到n张修正环境地图;
步骤400、根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图。
在实际应用中,本实施例中的待测区域为医院的门诊科室;通过机器人小车对医院的门诊科室进行地图绘制时,先将机器人小车放置在科室内的任一位置,并标记该位置为起始点,同时记录机器人小车的起始位置和起始角度;启动机器人小车的ROS系统,开启机器人小车的手动建图程序Gmapping建图包;打开机器人小车的键盘控制节点keyboard_teleop.launch,方便在建图时移动机器人小车。在主机上打开新的终端,运行视图显示工具rviz,在数据窗口内查看地图和机器人姿态数据,即可看到地图、激光点和机器人的tf位姿数据。先按照ROS中的SLAM算法手动建图,开始移动机器人,速度为0.2m/s。遍历所有环境关键节点,并连接成闭合的线路,即可得到第一环境地图。
然后,再次将机器人小车移动至所述起始点,按照起始位置和起始角度摆放;启动move_base节点开启全局导航和局部导航。全局导航用于建立到地图上最终目标或一个远距离目标的路径,局部导航用于建立到近距离目标和为了临时躲避障碍物的路径。沿第一环境地图的闭合的线路进行移动建图;由于机器人小车上具有能够获取环境障碍物的传感器,将感知到的障碍物作为机器人建图节点;根据环境关键节点和机器人建图节点得到第二环境地图;并重复该步骤n次,共得到n张第二环境地图;由于地图不存在负数或小数,故n为正整数。
由于在获取第二环境地图时,机器人小车的位置和角度容易与起始位置和起始角度产生差异,故对n张第二环境地图分别进行图像处理,得到n张修正环境地图。
最后将第一环境地图和n张第二环境地图存入一个数组中,提取第一环境地图的地图信息转化为第一像素点集,分别提取n张第二环境地图的地图信息得到n个第二像素点集;再以最少像素点为最少运算单位,将第一像素点集中的第一地图像素点和第二像素点集的第二地图像素点进行加权平均得到第三地图像素点并集合成第三像素点集,根据第三像素点集绘制成增量地图,即可将第一环境地图中的动态物体剔除。
可选的,所述根据所述第一环境地图对n张所述第二环境地图分别进图像处理得到n张修正环境地图,包括:
根据第一环境地图分别对每一张第二环境地图进行裁剪得到该张第二环境地图对应的裁剪修正地图;
以该裁剪修正地图的图像中心为旋转圆心,根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正,得到对应的旋转修正地图;
以该旋转修正地图的图像中心为平移参考点,根据第一环境地图对该旋转修正地图进行平移修正,得到对应的平移修正地图;
判断该平移修正地图和第一环境地图的外轮廓是否吻合;若不吻合,则执行根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正的步骤;若吻合,则将该平移修正地图作为该张第二环境地图对应的修正环境地图。
由于存在n张第二环境地图,故需要对n张第二环境地图分别进行图像处理,首先按照第一环境地图裁剪掉每一张第二环境地图的轮廓外的区域,得到对应的裁剪修正地图;然后将每一张裁剪修正地图以其图像中心为旋转圆形,旋转各裁剪修正地图得到对应的旋转修正地图;旋转修正地图的轮廓应与第一环境地图的轮廓相平行;然后以每一张旋转修正地图的图像中心为平移参考点,对每一张旋转修正地图分别进行平移修正,得到平移修正地图;平移修正地图的轮廓应与第一环境地图的轮廓相重合;最后对每一张平移修正地图分别进行判断,判断各平移修正地图与第一环境地图的外轮廓是否吻合,若不吻合,则对该张平移修正地图执行旋转修正和平移修正,直到该张平移修正地图的外轮廓与第一环境地图的外轮廓相吻合;若吻合,则将该平移修正地图作为该张第二环境地图对应的修正环境地图;由于有n张第二环境地图,故最终得到n张修正环境地图。其中预设旋转方向为正时针和逆时针;且旋转修正时每次转动的角度为0.1度。
可选地,所述判断该平移修正地图和第一环境地图的外轮廓是否吻合,包括:
判断该平移修正地图与第一环境地图的外轮廓像素点重合度是否大于预设阈值;若为是,则判断为吻合;若为否,则判断为不吻合。
在实际应用中,预设阈值选用95%,即判定平移修正地图与第一环境地图的外轮廓像素点的重合度是否大于95%;若平移修正地图与第一环境地图的外轮廓像素点重合度大于95%,则判断该平移修正地图与第一环境地图相吻合;若平移修正地图与第一环境地图的外轮廓像素点重合度不大于95%,则判断该平移修正地图与第一环境地图不吻合。
进一步地,所述根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集,包括:
将一像素点集和n个第二像素点集中各像素点集的像素点依次相加后取平均数,并将数据类型定义为int整数类型,得到第三像素点集。
在实际应用中,将第一像素点集中的第一地图像素点和n个第二像素点集的n个第二地图像素点依次相加后取平均数,其中,对于第一地图像素点和第二地图像素点在第一环境地图和修正环境地图中体现为检测到的障碍物及路径为1,空白区域为0;在加权平均后,第一环境地图和n个修正环境地图中共有的像素点为1,其他均小于1,而对平均数定义为int整数类型,故小于1的地图像素点删去,得到第一环境地图和n个修正环境地图所共有的像素点,即可得到第三地图像素点集。其中,n越大得到的第三地图像素点集越接近真实的地图,较佳的,n取10,能够最大程度的获得接近真实的地图的同时减少机器人小车的采集和运算。
