CN112987720A - 一种用于移动机器人的多尺度地图构建方法及构建装置 - Google Patents

一种用于移动机器人的多尺度地图构建方法及构建装置 Download PDF

Info

Publication number
CN112987720A
CN112987720A CN202110133028.2A CN202110133028A CN112987720A CN 112987720 A CN112987720 A CN 112987720A CN 202110133028 A CN202110133028 A CN 202110133028A CN 112987720 A CN112987720 A CN 112987720A
Authority
CN
China
Prior art keywords
map
grid
grid map
data
robot
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
CN202110133028.2A
Other languages
English (en)
Inventor
秦剑
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.)
Beijing Bide Robot Technology Co ltd
Original Assignee
Beijing Bide Robot Technology Co ltd
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 Beijing Bide Robot Technology Co ltd filed Critical Beijing Bide Robot Technology Co ltd
Priority to CN202110133028.2A priority Critical patent/CN112987720A/zh
Publication of CN112987720A publication Critical patent/CN112987720A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种用于移动机器人的多尺度地图构建方法，步骤1，初始化，以机器人当前位置为原点建立网格地图和拓扑地图；步骤2，扫描并移动，机器人持续移动直到全部网格地图建立；步骤3，生成局部子地图，将网格地图当前位置数据进行卷积后，用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；步骤4，设置关键节点存储在网格地图和拓扑地图上；步骤5，生成拓扑地图，将网格地图上已识别的关键节点记录到拓扑地图中，并预计算出所有网格地图上的行动路径。提升地图的准确度，提高定位算法精度；有助于减少计算量。

