CN115143980A - 基于剪枝Voronoi图的增量式拓扑地图构建方法 - Google Patents
基于剪枝Voronoi图的增量式拓扑地图构建方法 Download PDFInfo
- Publication number
- CN115143980A CN115143980A CN202210821057.2A CN202210821057A CN115143980A CN 115143980 A CN115143980 A CN 115143980A CN 202210821057 A CN202210821057 A CN 202210821057A CN 115143980 A CN115143980 A CN 115143980A
- Authority
- CN
- China
- Prior art keywords
- topological
- voronoi
- points
- incremental
- map
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于剪枝Voronoi图的增量式拓扑地图构建方法,在障碍物形状拟合困难、拓扑关系复杂、建图范围大的城市半结构化环境、越野和救援非结构化环境中,随着地面或低空有人/无人移动平台行驶,增量式地快速自主构建轻量级拓扑地图,以便于机器人导航。有益效果:在大规模复杂半结构化和非结构化环境中,本发明能够基于可行驶区域边界点增量式快速生成用于机器人导航的轻量级拓扑地图,避免了障碍物拟合误差和计算复杂带来的影响,实现了在拓扑关系繁多、障碍物不规则、建图范围大的复杂环境下的快速自主拓扑地图构建。
Description
技术领域
本发明属于拓扑地图技术领域,尤其涉及一种基于剪枝Voronoi图的增量式拓扑地图构建方法。
背景技术
拓扑地图作为环境的一种高效表示方法,是机器人自主探索和SLAM(Simultaneous Localization And Mapping)技术的重要成果形式。拓扑地图以节点和边的形式对环境予以表示,与栅格度量地图和语义地图相比,具备更简洁紧凑的道路结构表示方法,且更便于人类理解,广泛用于机器人搜索救援、井下勘测和其余未知环境的自主导航技术中。在上述环境和任务中感知结果难以对不规则障碍物进行快速准确的形状拟合,对部分拓扑地图生成方法造成困难。目前自动构建拓扑地图的方法主要分为基于可视图的方、基于随机采样的方法和基于骨架化的方法3类。
基于可视图的方法(Visibility graph-based method)将障碍物拟合为多边形,连接多边形的顶点形成边,留下其中可视的边作为拓扑边。面对不规则障碍物和障碍物数量庞大的环境时,容易受到拟合误差的影响,计算复杂度也将逐渐提升;基于随机采样的方法(Random sampling-based method)通过在环境内随机采样的方式,以可通行的采样点连线作为拓扑边,如概率路图法(Probabilistic Roadmap,PRM)和快速搜索随机树法(Rapidly-exploring Random Tree,RRT),该类方法具备概率完备性,在狭窄的环境中需要耗费较长时间采样足够多的点以保证拓扑关系的完备性。基于骨架化的方法以构建于广义Voronoi图(Generalizied Voronoi Diagram,GVD)为主,GVD是以环境中的障碍物目标为最小表示单位,定义空间任意点到目标的距离表示方法,而后按照Voronoi图的定义构建而成。传统的GVD构建方法也受到障碍物形状拟合的影响,另外一种基于欧式距离地图的Voronoi图构建方法存在拓扑关系冗余的问题。
针对大规模复杂半结构化和非结构化环境中,人工建图成本高,自动建图拓扑关系结构复杂、难以高效增量构建等问题,亟待解决基于地面或低空有人/无人移动平台行驶过程中的拓扑地图自动构建问题。
发明内容
本发明的目的在于克服上述技术的不足,而提供一种基于剪枝Voronoi图的增量式拓扑地图构建方法,解决大规模复杂半结构化和非结构化环境下,地面或低空有人/无人移动平台行驶过程中的拓扑地图自动构建问题。
本发明为实现上述目的,采用以下技术方案:一种基于剪枝Voronoi图的增量式拓扑地图构建方法,将可行驶区域边界点映射到全局栅格地图中;利用Voronoi顶点的最大空圆性质,在全局栅格地图中选择最小生成区域,实现增量式拓扑地图构建;通过边界点膨胀和无效边筛选对拓扑图进行剪枝,以保留环境的骨架信息;最后基于广度优先搜索算法构建全连通拓扑地图,具体步骤如下:
(1)将可行驶区域边界点映射到全局栅格地图中;
(2)建立机器人圆形感知范围的矩形包络框,向外扩张矩形框直到与矩形框交叉的Voronoi边上的顶点满足如下性质:顶点的最大空圆内的基点数量不少于3个,且均不为新增的可行驶区域边界点,以矩形框内所有可行驶边界点为基点生成传统Voronoi图;
(3)对生成区域内的可行驶边界点进行膨胀,删除处于占据空间的Voronoi边;
(4)以Voronoi边和顶点为基础构建局部无向图,删除长度较短且只有一个连接关系的无效边,保留环境的骨架信息,并使用局部无向图替换原有矩形框内的全局无向图;
(5)以机器人位置为起点,基于广度优先搜索算法无目标地遍历无向图直至开启列表为空,删除未曾放入开启列表和关闭列表的边。
进一步地,步骤(1)中所述可行驶区域边界点为环境中的静态障碍点和有效感知边界点,且所述可行驶区域边界点在全局栅格地图中存储时,按照栅格地图精度在同一栅格内仅保留一个点。
进一步地,步骤(2)中所述顶点的最大空圆性质在指Voronoi顶点最大空圆的圆周上至少包含3个基点,通过查找距离顶点最近的基点,得到最大空圆圆周上的基点集合。
进一步地,步骤(4)中所述删除的无效边的原则为:无效边长度小于机器人长度和长度阈值之和,且该边在局部无向图中只有一个连通关系。
进一步地,步骤(4)中所述建立的局部无向图基于广度优先搜索算法处理后为连通图,任意两个顶点间都存在一条路径。
有益效果:与现有技术相比,在大规模复杂半结构化和非结构化环境中,本发明能够基于可行驶区域边界点增量式快速生成用于机器人导航的轻量级拓扑地图,避免了障碍物拟合误差和计算复杂带来的影响,实现了在拓扑关系繁多、障碍物不规则、建图范围大的复杂环境下的快速自主拓扑地图构建;本发明在构建拓扑地图时对环境信息具备敏感性,任意边界/障碍点的增加和删除都能够在拓扑地图中快速得到体现;本发明具备较高的时效性,得益于传统Voronoi图生成方法的高效性,以及本发明中剪枝算法和增量式方法的高效性,拓扑地图生成过程具备较高的时效性;本发明具备一致性,在固定区域内构建的地图结果不受到环境探索顺序的影响;本发明构建的地图结构具备完备性,且构建结果与其他方法相比更为轻量,拓扑地图构建过程不受到狭窄环境和拓扑关系复杂程度的影响,仅与边界/障碍点数量相关,能够适用于任意环境,实现可靠、精准、完备的建图。
附图说明
图1A是历史环境感知障碍点信息的示意图;
图1B是环境感知障碍点叠加后结果的示意图;
图2A是增量式构图时的Voronoi图生成区域识别最大空圆的示意图,
图2B是增量式构图时的Voronoi图生成区域识别示意图;
图3A是原始Voronoi示意图;
图3B是障碍物膨胀结果示意图;
图3C是剪枝结果示意图;
图4A是历史全局Voronoi图;
图4B是区域识别和局部Voronoi图生成结果图;
图4C是增量式更新结果图;
图5是基于广度优先搜索和几何简化后的拓扑地图,其中:左图经过膨胀剪枝的初步剪枝结果,右图为经过广度优先搜索算法和几何简化后的最终剪枝结果;
图6是对本发明进行室内仿真实验验证中构建的拓扑地图;
图7是对本发明进行室内仿真实验验证中构建拓扑地图的耗时;
图8是对本发明进行森林仿真实验验证中构建的拓扑地图;
图9是对本发明进行真实小区实验验证中构建的拓扑地图;(摘要附图)
图10是对本发明进行实验验证中宏观规划的耗时。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。
在本发明的各实施例中,为了便于描述而非限制本发明,本发明专利申请说明书以及权利要求书中使用的术语"连接"并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。"上"、"下"、"下方"、"左"、"右"等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也相应地改变。
详见附图1-5,本实施例提供了一种基于剪枝Voronoi图的增量式拓扑地图构建方法,在障碍物形状拟合困难、拓扑关系复杂、建图范围大的城市半结构化环境、越野和救援非结构化环境中,随着地面或低空有人/无人移动平台行驶,增量式地快速自主构建轻量级拓扑地图,以便于机器人导航和强化人类对环境的理解,首先将边界点放入全局栅格地图中,利用Voronoi顶点的最大空圆性质,构建Voronoi图最小生成范围,实现拓扑地图的增量式构建与更新;然后通过设计剪枝方法对Voronoi图进行简化,提取环境的骨架信息;并利用广度优先搜索算法删除无连接关系的边,实现拓扑地图的全连通并构建简洁的拓扑结构。具体步骤如下:
