CN115619953A - 一种面向崎岖地形的移动机器人地形建图方法及系统 - Google Patents

一种面向崎岖地形的移动机器人地形建图方法及系统 Download PDF

Info

Publication number
CN115619953A
CN115619953A CN202211345654.9A CN202211345654A CN115619953A CN 115619953 A CN115619953 A CN 115619953A CN 202211345654 A CN202211345654 A CN 202211345654A CN 115619953 A CN115619953 A CN 115619953A
Authority
CN
China
Prior art keywords
terrain
map
image
dense
threshold
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
CN202211345654.9A
Other languages
English (en)
Inventor
王艳红
付应东
宋锐
王超群
孙如月
许明瑞
孔莹莹
张翔
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202211345654.9A priority Critical patent/CN115619953A/zh
Publication of CN115619953A publication Critical patent/CN115619953A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开的一种面向崎岖地形的移动机器人地形建图方法及系统，包括：获取机器人采集的地形的激光点云数据；根据激光点云数据，构建地形的高程地图；将地形的高程地图转换为二维图像，获得灰度图像；根据灰度图像和训练好的深度补全网络模型，获得稠密图像，其中，深度补全网络模型包括两个UNet‑like网络，将灰度图像输入第一个UNet‑like网络中，输出初步补全图像，将初步补全图像和灰度图像进行全连接后，输入第二个UNet‑like网络中，输出稠密图像；根据稠密图像获得稠密地图；根据稠密地图对地形的可通过性进行分析，获得可通过性地图。能够快速准确的获得地形的可通过性地图。

Description

一种面向崎岖地形的移动机器人地形建图方法及系统
技术领域
本发明涉及地形建图技术领域，尤其涉及一种面向崎岖地形的移动机器人地形建图方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在大多数室内场景中，移动机器人都配备了结构化环境的地图，该地图分为可通过和不可通过的单元格。包含障碍物或墙壁的单元格被标记为不可通过，而没有障碍物的单元格被标记为可通过。机器人无需考虑地形属性，只需准确识别障碍物即可。
但是，当移动机器人应用于户外场景中时，移动机器人必须穿越崎岖不平的自然地形，地形的几何和物理性质增加了机器人导航问题的复杂性，为了到达期望的目的地，机器人必须具有评估地形的能力，并确定与通行每个地形段相关的风险，必须快速准确的确定可通过区域和不可通过区域。
针对可通过性量化的方向，Papadakis将术语“可通过性”定义为：机器人以可接受的状态驻留在地形区域上的能力，通过考虑地形模型、机器人车辆模型、车辆的运动学约束和一组标准进行量化。为了进行可通过性分析，需要一个合适的地形表示模型。在机器人学中，最典型的地形表示法是建立在2D网格上的2.5D高程地图(EM)，每个网格单元中都存储着相应的高程，该方法的主要优点是结构简单，易于处理，但高程是离散的，不能描述高程的突然变化。在地形重建中，通常使用深度相机、激光雷达、毫米波雷达来获取地面高程。但深度相机等获取的深度范围有限，且容易受到光照的影响，不适用于大型户外场景。毫米波雷达的探测距离直接受到频带损耗的制约，不能对周围的所有障碍物进行精确建模。激光雷达能有效地解决上述问题，但其缺点是获得的点云稀疏。从稀疏的激光雷达数据中构建稠密的地图是一项艰巨的任务。
故发明人认为，现有的移动机器人应用于户外场景中时，不能及时准确的构建场景的地形图。
发明内容
本发明为了解决上述问题，提出了一种面向崎岖地形的移动机器人地形建图方法及系统，在通过激光点云数据构建地形的高程地图的基础上，还能够通过深度补全网络模型对高程地图进行补全获得稠密地图，进而准确获得地形的可通过性地图。