进一步地,所述获取所有机器人建图节点包括:
获取传感器数据信息,根据所述传感器数据信息获取所有避障节点,根据所有避障节点得到所有机器人建图节点。
在实际应用中,机器人小车上配置有激光雷达等传感器,传感器感应到待测区域内的避障节点,从而避开障碍,同时避障节点作为机器人建图节点对应建图,即第二环境地图对环境内的静态物体和动态物体进行绘点制图。
进一步地,所述根据所述第三像素点集得到增量地图之后,还包括:
将所述第一环境地图替换为所述增量地图。
在实际应用中,由于最终得到的增量地图应用于机器人小车,故将机器人小车内的第一环境地图替换为增量地图,即可作为机器人在该环境下的活动依据。
具体来说,将机器人小车放置于医院的门诊科室的左下角角落,标记为起始点,记下机器人起始位置和起始角度为地理北向。此时环境中有医生病人等物体移动,是一个动态环境。启动机器人小车ROS系统,开启车体的手动建图程序Gmapping建图包。打开机器人键盘控制节点keyboard_teleop.launch,方便在建图时移动机器人小车。在主机上打开新的终端,运行视图显示工具rviz,在数据窗口内查看地图和机器人姿态数据,即可看到地图、激光点和机器人的tf位姿数据。先按照ROS中的SLAM算法手动建图,开始移动机器人,速度为0.2m/s。遍历所有环境关键节点,将门诊科室的所有直角、T型和十字型交汇处都连成走一个闭合的线路,即可得到第一环境地图。利用map_server节点保存地图,保存成功后可在map目录下看到第一环境地图,如图2所示。
再将机器人小车移动至起始点,按照并以起始角度摆放。启动move_base节点开启全局导航和局部导航。全局导航用于建立到地图上最终目标或一个远距离目标的路径,局部导航用于建立到近距离目标和为了临时躲避障碍物的路径;按照第一环境地图与所有环境关键节点移动建图;激光雷达等传感器数据信息作为节点信息发布,被机器人move_base节点订阅,同时被机器人建图Gmapping节点订阅;在ROS系统中开启机器人建图节点,获得第二环境地图,重复三次,得到三张第二环境地图,如图3-5所示。由于安装起始角度摆放不是精确的,所以建图存在角度偏差。
将图3的第二环境地图通过图像处理,裁剪掉外轮廓外的区域。以其图像中心为旋转圆心,通过图像处理算法得到旋转角度为11.5度,方向为顺时针。同时以其图像中心为平移参考点,通过图像处理算法得到平移量向右150像素,向上100像素。使图3的修正环境地图与第一环境地图外墙轮廓重合,如图6所示。
将图4的第二环境地图通过图像处理,裁剪掉外轮廓外的区域。以其图像中心为旋转圆心,通过图像处理算法得到旋转角度为347.6度,方向为顺时针。同时以其图像中心为平移参考点,通过图像处理算法得到平移量向右50像素,向上20像素。使图3的修正环境地图与第一环境地图的外墙轮廓重合,如图7所示。
将图5的第二环境地图通过图像处理,裁剪掉外轮廓外的区域。以其图像中心为旋转圆心,通过图像处理算法得到旋转角度为13度,方向为顺时针。同时以其图像中心为平移参考点,通过图像处理算法得到平移量向右150像素,向上100像素。使图3的修正环境地图与第一环境地图外墙轮廓重合,如图8所示。
将图2、图6、图7和图8四张地图存入一个数组中,提取第一环境地图和修正环境地图的地图信息,转化成像素点集。以最少像素点为最少运算单位,数据类型定义为int整形,将地图像素点相加后取平均,得到新的像素点集,转化得到最终环境地图即增量地图,如图9所示。
将增量地图导入机器人系统,替换原来的手动环境建图。
如图10所示,本发明还提供了一种自适应增量建图系统,包括:
手动建图模块10,用于移动至起始点,遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;
自动建图模块20,用于移动至所述起始点,根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到第二环境地图;并重复n次,得到n张第二环境地图;其中,n为正整数;
地图修正模块30,用于根据所述第一环境地图对n张所述第二环境地图分别进图像处理得到n张修正环境地图;
增量建图模块40,用于根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图。
进一步地,所述地图修正模块30包括:
裁剪修正单元,用于根据第一环境地图分别对每一张第二环境地图进行裁剪得到该张第二环境地图对应的裁剪修正地图;
旋转修正单元,用于以该裁剪修正地图的图像中心为旋转圆心,根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正,得到对应的旋转修正地图;
平移修正单元,用于以该旋转修正地图的图像中心为平移参考点,根据第一环境地图对该旋转修正地图进行平移修正,得到对应的平移修正地图;
吻合判断单元,用于判断该平移修正地图和第一环境地图的外轮廓是否吻合;若不吻合,则执行根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正的步骤;若吻合,则将该平移修正地图作为该张第二环境地图对应的修正环境地图。