(1)将可行驶区域边界点映射到全局栅格地图中;
(2)建立机器人圆形感知范围的矩形包络框,向外扩张矩形框直到与矩形框交叉的Voronoi边上的顶点满足如下性质:顶点的最大空圆内的基点数量不少于3个,且均不为新增的可行驶区域边界点,以矩形框内所有可行驶边界点为基点生成传统Voronoi图;
(3)对生成区域内的可行驶边界点进行膨胀,删除处于占据空间的Voronoi边;
(4)以Voronoi边和顶点为基础构建局部无向图,删除长度较短且只有一个连接关系的无效边,保留环境的骨架信息,并使用局部无向图替换原有矩形框内的全局无向图;
(5)以机器人位置为起点,基于广度优先搜索算法无目标地遍历无向图直至开启列表为空,删除未曾放入开启列表和关闭列表的边。
本实施例的优选方案是,所述的可行驶区域边界点为环境中的静态障碍点和有效感知边界点,且所述可行驶区域边界点在全局栅格地图中存储时,仅按照栅格地图精度在同一栅格内仅保留一个点。本实施例可行驶区域边界点采用静态障碍点。
本实施例的优选方案是,所述顶点的最大空圆性质在指Voronoi顶点最大空圆的圆周上至少包含3个基点。通过查找距离顶点最近的基点,得到最大空圆圆周上的基点集合。
本实施例的优选方案是,所述删除的无效边的原则为:无效边长度小于机器人长度和长度阈值之和,且该边在无向图中只有一个连通关系。本实施例进行两次无效边删除,在首次删除无效边后,按照朝向角将朝向一致的短边拟合为长边,按照该规则进行第2次无效边剔除,达到简化无效短边的目的。
本实施例的优选方案是,所述建立的无向图基于广度优先搜索处理后为连通图,任意两个顶点间都存在一条路径。
本实例在需要构建拓扑地图的环境中收集无人平台的定位结果和感知结果,常与在线SLAM模块同时使用,平台的行驶方式可采用自主探索的方式,也可以采用人工驾驶的方式。无人平台的感知结果以激光雷达、毫米波雷达和深度相机的结果为佳,需要包含障碍物点的准确位置,需要标识出不必要在地图中出现的目标类型及其栅格点。拓扑地图构建可以随平台的运行增量式构建,并实时用于无人平台导航,也可以待平台运行结束后一次性构建整个区域的地图。
实施例
以复杂的仿真环境和真实小区环境为例的增量式拓扑地图构建实验
1.开启平台搭载的三维激光雷达(包括1个32线前激光雷达和1个16线后激光雷达)的数据接收程序,运行SLAM程序和感知程序,感知结果包含行人、骑行者和汽车的分类信息和速度信息,其余未分类信息按照障碍点的形式输出;
2.以人工或者自主探索的方式,完成预建立地图区域的全区域覆盖;
3.在平台行驶过程中,实时构建拓扑地图,建图频率为1Hz。接收到感知结果后,剔除其中的行人、骑行者和移动的汽车,按照本发明步骤构建拓扑地图;
本实施例针对基于度量栅格地图表示的环境内的拓扑地图构建拓扑地图,采用的是基于Voronoi图的剪枝方法;本实施例针对大环境环境内的增量式拓扑地图构建,现有的增量式构建Voronoi图的方法有随机增量法和基于动态Brushfire的方法,本实施例提出一种基于最大空圆性质的增量式方法。采用的具体方法如下:
(1)感知结果更新
详见附图1是环境感知障碍点更新的示意图,将输入的最近一帧感知结果叠加在历史地图中。大环境内障碍点数量庞大,通过文件存储的方式对障碍点进行分块存储。按照栅格索引值识别输入的障碍物点进行是否需要新增,同一栅格内的障碍点具有相同的索引值。如图1A中包含原有障碍点和最近一帧感知结果,根据栅格索引值判断需要新增的栅格点,而不需要新增障碍点的位置虽与历史障碍点的位置有细微差异,但仍处于同一栅格中,不改变历史栅格点的具体位置,得到图1B所示的叠加结果。叠加完成后,取感知范围内的所有点作为Voronoi图的基点。除此之外根据感知结果中对动态障碍物的标注,不将动态障碍物加入到基点集合中。
(2)Voronoi图生成区域识别
Voronoi图(Voronoi Diagram,VD)是对空间的最邻近点划分,传统的Voronoi图是对点集进行空间划分,又称为泰森多边形。其定义如下:设点集P={p1,p2,…,pN}为空间中N个点(基点)的集合,定义d(p,q)为空间中两个点p、q的欧式距离,C(pi)表示Voronoi图中对应于点pi的Voronoi单元,也称为Voronoi域,在每一个Voronoi单元中存在公式(1)中的性质,所有Voronoi单元构成Voronoi图Vor(P),集合P中的元素则被称为基点。由定义可得Voronoi单元中仅包含一个点pi,且Voronoi单元内任意点x到pi的距离均小于x到单元以外的任意点pk的距离,Voronoi单元的边EV上的任意点到达相邻单元中两点的距离相同,故EV为任意相邻两点的中垂线,故共享一条边的相邻点连接构成的三角形为Delaunay三角形,因此Voronoi图是Delaunay三角剖分的对偶图。