Description

一种用于移动机器人的多尺度地图构建方法及构建装置
技术领域
本发明属于移动机器人领域，具体涉及一种用于移动机器人的多尺度地图构建方法。
背景技术
随着移动机器人日益普及，基于纯视觉及激光探测设备作为探测手段，定位并构建一个局部地区地图的算法：同步定位与地图构建(Simultaneous Localization AndMapping，缩写SLAM)算法。常用的同步定位与地图构建算法很多都有建图和定位双重功能。
由于不同的建图算法有各自的的优势，如拓扑地图更适用于路径规划、栅格地图更适用于导航等。在大型室内场景或户外场景中，往往对定位和地图精度要求很高，一旦移动机器人的初始位置丢失或位置积分出错，很容易出现定位错误，成为各种同步定位与地图构建算法日常使用中的一大问题。随着移动机器人的应用逐渐广泛，地图构建(mapping)算法亟待创新。
目前而言，仍然没有一种单一的地图表示方式能满足所有的任务需求如定位、导航、避障、路径规划、三维重建、认知等，和满足性能够要求比如精度高、速度快、计算量小、存储空间小等。
发明内容
为解决现有技术中存在的上述技术问题，提供一种用于移动机器人的多尺度地图构建方法及构建装置；属于SLAM算法中建图部分，通过地图构建方法和数据结构，满足SLAM任务需求和较好的性能要求；提升地图的准确度；有助于减少寻路算法(Pathing)计算量。使用多尺度化建立5级或更多级网格地图，有利于提高定位精度，提高导航算法计算速度，减小计算量。引入拓扑地图，提前计算好局部地图的路径，节约导航算法计算量。小尺度的局部地图，使机器人能够精确的躲避障碍。整个地图体系结构让机器人更准确地认知真实环境。
为实现上述发明目的，本发明的技术方案是：
一种用于移动机器人的多尺度地图构建方法，包括以下步骤，
步骤1，初始化，以机器人当前位置为原点建立网格地图和拓扑地图；
步骤2，扫描并移动，采集原始数据经换算后，根据空间环境获取周围物体的测量当前点信息，记录网格地图原始数据；机器人移动到当前位置，记录网格地图的当前位置数据，重复扫描；机器人持续移动直到全部网格地图建立；
步骤3，生成局部子地图，将网格地图当前位置数据进行卷积后，用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；遍历全部矩形空间，生成全部局部子地图后组成网格地图；
步骤4，设置关键节点，包括隐形墙、充电点、多个目标点、调度区域、电梯或楼梯；关键节点存储在网格地图和拓扑地图上；
步骤5，生成拓扑地图，将网格地图上已识别的关键节点记录到拓扑地图中，并预计算出所有网格地图上的行动路径。
优选地，步骤1，建立空白网格地图，该网格地图为多层多尺度网格地图，多层多尺度网格地图中每一层地图面积尺度比上一层地图大。
优选地，建立空白拓扑地图，空白的网格地图建立后，以机器人所在位置为初始节点、机器人移动获得节点位置为目标节点及相关连线，通过预计算生成对应的拓扑地图。
优选地，步骤2，当前位置是相对于当前位置所有障碍物的角度和距离，根据周围物体的距离和机器人的位移数据，定位地图新位置和方向，机器人实时扫描并记录的数据；原始数据是激光雷达的输出数据。
优选地，步骤3，使用卷积神经网络的卷积算法识别网格地图当前位置数据，通过使用预先训练的卷积神经网络模型，从生成的多尺度网格地图中，分析识别网格地图数据，提取网格地图特征；地图特征为房间、墙、障碍物、门、走廊等特定信息。训练好的神经网络识别在一个陌生环境下，激光雷达探索出来的地图。
重复使用卷积(Convolution)算法处理多尺度网格地图中的网格地图数据，构造多层卷积数据，并存储每层卷积数据，即为网格地图的多尺度化；同时，将每层卷积数据可看成一个卷积神经网络(CNN)数据结构，多尺度地图每个尺度生成一个卷积神经网络。
优选地，步骤4，隐形墙，机器人不允许走过的区域，寻路时机器人避免进入人为设置的该区域。
优选地，步骤5，预计算，多层网格地图从上而下，针对操作人员手工设置的充电点、目标点、电梯或楼梯、调度区域，生成对应的拓扑地图。
一种用于移动机器人的多尺度地图构建装置，包括初始化模块，以机器人位置为原点建立网格地图和拓扑地图；
扫描并移动模块，采集原始数据经换算后，根据空间环境获取周围物体的测量当前点信息，记录网格地图原始数据；机器人移动到当前位置，记录网格地图的当前位置数据，重复扫描；机器人持续移动直到全部网格地图建立；
生成局部子地图模块，将网格地图当前位置数据进行卷积后，用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；遍历全部矩形空间，生成全部局部子地图后组成网格地图；
设置关键节点模块，包括隐形墙、充电点、多个目标点、调度区域、电梯或楼梯；关键节点存储在网格地图和拓扑地图上；
生成拓扑地图模块，将网格地图上已识别的关键节点记录到拓扑地图中，并预计算出所有网格地图上的行动路径。