进一步地,所述吻合判断单元包括:
阈值判断单元,用于判断n张所述平移修正地图与第一环境地图的外轮廓像素点重合度是否大于预设阈值;若为是,则判断为吻合;若为否,则判断为不吻合。
进一步地,所述增量建图模块40包括:
像素计算单元,用于将一像素点集和n个第二像素点集中各像素点集的像素点依次相加后取平均数,并将数据类型定义为int整数类型,得到第三像素点集。
进一步地,所述自动建图模块20包括:
障碍建点单元,用于获取传感器数据信息,根据所述传感器数据信息获取所有避障节点,根据所有避障节点得到所有机器人建图节点。
关于一种自适应增量建图系统的具体限定可以参见上文中对于一种自适应增量建图方法的限定,在此不再赘述。上述一种自适应增量建图系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种自适应增量建图方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:移动至起始点,遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;移动至所述起始点,根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到第二环境地图;并重复n次,得到n张第二环境地图;其中,n为正整数;根据所述第一环境地图对n张所述第二环境地图分别进图像处理得到n张修正环境地图;根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图。
在一个实施例中,所述环境关键节点为待测区域的直角交汇处、T型交汇处或十字型交汇处。
在一个实施例中,所述根据所述第一环境地图对n张所述第二环境地图分别进图像处理得到n张修正环境地图,包括:根据第一环境地图分别对每一张第二环境地图进行裁剪得到该张第二环境地图对应的裁剪修正地图;以该裁剪修正地图的图像中心为旋转圆心,根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正,得到对应的旋转修正地图;以该旋转修正地图的图像中心为平移参考点,根据第一环境地图对该旋转修正地图进行平移修正,得到对应的平移修正地图;判断该平移修正地图和第一环境地图的外轮廓是否吻合;若不吻合,则执行根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正的步骤;若吻合,则将该平移修正地图作为该张第二环境地图对应的修正环境地图。
在一个实施例中,所述判断该平移修正地图和第一环境地图的外轮廓是否吻合,包括:判断n张所述平移修正地图与第一环境地图的外轮廓像素点重合度是否大于预设阈值;若为是,则判断为吻合;若为否,则判断为不吻合。
在一个实施例中,所述根据第一像素点集和n个第二像素点集进行计算得到第三像素点集,包括:将一像素点集和n个第二像素点集中各像素点集的像素点依次相加后取平均数,并将数据类型定义为int整数类型,得到第三像素点集。
在一个实施例中,所述获取所有机器人建图节点包括:获取传感器数据信息,根据所述传感器数据信息获取所有避障节点,根据所有避障节点得到所有机器人建图节点。
在一个实施例中,在所述根据所述第三像素点集得到增量地图之后,还包括:将所述第一环境地图替换为所述增量地图。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种自适应增量建图方法,其特征在于,包括:
移动至起始点,遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;
移动至所述起始点,根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到第二环境地图;并重复n次,得到n张第二环境地图;其中,n为正整数;
根据所述第一环境地图对n张所述第二环境地图分别进行图像处理得到n张修正环境地图;
根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图。
2.根据权利要求1所述的方法,其特征在于,所述环境关键节点为待测区域的直角交汇处、T型交汇处或十字型交汇处。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一环境地图对n张所述第二环境地图分别进行图像处理得到n张修正环境地图,包括:
根据第一环境地图分别对每一张第二环境地图进行裁剪得到该张第二环境地图对应的裁剪修正地图;
以该裁剪修正地图的图像中心为旋转圆心,根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正,得到对应的旋转修正地图;
以该旋转修正地图的图像中心为平移参考点,根据第一环境地图对该旋转修正地图进行平移修正,得到对应的平移修正地图;
判断该平移修正地图和第一环境地图的外轮廓是否吻合;若不吻合,则执行根据第一环境地图对该裁剪修正地图按照预设旋转方向进行旋转修正的步骤;若吻合,则将该平移修正地图作为该张第二环境地图对应的修正环境地图。
4.根据权利要求3所述的方法,其特征在于,所述判断该平移修正地图和第一环境地图的外轮廓是否吻合,包括:
判断该平移修正地图与第一环境地图的外轮廓像素点重合度是否大于预设阈值;若为是,则判断为吻合;若为否,则判断为不吻合。