C(pi)={x|d(x,pi)<d(x,pk),pi,pk∈P,i≠k,i,k∈{1,2,…,n}} (1)
Voronoi图发生变化的本质为顶点发生变化,顶点的位置变化受到基点的影响。任意Voronoi顶点q存在如下性质:以q为圆心,构建内部不含任何障碍点的圆称为C(q),半径最大的Cmax(q)称为最大空圆,则当C(q)为最大空圆时,其圆周上至少存在3个障碍点,如图2A所示。根据当前位置加载附近范围的障碍点,并更新最近一帧的感知结果后,根据Cmax(q)可知,最近邻查找到的q点最近距离的3个点距离应当相等,在图2B所示的示意图中,若新增点处于部分顶点的最大空圆内,则该顶点在新Voronoi图中将发生改变,并可能产生新的顶点;
详见附图2是增量式构图时的Voronoi图生成区域识别示意图。扫描线法基于抛物线的几何性质(抛物线由到定点和定直线距离相等的点组成),通过不断移动固定直线,利用多个抛物线的交点生成Voronoi边。本发明受到这种思想的启发,基于扫描线的方式设计一种最小区域识别方法:识别新增障碍物点集PN后Voronoi图中会发生变化的最小区域RN。如图2B所示,在地图中获取感知范围内的所有障碍点集P=PN∪PH,其中PH为历史障碍点集。获取P中点在平面中的矩形包络框Rmin,通过对矩形包络框Rmin的四个边分别进行平移,在满足式(2)的条件时或当EL为空集时平移结束,其中x1和x2为矩形的顶点坐标,L(x1,x2)为两个顶点组成的线段,EL为与L(x1,x2)产生交集的历史Voronoi边集合,VN为边EL处于矩形区域RN内的顶点,PC为VN中顶点k的最大空圆Cmax(k)圆周上或空圆内的障碍点集,由K个基点Sk组成,为当其内任意障碍物点均属于历史障碍点时,顶点VGk不会发生改变。
在具体实现时利用k-d树查询最近邻的方式判断顶点的最大空圆:将基点集合P存入k-d树,为顶点k寻找最近距离的障碍点Sk及其距离dk,再次在k-d树中查找与顶点k距离为dk的所有障碍点集合PC,PC则为最大空圆上的障碍点集合,当集合PC中点数量大于等于3个且PC中各任意点通过索引值查询其均属于历史障碍点PH时,顶点k的位置不会受到新增障碍点的影响;
(3)Voronoi图剪枝方法
以障碍点集P作为基点,以欧式距离作为距离表示方式建立的Voronoi图表示为Vor(P),以EO={EO1,EO2,…,EOM}和VO={VO1,VO2,…,VON}表示图中的边和顶点的集合,其中,M、N为边和点的总数量,EOk=(VOi,VOj),i,j∈{1,2,…,M}。详见附图3是基于障碍点膨胀的剪枝方法示意图。本发明以膨胀构型空间C为基础对Vor(P)进行剪枝,其中图3A是根据障碍点生成的完整图,图3B为膨胀后的构型空间,图3C为剪枝后的Vor(P)。根据设定阈值对空间内的障碍点进行膨胀得到空闲空间Cfree和障碍空间Coccupied,其中C=Cfree∪Coccupied,其次在位形空间C内对Vor(P)中的各边进行碰撞检测,按照公式(3)进行无效边剪枝得到有效边集合EO’,以L(VOi,VOj)表示两个顶点间的线段,碰撞安全的条件为
(4)无向图构建
本发明以无向图G=(VG,EG)构建拓扑地图,存在首先对Vor(P)中各边的连通关系进行识别,由顶点VGi、VGj和顶点VGp、VGq构成的两边存在连通的关系的条件为式(4),即两边形成的线段存在共用的顶点VGi或VGj。
按照步骤(3)生成的剪枝结果Vor(P)中存在许多只有一个连通关系的短边,这类短边在拓扑地图中属于无效边。本发明设定式(5)所示规则对长度d(i,j)不大于平台长度dv,且与所有边的集合EG中有且仅有一个连接关系的边视为无效边并删除,即删除长度较短的叶子节点。式中Ep,q为顶点VGp和VGq构成的边,dbuffer为长度阈值。
(5)全局图更新