优选地，一种计算机设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求中任一项所述的方法。
与现有技术相比较，本发明具有如下的有益效果：
本发明相比常用的同步定位与地图构建(SLAM)算法，使用局部子地图(Submap)技术，提升地图的准确度，减少建图失败的可能性，提高定位算法(Location)精度；将地图数据转化为神经网络，在建图(Mapping)过程中对地图数据进行卷积(Convolution)，再用预训练的卷积神经网络(CNN)分析识别地图数据，从而得到更多的信息，有助于减少计算量。
附图说明
图1为本发明用于移动机器人的多尺度地图构建方法的拓扑地图示意图。
图2为本发明用于移动机器人的多尺度地图构建方法的网格地图示意图。
图3为本发明用于移动机器人的多尺度地图构建方法的金字塔型地图示意图。
图4为本发明用于移动机器人的多尺度地图构建方法的卷积层示意图。
图5为本发明用于移动机器人的多尺度地图构建方法的运行流程示意图。
图6为本发明用于移动机器人的多尺度地图构建方法的流程示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
如图1所示，本构建方法生成混合拓扑地图和网格地图(度量地图)的复合地图数据。其中包括拓扑地图：在网格地图建立完成后，通过预计算生成对应的拓扑地图，减小寻路算法(Pathing)计算量。将多个不同坐标尺度的网格地图每层做卷积算法(类似图像识别算法)，并用预先训练好的神经网络直接识别网格地图上的房间，再将多个尺度的数据融合起来。并在多尺度地图中融合识别结果，并生成拓扑地图。
拓扑地图用于导航算法寻路逻辑判断的地图层，由节点和边(相关连线)组成，比如节点ID，节点类型，节点属性。边ID，边类型，属性等。表示了出发点与目标点，以及途中各种门、电梯、通路之间的交互信息。随着网格地图越来越精确，逻辑层也会动态添加或删改节点，让路径规划更加准确。
如图2、图3所示，一种用于移动机器人的多尺度地图构建方法，包括以下步骤，
步骤1，初始化，以机器人当前位置为原点建立网格地图和拓扑地图；优选地，建立空白的网格地图，该网格地图为多层多尺度网格地图，多层多尺度网格地图中每一层地图面积尺度比上一层地图大。每层网格地图都进行卷积，每层尺度网格地图用卷积神经网络算法生成一个卷积神经网络，识别矩形空间，在多尺度网格地图中融合识别结果，并生成拓扑地图。当地图上每个点对应的现实距离较大时，寻路算法先从大尺度的地图数据层开始计算，减少计算量。网格地图是数据结构，每条数据表由坐标和当前点的值组成；比如x，y，z，是否障碍。
优选地，建立空白的拓扑地图，空白的网格地图建立后，以机器人自身位置为初始节点、机器人移动获得节点位置为目标节点及相关连线，通过预计算生成对应的拓扑地图。将节点之间的联通性作为路径，通过预计算对对每一级网格地图层生成对应的拓扑地图层，拓扑地图中的每个节点都对应一个网格地图的局部子地图(submap)。拓扑地图以一条条数据表方式存储的数据结构；比如节点ID，节点类型，节点属性。边ID，边类型，属性等。
网格地图由x、y坐标表示比较精确的移动机器人用动态地图，计算真实路径的地图层，用于计算真实路径的地图层。网格地图则记录每个点(原始数据)的具体坐标和这个点是空气还是障碍物，网格地图默认为全地图都是障碍(每个点都认为是墙)。为了提高寻路速度，在地图尚未准确建立时，将地图多尺度化(Multiscale Mapping)，并用卷积(Convolution)算法处理，构造金字塔型多份不同距离尺度的网格地图，用于路径规划预测(predict)任务。
步骤2，扫描并移动，使用激光雷达(Lidar)或其他种类的传感器采集原始数据经换算后，根据空间环境获取周围物体的测量当前点信息，记录网格地图原始数据；机器人移动到当前位置，记录网格地图的当前位置数据，重复扫描；机器人持续移动直到全部网格地图建立；机器人每走一定步数，累计一些激光雷达数据，用神经网络处理并识别一次激光雷达数据。
扫描空间的物体角度270度或360，频率约为每秒30次。该激光雷达的扫描范围是25米，稳定覆盖一个完整房间，数据比较精确。激光雷达用的gmapping算法生成的网格地图，其ros有标准的地图格式。生成网格地图和拓扑地图的方法，调用ros(机器人操作系统，是个做机器人都会用到的开源的项目)。
由于网格地图是激光生成的动态数据，点表示有障碍物。对上述网格地图激光图的深加工后，网格地图描述20米范围一个房间结构，白色线是空间，黑色线是墙边界，灰色区域是未知数据，蓝色线条是机器人移动路径。
优选地，步骤2，当前位置是相对于当前位置所有障碍物的角度和距离，根据周围物体的距离和机器人的位移数据，定位地图新位置和方向，机器人实时扫描并记录的数据；原始数据是激光雷达的输出数据，每种雷达都具有激光雷达转换算法到通用格式。换算，用极坐标和xy坐标系换算后，网格地图具有精确到厘米xy坐标，获得房间内的障碍物情况。网格地图为最小尺度的网格地图。