5.根据权利要求1所述的方法,其特征在于,所述根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集,包括:
将一像素点集和n个第二像素点集中各像素点集的像素点依次相加后取平均数,并将数据类型定义为int整数类型,得到第三像素点集。
6.根据权利要求1所述的方法,其特征在于,所述获取所有机器人建图节点包括:
获取传感器数据信息,根据所述传感器数据信息获取所有避障节点,根据所有避障节点得到所有机器人建图节点。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第三像素点集得到增量地图之后,还包括:
将所述第一环境地图替换为所述增量地图。
8.一种自适应增量建图系统,其特征在于,包括:
手动建图模块,用于移动至起始点,遍历待测区域的所有环境关键节点,根据所有环境关键节点绘制得到第一环境地图;
自动建图模块,用于移动至所述起始点,根据所述第一环境地图按照预设顺序遍历所有环境关键节点,收集所有机器人建图节点,根据所有环境关键节点和机器人建图节点得到第二环境地图;并重复n次,得到n张第二环境地图;其中,n为正整数;
地图修正模块,用于根据所述第一环境地图对n张所述第二环境地图分别进行图像处理得到n张修正环境地图;
增量建图模块,用于根据所述第一环境地图得到第一像素点集,根据n张修正环境地图得到n个第二像素点集,根据第一像素点集和n个第二像素点集进行加权平均计算得到第三像素点集;根据所述第三像素点集得到增量地图。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011516135.5A CN112683273A (zh) | 2020-12-21 | 2020-12-21 | 一种自适应增量建图方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011516135.5A CN112683273A (zh) | 2020-12-21 | 2020-12-21 | 一种自适应增量建图方法、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112683273A true CN112683273A (zh) | 2021-04-20 |
Family
ID=75449610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011516135.5A Pending CN112683273A (zh) | 2020-12-21 | 2020-12-21 | 一种自适应增量建图方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112683273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113899357A (zh) * | 2021-09-29 | 2022-01-07 | 北京易航远智科技有限公司 | 视觉slam的增量建图方法、装置、机器人及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329476A (zh) * | 2017-08-02 | 2017-11-07 | 珊口(上海)智能科技有限公司 | 一种房间拓扑地图构建方法、系统、装置及扫地机器人 |
US20180297207A1 (en) * | 2017-04-14 | 2018-10-18 | TwoAntz, Inc. | Visual positioning and navigation device and method thereof |
CN109074085A (zh) * | 2018-07-26 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 一种自主定位和地图建立方法、装置和机器人 |
CN109658445A (zh) * | 2018-12-14 | 2019-04-19 | 北京旷视科技有限公司 | 网络训练方法、增量建图方法、定位方法、装置及设备 |
CN110781262A (zh) * | 2019-10-21 | 2020-02-11 | 中国科学院计算技术研究所 | 基于视觉slam的语义地图的构建方法 |
CN111578926A (zh) * | 2020-04-16 | 2020-08-25 | 天津大学 | 一种基于自动驾驶平台的地图生成与导航避障的方法 |
-
2020
- 2020-12-21 CN CN202011516135.5A patent/CN112683273A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180297207A1 (en) * | 2017-04-14 | 2018-10-18 | TwoAntz, Inc. | Visual positioning and navigation device and method thereof |