RN的目标是将全局Voronoi图以RN为边界分为两部分,矩形区域RN外的Voronoi边在本次感知数据更新后不发生变化。为达到该目的,需要将RN内所有顶点对应的最大空圆内的基点都包含在矩形区域内,因此继续扫描扩张得到区域Rmax,本发明同时设定距离阈值dB,附图4是全局Voronoi图更新示意图。以区域Rmax内的所有障碍点作为基点生成Voronoi图,将区域RN外的边删除,仅保留所有顶点在RN内的Voronoi边集合EN。删除全局Voronoi图中所有顶点在RN内的Voronoi边集合EO,将EN添加到全局Voronoi图中,建立为如图4C所示结果。建立拓扑关系后得到了增量式构建的全局拓扑地图;
(6)孤立边识别和剔除
局部无向图G按照连接关系被分为有限数量的分块图,选择机器人所在位置的分块为主体部分,剔除不能够与主体部分连通的边,与主体部分无连通关系的边在本发明中称为孤立边。本发明使用快速搜索算法完成孤立边的识别和剔除,算法的具体过程如下:首先在机器人附近选择最近的边Er,将边加入优先列表QP和开启列表QO中;其次在遍历图时无需考虑各边的长度,目标为快速遍历全图,不需要寻找最短和最优路径,选择广度优先的搜索算法进行目标搜索,直到优先列表QP中无数据存在时完成搜索;最后剔除未在开启列表中存在的边,并对开启列表中的多个边按照朝向夹角θ≤θmax合并为一条边,图5是基于广度优先搜索搜索和几何简化后的拓扑地图。其中的图5左图是经过膨胀剪枝的初步剪枝结果,图5右图是经过广度优先搜索和几何简化后的最终剪枝结果。
删除无法到达的边后得到简化后的Vor(P),且为具有拓扑关系的连通图,即任意边之间一定存在相连的路径,该图中不存在平行边。使用以上方法近似建立GVD的优势有两点:一是无需对障碍物进行聚类和多边形拟合,减少了拟合误差;二是减少障碍物拟合带来的计算资源消耗,降低了地图构建的复杂度。
4.行驶过程中任意时刻构建的拓扑地图均可用于当前平台的宏观规划,基于当前已有地图输出最短路径。区域探索完成后构建的拓扑地图不仅可用于其余平台再次进入该区域时候的宏观引导,也可用于加深人类操作员对环境的理解。
5.实验验证及数据分析
选择拓扑关系复杂的室内仿真环境(130m×100m)、室外森林仿真环境(150m×150m)真实小区环境(100m×100m)进行拓扑地图构建实验,在仿真环境内使用自主探索的方式、在真实小区内使用人工驾驶的方式完成预设区域的全覆盖。
在仿真环境内将本发明方法与其余方法进行对比,包括基于随机采样的方法(简称为前人方法1)和基于可视图的方法(简称为前人方法2),对构建地图的时效性和地图结果进行统计。图6为室内环境探索完成后的拓扑地图,并对其中两个典型的路口区域进行了放大,该结果表示本方法构建的拓扑地图能够获取到环境的骨架信息,视觉上更容易理解环境,与前人方法1和前人方法2相比,不存在过多的冗余边和节点,也不存在未表示到的环境区域。图7中的单帧建图耗时表示本方法在多数帧中耗时均为最短。图8为森林环境内的实验结果,森林环境与室内环境相比,拓扑关系更为复杂、不规则障碍物更多。
表1统计了各环境中3种方法单帧拓扑地图构建耗时的平均值,以及在所有环境内各方法的平均耗时。本方法受到障碍物数量的影响,在森林环境中的耗时高于室内环境。但在所有环境内的平均耗时与前人方法1相比降低26.8%,远低于前人方法2方法的平均耗时。
表1单帧建图平均耗时
表2拓扑地图总节点数量
表3拓扑地图总长度
表2和表3统计了所构建拓扑地图的总节点数量和总长度。在节点数量方面,森林环境内障碍物数量的增加形成了更为复杂拓扑关系和更多的拓扑边,因此各方法生成的拓扑节点数量更多,但本方法中形成的节点数量依旧低于其他方法。在地图总长度方面,本方法生成的地图总长度低于其余方法数个数量级。以上实验结果证明本方法的环境适应性和优异性,所生成的地图结构更加简洁和轻量。
基于无人地面平台增量式构建该真实小区内的拓扑地图,构建结果如图9所示(图9的右边是局部放大图)。拓扑地图总节点数量为147个,地图总长度为0.67km,在地图构建的过程中本发明根据感知结果的分类信息,对其中的行人、骑行者和移动的汽车予以剔除,不将这类目标放入Voronoi图生成时的基点,图9右侧为行驶过程中遇到的行人、骑行者和移动汽车,在对应的地图区域内不受到该类目标的影响。同时基于本发明构建的拓扑地图进行宏观规划实验,在地图区域范围内随机设置起点和终点,暂未考虑起点和终点的朝向信息,将起点和终点按照欧式距离映射到最近的拓扑边中。基于A*算法在拓扑图内搜索最短的拓扑连接关系,在约470次的随机实验中平均耗时为0.55ms,耗时曲线如图10所示。
上述参照实施例对一种基于剪枝Voronoi图的增量式拓扑地图构建方法的详细描述,是说明性的而不是限定性的,可按照所限定范围列举出若干个实施例,因此在不脱离本发明总体构思下的变化和修改,应属本发明的保护范围之内。