步骤3，生成局部子地图，将网格地图当前位置数据进行卷积后，用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；遍历全部矩形空间，生成全部局部子地图后组成网格地图；生成卷积神经网络数据结构，识别网格地图的矩形空间的关键节点特征。每个矩形空间进行独立存储，矩形空间(房间)都是一个单独的坐标系。局部子地图，将大地图上切出单个矩形空间(房间)。
将比较精确的数据独立存储后，方便调整整个房间内数据，比如平移，旋转角度。因为机器人移动时，激光误差会积累，整个地图就会发生错乱。所有房间内的数据都以局部子地图方式切出来，即使有误差并不影响每个房间内的数据。经过算法调整后，能得到精度较高的网格地图数据。
优选地，步骤3，使用卷积算法(Convolution)处理多尺度网格地图中的网格地图数据，生成卷积层；网格地图每个点的值是0～1之间的小数，表示当前图层的可通过性，即表示真实地图上的墙、门或较小的障碍物。
优选地，步骤3，使用卷积神经网络的卷积算法识别网格地图当前位置数据，通过使用预先训练的卷积神经网络模型，从生成的多尺度网格地图中，分析识别网格地图数据，提取网格地图特征；地图特征为房间、墙、障碍物、门、走廊等特定信息。训练好的神经网络识别在一个陌生环境下，激光雷达探索出来的地图。
重复使用卷积(Convolution)算法处理多尺度网格地图中的网格地图数据，构造多层卷积数据，并存储每层卷积数据，即为网格地图的多尺度化；同时，将每层卷积数据可看成一个卷积神经网络(CNN)数据结构，多尺度地图每个尺度生成一个卷积神经网络。多层网格地图为5级以上网格地图。
图4左侧是网格地图，红色网格3*3为卷积核，右侧是一种神经网络数据，用卷积核对原始地图数据的计算结果。
卷积算法：为了更好一种提取图片中的特征的算法。比如原始网格地图A是10*10大小，定义卷积核(convolution kernel)B，可以是3*3的数据结构，这里有人工设置的固定数据(根据任务内容数据可变)。对A的每3*3个点都用卷积核做一次计算，一般是点乘计算。
卷积算法：1)滑动卷积核B，使其中心位于A的(i，j)点上；2)点乘计算，得到输出的(i，j)值，写入新的10*10矩阵C；3)充分上面操纵，直到求出输出A所有点对应值，写入矩阵C；4)根据卷积核的边缘是否能超出A的最大范围，矩阵C的大小也可能小于A(比如C可能是8*8)。5)矩阵数据C可以被预先训练好的神经网络识别处理，得到潜在的房间、走廊、门等分类信息。
比如，根据厘米精度、分米精度、米精度分别扫描数据生成3个尺度的地图，然后网格地图数据生成3个卷积神经网络，分别用预先训练好的神经网络识别3个卷积神经网络数据，从中识别出房间、门、走廊等信息。将3个识别结果叠加得到比较可信的识别数据。
人工干预预先训练的卷积神经网络，比如一些房间的激光雷达数据，人工画出房间、走廊、门的矩形空间。激光雷达进行机器学习神经网络，识别激光雷达数据中房间、走廊、门的特征。
步骤4，设置关键节点，包括隐形墙、充电点、多个目标点、调度区域、电梯或楼梯；关键节点存储在网格地图和拓扑地图上。
步骤4，隐形墙，机器人不允许走过的区域，寻路时机器人避免进入人为设置的该区域。充电点：在绘制地图的过程中，机器人连接充电器时，由操作人员手动设置当前的位置和方向。多个目标点：在地图绘制过程中，由操作人员手动标记并命名当前方向和位置。调度区域：当路径比较窄的时候，可以手工设置一个区域用于多台机器人之间的调度。电梯或楼梯：不同楼层之间的地图是分开的，在绘制地图的过程中，由操作人员手动标记当前地图的楼梯或电梯位置。
步骤5，生成拓扑地图，将网格地图上已识别的关键节点记录到拓扑地图中，并预先计算出所有网格地图上的行动路径。减少机器人导航时的计算量。多层网格地图从上而下，针对操作人员手工设置的充电点、目标点、电梯或楼梯、调度区域，生成对应的拓扑地图；一个房间通常对应上级地图的每一格，对应下级地图10*10的地图块。
拓扑地图是将网格地图里的坐标数据都识别成房间，通道，门，电梯等，生成的结果。计算机理解网格地图上每个点的特征，在运行卷积神经网络算法后，生成整个地图的“意思”层，也就是房间和房间之间的通路关系。拓扑地图就是房间和房间之间的道路关联的图。拓扑地图没有具体的坐标，表示某个房间有几个门，分别联通到哪些其他房间。
该方法全面保护应用场景：通过多尺度地图(Multiscale Mapping)和拓扑地图算法生成移动机器人用的地图数据；在建图阶段引入卷积神经网络算法(CNN)，用预先计算的模型识别房间等地图特征，提高建图精度和地图质量；生成拓扑地图，降低寻路算法(Pathing)计算量。使用局部子地图(Submap)技术，有利于提高寻路算法的效率和灵活的调整子地图的方向和位置，提高算法准确度和定位算法(Location)的准确度。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims (9)