CN107329476A (zh) * | 2017-08-02 | 2017-11-07 | 珊口(上海)智能科技有限公司 | 一种房间拓扑地图构建方法、系统、装置及扫地机器人 |
CN109074085A (zh) * | 2018-07-26 | 2018-12-21 | 深圳前海达闼云端智能科技有限公司 | 一种自主定位和地图建立方法、装置和机器人 |
WO2020019221A1 (zh) * | 2018-07-26 | 2020-01-30 | 深圳前海达闼云端智能科技有限公司 | 一种自主定位和地图建立方法、装置和机器人 |
CN109658445A (zh) * | 2018-12-14 | 2019-04-19 | 北京旷视科技有限公司 | 网络训练方法、增量建图方法、定位方法、装置及设备 |
CN110781262A (zh) * | 2019-10-21 | 2020-02-11 | 中国科学院计算技术研究所 | 基于视觉slam的语义地图的构建方法 |
CN111578926A (zh) * | 2020-04-16 | 2020-08-25 | 天津大学 | 一种基于自动驾驶平台的地图生成与导航避障的方法 |
Non-Patent Citations (2)
Title |
---|
丁林祥;陶卫军;: "未知环境下室内移动机器人定位导航设计与实现", 兵工自动化, no. 03 * |
杨春媚;王峰;晋博;汪进;梅琪;邱文添;: "基于计算机视觉的室内自主移动机器人导航综述", 电脑知识与技术, no. 15 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113899357A (zh) * | 2021-09-29 | 2022-01-07 | 北京易航远智科技有限公司 | 视觉slam的增量建图方法、装置、机器人及可读存储介质 |
CN113899357B (zh) * | 2021-09-29 | 2023-10-31 | 北京易航远智科技有限公司 | 视觉slam的增量建图方法、装置、机器人及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112179330B (zh) | 移动设备的位姿确定方法及装置 | |
CN111536964A (zh) | 机器人定位方法及装置、存储介质 | |
US20220198688A1 (en) | Laser coarse registration method, device, mobile terminal and storage medium | |
CN111609852A (zh) | 语义地图构建方法、扫地机器人及电子设备 | |
CN112082554A (zh) | 机器人导航方法、装置、终端设备及存储介质 | |
CN110549339A (zh) | 一种导航方法、装置、导航机器人和存储介质 | |
CN111207762B (zh) | 地图生成方法、装置、计算机设备和存储介质 | |
CN109186618B (zh) | 地图构建方法、装置、计算机设备及存储介质 | |
CN112835064B (zh) | 一种建图定位方法、系统、终端及介质 | |
CN110749895B (zh) | 一种基于激光雷达点云数据的定位方法 | |
CN111179274A (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
CN111652929A (zh) | 一种视觉特征的识别定位方法及系统 | |
CN112327326A (zh) | 带有障碍物三维信息的二维地图生成方法、系统以及终端 | |
US11067694B2 (en) | Locating method and device, storage medium, and electronic device | |
CN111679661A (zh) | 基于深度相机的语义地图构建方法及扫地机器人 | |
CN111679664A (zh) | 基于深度相机的三维地图构建方法及扫地机器人 | |
CN115063550B (zh) | 一种语义点云地图构建方法、系统及智能机器人 | |
CN110253579B (zh) | 基于圆弧特征提取的机器人定位方法、装置、设备及介质 | |
CN112683273A (zh) | 一种自适应增量建图方法、系统、计算机设备及存储介质 | |
CN116630442B (zh) | 一种视觉slam位姿估计精度评估方法及装置 | |
CN114459483B (zh) | 基于机器人导航用地标导航地图构建与应用方法、系统 | |
CN110880003A (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
CN110631586A (zh) | 基于视觉slam的地图构建的方法、导航系统及装置 | |
CN111060127B (zh) | 车辆起点定位方法、装置、计算机设备和存储介质 | |
CN113607161B (zh) | 机器人导航路径宽度获取系统、方法、机器人及存储介质 |
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 |