Claims (5)
1.一种基于剪枝Voronoi图的增量式拓扑地图构建方法,其特征是:将可行驶区域边界点映射到全局栅格地图中;利用Voronoi顶点的最大空圆性质,在全局栅格地图中选择最小生成区域,实现增量式拓扑地图构建;通过边界点膨胀和无效边筛选对拓扑图进行剪枝,以保留环境的骨架信息;最后基于广度优先搜索算法构建全连通拓扑地图,具体步骤如下:
(1)将可行驶区域边界点映射到全局栅格地图中;
(2)建立机器人圆形感知范围的矩形包络框,向外扩张矩形框直到与矩形框交叉的Voronoi边上的顶点满足如下性质:顶点的最大空圆内的基点数量不少于3个,且均不为新增的可行驶区域边界点,以矩形框内所有可行驶边界点为基点生成传统Voronoi图;
(3)对生成区域内的可行驶边界点进行膨胀,删除处于占据空间的Voronoi边;
(4)以Voronoi边和顶点为基础构建局部无向图,删除长度较短且只有一个连接关系的无效边,保留环境的骨架信息,并使用局部无向图替换原有矩形框内的全局无向图;
(5)以机器人位置为起点,基于广度优先搜索算法无目标地遍历无向图直至开启列表为空,删除未曾放入开启列表和关闭列表的边。
2.根据权利要求1所述的基于剪枝Voronoi图的增量式拓扑地图构建方法,其特征是:步骤(1)中所述可行驶区域边界点为环境中的静态障碍点和有效感知边界点,且所述可行驶区域边界点在全局栅格地图中存储时,按照栅格地图精度在同一栅格内仅保留一个点。
3.根据权利要求1所述的基于剪枝Voronoi图的增量式拓扑地图构建方法,其特征是:步骤(2)中所述顶点的最大空圆性质在指Voronoi顶点最大空圆的圆周上至少包含3个基点,通过查找距离顶点最近的基点,得到最大空圆圆周上的基点集合。
4.根据权利要求1所述的基于剪枝Voronoi图的增量式拓扑地图构建方法,其特征是:步骤(4)中所述删除的无效边的原则为:无效边长度小于机器人长度和长度阈值之和,且该边在局部无向图中只有一个连通关系。
5.根据权利要求1或4所述的基于剪枝Voronoi图的增量式拓扑地图构建方法,其特征是:步骤(4)中所述建立的局部无向图基于广度优先搜索算法处理后为连通图,任意两个顶点间都存在一条路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821057.2A CN115143980A (zh) | 2022-07-13 | 2022-07-13 | 基于剪枝Voronoi图的增量式拓扑地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821057.2A CN115143980A (zh) | 2022-07-13 | 2022-07-13 | 基于剪枝Voronoi图的增量式拓扑地图构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115143980A true CN115143980A (zh) | 2022-10-04 |
Family
ID=83411877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210821057.2A Pending CN115143980A (zh) | 2022-07-13 | 2022-07-13 | 基于剪枝Voronoi图的增量式拓扑地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115143980A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115420296A (zh) * | 2022-11-07 | 2022-12-02 | 山东大学 | 基于多分辨率拓扑地图的路径搜索方法及系统 |
-
2022
- 2022-07-13 CN CN202210821057.2A patent/CN115143980A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115420296A (zh) * | 2022-11-07 | 2022-12-02 | 山东大学 | 基于多分辨率拓扑地图的路径搜索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | Fast frontier-based information-driven autonomous exploration with an mav | |