为实现上述目的，本发明采用如下技术方案：
第一方面，提出了一种面向崎岖地形的移动机器人地形建图方法，包括：
获取机器人采集的地形的激光点云数据；
根据激光点云数据，构建地形的高程地图；
将地形的高程地图转换为二维图像，获得灰度图像；
根据灰度图像和训练好的深度补全网络模型，获得稠密图像，其中，深度补全网络模型包括两个UNet-like网络，将灰度图像输入第一个UNet-like网络中，输出初步补全图像，将初步补全图像和灰度图像进行全连接后，输入第二个UNet-like网络中，输出稠密图像；
根据稠密图像获得稠密地图；
根据稠密地图对地形的可通过性进行分析，获得可通过性地图。
第二方面，提出了一种面向崎岖地形的移动机器人地形建图系统，包括：
数据获取模块，用于获取机器人采集的地形的激光点云数据；
高程地图构建模块，用于根据激光点云数据，构建地形的高程地图；
灰度图像获取模块，用于将地形的高程地图转换为二维图像，获得灰度图像；
稠密图像获取模块，用于根据灰度图像和训练好的深度补全网络模型，获得稠密图像，其中，深度补全网络模型包括两个UNet-like网络，将灰度图像输入第一个UNet-like网络中，输出初步补全图像，将初步补全图像和灰度图像进行全连接后，输入第二个UNet-like网络中，输出稠密图像；
稠密地图获取模块，用于根据稠密图像获得稠密地图；
可通过性地图获取模块，用于根据稠密地图对地形的可通过性进行分析，获得可通过性地图。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种面向崎岖地形的移动机器人地形建图方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种面向崎岖地形的移动机器人地形建图方法所述的步骤。
与现有技术相比，本发明的有益效果为：
1、本发明在通过激光点云数据构建地形的高程地图的基础上，还能够通过深度补全网络模型对高程地图进行补全获得稠密地图，该稠密地图拥有更多的地形特征，有效地利用了全局深度信息，提高了地形描述的准确性，通过稠密地图确定地形的可通过性能时，提高了可通过性性能判断的准确性，进而提高了构建的可通过性地图的准确性。
2、本发明通过获取稠密地图的地形特征，确定地形的可通过性，其中，获得的地形特征包括台阶高度、地面坡度、地面粗糙度和植被密度，且根据各地形特征对可通过性的影响程度，对特征的计算等级进行了划分，只有当通过上一级的特征判断地形能通过时，才会对下一级特征进行计算，提高了可通过性判断的效率，且只有当所有特征均计算完毕，并判定地形可通过时，才会最终判定地形为可通过性，提高了判断的准确率，并降低了计算成本。
本发明附加方面的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
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为实施例1公开方法的框架图；
图2为实施例1中的机器人平台示意图；
图3为实施例1中的2.5D EM图解；
图4为实施例1公开的深度补全网络的架构图；
图5为实施例1中的深度补全网络与其余网络的对比测试图；
图6为实施例1的地形建图结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
在该实施例中，一种面向崎岖地形的移动机器人地形建图方法，如图1所示，包括：
S1：获取机器人采集的地形的激光点云数据。
本实施例使用的机器人是履带式机器人，如图2所示。机器人配备了VelodyneVLP-16，用于收集机器人周围环境的点云信息。
移动机器人顶部装有3D激光雷达，从激光束端点获取的地形测量数据，即为地形的激光点云数据，表示为
Figure BDA0003918266760000061
其中，xi,yi,zi为点云位置信息，i表示点云中的第i个数据，N表示激光束端点采样的N个数据。
在具体实施时，获取的激光点云数据为本次、本次之前的k次扫描和本次之后的k次扫描获得的激光点云数据，通过多次获取激光点云数据，使得获取的地形信息更全面。
S2：根据激光点云数据，构建地形的高程地图。
地形的高程地图基于网格构建，将激光点云数据转移到地图坐标系中，获得每个激光点在地图坐标系中的坐标，将该坐标放置于相应的网格中，获得地形的高程地图(EM)。