1.一种用于移动机器人的多尺度地图构建方法，其特征在于，包括以下步骤，
步骤1，初始化，以机器人当前位置为原点建立网格地图和拓扑地图；
步骤2，扫描并移动，采集原始数据经换算后，根据空间环境获取周围物体的测量当前位置信息，记录网格地图原始数据；机器人移动到当前位置，记录网格地图的当前位置数据，重复扫描；机器人持续移动直到全部网格地图建立；
步骤3，生成局部子地图，将网格地图当前位置数据进行卷积后，使用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；遍历全部矩形空间，生成全部局部子地图后组成网格地图；
步骤4，设置关键节点，包括隐形墙、充电点、多个目标点、调度区域、电梯或楼梯；关键节点存储在网格地图和拓扑地图上；
步骤5，生成拓扑地图，将网格地图上已识别的关键节点记录到拓扑地图中，并预计算出所有网格地图上的行动路径。
2.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤1，建立空白网格地图，该网格地图为多层多尺度网格地图，多层多尺度网格地图中每一层网格地图面积比上一层网格地图面积大。
3.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤1，建立空白拓扑地图，在空白的网格地图建立后，以机器人自身位置为初始节点、机器人移动获得节点位置为目标节点及相关连线，通过预计算生成对应的拓扑地图。
4.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤2，当前位置，相对于当前位置所有障碍物的角度和距离；根据周围物体的距离和机器人的位移数据，定位地图新位置和方向，机器人实时扫描并记录的数据。
5.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤3，识别网格地图，使用卷积神经网络的卷积算法识别网格地图当前位置数据，通过使用预先训练的卷积神经网络模型，从生成的多尺度网格地图中，分析识别网格地图数据，提取网格地图特征。
6.根据权利要求5所述一种用于移动机器人的多尺度地图构建方法，其特征在于，重复使用卷积神经网络模型的卷积算法处理多尺度网格地图中的网格地图数据，构造多层卷积数据，并存储每层卷积神经网络数据，即网格地图的多尺度化；同时，多尺度地图每个尺度生成一个卷积神经网络。
7.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤4，隐形墙，机器人不允许走过的区域。
8.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤5，预计算，多层网格地图从上而下，针对操作人员手工设置的充电点、目标点、电梯或楼梯、调度区域，生成对应的拓扑地图。
9.根据权利要求1所述一种用于移动机器人的多尺度地图构建装置，其特征在于，包括初始化模块，以机器人位置为原点建立网格地图和拓扑地图；
扫描并移动模块，采集原始数据经换算后，根据空间环境获取周围物体的测量当前点信息，记录网格地图原始数据；机器人移动到当前位置，记录网格地图的当前位置数据，重复扫描；机器人持续移动直到全部网格地图建立；
生成局部子地图模块，将网格地图当前位置数据进行卷积后，用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；遍历全部矩形空间，生成全部局部子地图后组成网格地图；
设置关键节点模块，包括隐形墙、充电点、多个目标点、调度区域、电梯或楼梯；关键节点存储在网格地图和拓扑地图上；
生成拓扑地图模块，将网格地图上已识别的关键节点记录到拓扑地图中，并预计算出所有网格地图上的行动路径。
CN202110133028.2A 2021-01-29 2021-01-29 一种用于移动机器人的多尺度地图构建方法及构建装置 Pending CN112987720A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110133028.2A CN112987720A (zh) 2021-01-29 2021-01-29 一种用于移动机器人的多尺度地图构建方法及构建装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110133028.2A CN112987720A (zh) 2021-01-29 2021-01-29 一种用于移动机器人的多尺度地图构建方法及构建装置