Taneja et al. | Algorithms for automated generation of navigation models from building information models to support indoor map-matching | |
CN110823240B (zh) | 一种具有航向约束的跟随机器人路径规划方法及系统 | |
CN110220521B (zh) | 一种高精地图的生成方法和装置 | |
Ulbrich et al. | Graph-based context representation, environment modeling and information aggregation for automated driving | |
CN110021072B (zh) | 面向全息测绘的多平台点云智能处理方法 | |
Rueb et al. | Structuring free space as a hypergraph for roving robot path planning and navigation | |
Song et al. | Online coverage and inspection planning for 3D modeling | |
CN108334080A (zh) | 一种针对机器人导航的虚拟墙自动生成方法 | |
CN114547866B (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
Garrote et al. | 3D point cloud downsampling for 2D indoor scene modelling in mobile robotics | |
CN115143980A (zh) | 基于剪枝Voronoi图的增量式拓扑地图构建方法 | |
Wu et al. | A Non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning | |
Soni et al. | Multi-robot unknown area exploration using frontier trees | |
Liu et al. | A smart map representation for autonomous vehicle navigation | |
Han et al. | Research on UAV indoor path planning algorithm based on global subdivision grids | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
Si et al. | TOM-odometry: A generalized localization framework based on topological map and odometry | |
Hernandez et al. | A path planning algorithm for an AUV guided with homotopy classes | |
US20230099772A1 (en) | Lane search for self-driving vehicles | |
Hu et al. | A non-uniform quadtree map building method including dead-end semantics extraction | |
CN114510053A (zh) | 机器人规划路径校验方法、装置、存储介质及电子设备 | |
Czyzowicz et al. | Optimal exploration of terrains with obstacles | |
CN115238525B (zh) | 一种用于行人仿真客流组织的可行路径搜索方法 | |
Zhao et al. | Location technology of indoor robot based on laser sensor |
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 |