由于移动机器人的行走轨迹是离散点，基于网格的地图非常适合地形建模。图3说明了创建基于网格的EM的过程。EM中的每个网格可以定义为Gj＝{x,y,z}，其中x，y是地图坐标系中网格中心的坐标，z是网格的高程，将网格的分辨率设置为5cm×5cm。
假设从激光雷达坐标系到地图坐标系的转换矩阵为T，可以利用式(1)将激光点云数据转移到地图坐标系中，获得每个激光点在地图坐标系中的坐标和每个激光点的高程Ei。
Figure BDA0003918266760000071
其中，
Figure BDA0003918266760000072
是激光点p在地图坐标系中的表示。
取样本P，对于每个网格Gj，其高程表示为：
Ej＝max{Ei|Ei＝Zi,Pi＝(Xi,Yi,Zi)∈Gj} (2)
进而获得地形的高程地图ms。
将S1获取的当前扫描、之前的k次扫描和之后的k次扫描的激光点云数据进行聚合，根据聚合后数据，使用步长s来构建地形的高程地图。
k和s的值可以根据机器人的速度和激光雷达的特性进行调整。
S3：将地形的高程地图转换为二维图像，获得灰度图像。
将高程地图ms从网格形式转换为二维图像形式时，将网格的高程值被编码为灰度值，而空网格的灰度值被设置为0，从而获得单通道灰度图像，灰度图像的灰度代表了相应网格的高程值，灰度图像的深度包含激光雷达传感器距离物体的实际距离信息。
S4：根据灰度图像和训练好的深度补全网络模型，获得稠密图像，其中，深度补全网络模型，如图4所示，包括两个UNet-like网络，将灰度图像输入第一个UNet-like网络中，输出初步补全图像，将初步补全图像和灰度图像进行全连接后，输入第二个UNet-like网络中，输出稠密图像。
本实施例利用一个UNet-like网络来预测灰度图像的缺失部分。灰度图像作为该UNet-like网络的输入，得到初步补全图像(Output1)。图像中缺失的部分会被补全，但未缺失部分的灰度值也会改变。因此，将Output1和灰度图像进行全连接，利用输入灰度图像来校正Output1中改变的灰度值，获得校正后图像(Input2)。之后，将校正后图像(Input2)作为下一个UNet-like网络的输入，输出稠密图像(Output2)。该网络与前一个网络具有相同的结构，并且共享权重。Output2是最终完成的图像。
以往的研究都是针对RGB图像的，通过创建一些掩模图像并将其与图像数据集叠加来获得缺失区域。由于激光雷达未扫描区域的形状是可变的和离散的，很难获得相应的掩模，以前的掩模方法不适用于本实施例中的问题。因此，本实施例在Stevens数据集上构造了一个新的数据集来训练DCN。
对每个激光雷达扫描，生成一个稀疏高程地图(EM)，为了减少重复点的计算，每5次扫描存储一次，并在本次扫描前后访问3次，剔除重复的扫描数据，获取本次扫描、本次之前的三次扫描和之后的三次扫描获取的激光点云数据，并形成高程地图(EM)。将高程地图(EM)作为输入数据，在高程地图(EM)中找到对应的机器人位置，以当前扫描机器人位置为中心截取128×128的区域，并将其转换为灰度图像，作为输入数据的标签。在该实施例中，按照该种方法总共制作了3480组图像，其中3100张用于训练，380张用于测试，对构建的深度补全网络模型进行训练，获得训练好的深度补全网络模型。
本实施例在创建的数据集上对贝叶斯广义核(BGK)和DCN进行了测试，结果如图5所示。图像中像素的灰阶值是从高程值转换而来的。图像越白，高程值越大，图像越暗，高程值越小。图5(a)是需要完成的灰度图像，它是输入。图5(b)和图5(c)分别显示了使用贝叶斯广义核(BGK)和DCN对输入图像的补全结果。图5(d)是相对于输入的真实地面。可以看出，在高程变化较大的地方，BGK不能很好地预测深度，而DCN可以得到更好的结果。
根据平均补全时间(Run-time)和均方根误差(RMSE)来评估高程补全的结果。对比结果如表1所示。可以看出，本实施例提出的DCN大大减少了运行时间，进一步提高了补全精度。
表1 不同深度补全方法的结果
Figure BDA0003918266760000091
S5：根据稠密图像获得稠密地图。
S4获取的稠密图像为灰度图像，根据灰度图像的灰度值获得相应网格的高程值，将高程值放置于地图的相应网格中，获得稠密地图md。
S6：根据稠密地图对地形的可通过性进行分析，获得可通过性地图。
基于稠密地图md计算每个网格的地形特征，然后根据地形特征对地形的可通过性进行分类，得到可通过性地图mt。