Publications (1)

Publication Number Publication Date
CN112987720A true CN112987720A (zh) 2021-06-18

Family

ID=76345908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110133028.2A Pending CN112987720A (zh) 2021-01-29 2021-01-29 一种用于移动机器人的多尺度地图构建方法及构建装置

Country Status (1)

Country Link
CN (1) CN112987720A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418522A (zh) * 2021-08-25 2021-09-21 季华实验室 Agv路径规划方法、跟随方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106802655A (zh) * 2016-11-30 2017-06-06 北京贝虎机器人技术有限公司 室内地图生成方法及装置
CN109163731A (zh) * 2018-09-18 2019-01-08 北京云迹科技有限公司 一种语义地图构建方法及系统
US10217232B2 (en) * 2017-02-08 2019-02-26 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for locally aligning map data
CN111798475A (zh) * 2020-05-29 2020-10-20 浙江工业大学 一种基于点云深度学习的室内环境3d语义地图构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106802655A (zh) * 2016-11-30 2017-06-06 北京贝虎机器人技术有限公司 室内地图生成方法及装置
US10217232B2 (en) * 2017-02-08 2019-02-26 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for locally aligning map data
CN109163731A (zh) * 2018-09-18 2019-01-08 北京云迹科技有限公司 一种语义地图构建方法及系统
CN111798475A (zh) * 2020-05-29 2020-10-20 浙江工业大学 一种基于点云深度学习的室内环境3d语义地图构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗盼: ""室内移动机器人区域语义地图创建及目标搜索方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418522A (zh) * 2021-08-25 2021-09-21 季华实验室 Agv路径规划方法、跟随方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US10935383B1 (en) Methods for finding the perimeter of a place using observed coordinates
CN108898605B (zh) 一种基于图的栅格地图分割方法
JP2020087415A (ja) ロボットの地図構築及び位置推定
CN111563442A (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
CN109325979B (zh) 基于深度学习的机器人回环检测方法
CN112070770B (zh) 一种高精度三维地图与二维栅格地图同步构建方法
Prieto et al. As-is building-structure reconstruction from a probabilistic next best scan approach
JP6997057B2 (ja) 不動物体情報から端末位置を推定する装置、プログラム及び方法
CN111476286A (zh) 一种移动机器人构建地图方法
CN110046677B (zh) 数据预处理方法、地图构建方法、回环检测方法及系统
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
Tsuru et al. Online object searching by a humanoid robot in an unknown environment
CN110807774B (zh) 一种点云分类与语义分割方法
Serrão et al. Navigation framework using visual landmarks and a GIS
CN112987720A (zh) 一种用于移动机器人的多尺度地图构建方法及构建装置
CN112750161B (zh) 用于移动机器人的地图更新方法
Wu et al. A Non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning
CN115493596A (zh) 一种移动机器人语义地图构建与导航方法
CN114217641B (zh) 一种非结构环境下无人机送变电设备巡检方法及系统
Forsman Three-dimensional localization and mapping of static environments by means of mobile perception
Kaleci et al. Comparison of deep learning techniques for detection of doors in indoor environments
CN117537803B (zh) 机器人巡检语义-拓扑地图构建方法、系统、设备及介质
Zhang et al. A robust regression model for simultaneous localization and mapping in autonomous mobile robot
Zhao et al. Indoor environment semantic topological mapping based on deep learning
Aouina et al. 3d modeling with a moving tilting laser sensor for indoor environments

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618