把可通过作为一个二进制分类项，即地形可以是可通过的，也可以是不可通过的。可通过性地图mt描述了机器人的在本地的可通过性。对于每个网格，通过计算四个地形特征，对其通过性进行分类。
四个地形特征包括台阶高度h、地面坡度s、地面粗糙度r和植被密度ν。
具体的地形特征的计算：
对于每个网格Gj＝{x,y,z}，定义其邻域Ω为：以网格Gj的中心点(x,y)为中心，以机器人的平均步长d为半径的圆。
(1)台阶高度：台阶高度h的定义为网格G与其邻域Ω中的其他网格之间的最大高程差。
Figure BDA0003918266760000101
其中，Gz和
Figure BDA0003918266760000102
分别是网格G和Gj的高程。
当获取的台阶高度h大于台阶高度阈值hc时，判定该地形不可通过。
(2)地面坡度：基于高程地图的坡度是根据局部的高程值计算的。对于每个网格，将其邻域Ω中所有网格的中心点(x,y,z)拟合到一个平面。地面坡度s是平面法向量n与地图坐标系的z轴之间的夹角，Z＝(0,0,1)。
Figure BDA0003918266760000103
使用主成分分析(PCA)计算由网格单元拟合的平面的法向量。基于当前网格及其邻域Ω中的所有网格构建协方差矩阵C。通过对C进行特征值分解，得到拟合面的法向量。协方差矩阵C的计算如下：
Figure BDA0003918266760000111
Figure BDA0003918266760000112
其中，m是网格G的邻域Ω中的网格个数。Gj＝{xj,yj,zj}是邻域Ω中所有格网的三维坐标及其平均值。λ1，λ2，λ3是矩阵C的特征值，λ1≤λ2≤λ3，α1，α2，α3是λ1，λ2，λ3对应的特征向量。根据主成分分析(PCA)，将α1对应的特征向量λ1作为网格G处的法向量n。
当获取的地面坡度s大于地面坡度阈值sc时，判定该地形不可通过。
(3)地面粗糙度：在网格的圆形邻域Ω内，将所有网格的中心点拟合到曲面Q。地面粗糙度r是通过投影平面P与曲面Q的面积比来计算的。
Figure BDA0003918266760000113
其中，SQ和SP分别是曲面Q和投影面P的表面积。r值越小，地形曲面越粗糙。当r＝1时，它是一个平面。
当获取的地面粗糙度r大于地面粗糙度阈值rc时，判定该地形不可通过。
(4)植被密度：在野外环境中，机器人经常会遇到植被覆盖的区域。如果直接确定为不可通过植被类型，则机器人需要绕过整个区域。如果机器人直接通过植被区域，它的履带可能会被卡住。
因此，定义了植被密度来衡量机器人前面的植被区域是否可以通过。激光雷达通过植被的距离概率可以用指数分布来建模：
p(γ)＝νde-νrdU(γ) (8)
其中，ν是以m2为单位的植被密度，γ是激光雷达的测量范围，U(γ)是Heaviside阶跃函数，d是平均树干直径。
当获取的植被密度ν大于植被密度阈值νc时，判定该地形不可通过。
植被密度阈值νc为使机器人无法移动的临界相对植被密度，通过计算从网格返回的扫描次数Nγ与该网格的总扫描次数Nt，将其与单个网格的可通过性相关联：
Figure BDA0003918266760000121
其中，dc和νc分别是使机器人无法移动的临界植物茎直径和临界相对植被密度。l是机器人底盘到地面的高度。
其中，台阶高度阈值、地面坡度阈值、地面粗糙度阈值和植被密度阈值，均根据机器人的属性参数确定。
当四个地形特征中的一个特征判断地形不可通过时，即可判断该地形不可通过，且当四个地形特征均判定地形可通过时，才最终判定地形可通过。
当采用对单个地形特征进行加权，并归一化为最终的可通过性的方法判断地形的可通过性时，计算成本较高。
在本实施例中，为了降低地形通过性判断时的计算成本，根据地形特征对可通过性的影响程度对地形特征进行排序，形成不同的计算等级，只有当通过上一级的特征判断地形能通过时，才会对下一级特征进行计算，提高了可通过性判断的效率，且只有当所有特征均计算完毕，并判定地形可通过时，才会最终判定地形为可通过性，提高了判断的准确率，并降低了计算成本。根据地形特征对可通过性的影响程度对其进行排序，结果如表2所示。
表2 地形特征排序表
Figure BDA0003918266760000131
判定地形可通过性的过程为：
S61：根据稠密地图，计算台阶高度，当台阶高度大于台阶高度阈值时，转S65，当台阶高度小于等于台阶高度阈值时，判定地形可通过；转S62；
S62：根据稠密地图，计算地面坡度，当地面坡度大于地面坡度阈值时，转S65，当地面坡度小于等于地面坡度阈值时，判定地形可通过；转S63；
S63：根据稠密地图，计算地面粗糙度，当地面粗糙度大于地面粗糙度阈值时，转S65，当地面粗糙度小于等于地面粗糙度阈值时，判定地形可通过；转S64；
S64：计算植被密度，当植被密度大于植被密度阈值时，转S65，当植被密度小于等于植被密度阈值时，判定地形可通过；转S66；
S65：判定地形不通过；
S66：输出地形为可通过的判定结果。
假设四种地形特征的临界值分别为hc、sc、rc和vc，作为机器人不能通过的阈值。可通过性分类的算法伪代码如算法1所示。
Figure BDA0003918266760000141
Figure BDA0003918266760000151
在一个非结构化的野外环境中评估本实施例公开的地形建图框架。手动控制一个配备了VLP-16激光雷达的履带式机器人，以0.5米/秒的速度通过一条两侧有灌木丛,长度为30米，长满杂草且有一个水坑的小路。图6的左右两侧分别显示了机器人上的摄像头捕捉到的实验区的部分RGB图像。分别使用BGK和DCN在线构建实验区可通过性图，结果如图6(a)和图6(b)所示。可以看出，DCN对可通过路径的分类更加准确，而BGK由于杂草和水坑的原因对可通过路径进行了错误的分类。
在植被覆盖的区域，与BGK的分类结果不同，DCN没有将它们都归类为不可通过。本实施例考虑了机器人是否能穿过这些植被。通过加入植被密度的特征来估计可通过性，更适用于野外植被丰富的环境，对影响可通过性的地形特征的计算更可靠，高程评估更准确。
本实施例还在判断地形的可通过性时，将地形特征与机器人属性进行了关联，不同的机器人平台具有不同的越野性能，因此以往的地形建图方法只适用于特定的机器人。本实施例考虑将几个影响机器人可通过性的地形特征与机器人身体的属性相关联。通过改变输入的机器人相关参数，可以实现不同机器人的地形建图。表3列出了本实施例定义的四种地形特征及其相关的机器人属性。
表3 地形建图中的地形特征和机器人属性表
Figure BDA0003918266760000161
本实施例公开的方法提出了一种新的深度补全网络模型，能够获取高程地图形成的灰度图像进行补全，进而获得稠密地图，有效地利用了全局深度信息，使稠密地图拥有更多的地形特征，提高了地形描述的准确性，通过稠密地图确定地形的可通过性能时，提高了可通过性能判断的准确性，进而提高了可通过性地图的准确性。
此外，本实施例通过获取稠密地图的地形特征，确定地形的可通过性时，根据各地形特征对可通过性的影响程度，对特征的计算等级进行了划分，只有当通过上一级的特征判断地形能通过时，才会对下一级特征进行计算，提高了可通过性判断的效率，且只有当所有特征均计算完毕，并判定地形可通过时，才会最终判定地形为可通过性，提高了判断的准确率，并降低了计算成本。
本实施例在判定地形的可通过性时，还将机器人属性与各地形特征的设定阈值相关联，可以适用于不同的机器人平台，提高了方法的适应性。
实施例2
在该实施例中，公开了一种面向崎岖地形的移动机器人地形建图系统，包括：
数据获取模块，用于获取机器人采集的地形的激光点云数据；
高程地图构建模块，用于根据激光点云数据，构建地形的高程地图；
灰度图像获取模块，用于将地形的高程地图转换为二维图像，获得灰度图像；
稠密图像获取模块，用于根据灰度图像和训练好的深度补全网络模型，获得稠密图像，其中，深度补全网络模型包括两个UNet-like网络，将灰度图像输入第一个UNet-like网络中，输出初步补全图像，将初步补全图像和灰度图像进行全连接后，输入第二个UNet-like网络中，输出稠密图像；
稠密地图获取模块，用于根据稠密图像获得稠密地图；
可通过性地图获取模块，用于根据稠密地图对地形的可通过性进行分析，获得可通过性地图。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种面向崎岖地形的移动机器人地形建图方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种面向崎岖地形的移动机器人地形建图方法所述的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种面向崎岖地形的移动机器人地形建图方法，其特征在于，包括：
获取机器人采集的地形的激光点云数据；
根据激光点云数据，构建地形的高程地图；
将地形的高程地图转换为二维图像，获得灰度图像；
根据灰度图像和训练好的深度补全网络模型，获得稠密图像，其中，深度补全网络模型包括两个UNet-like网络，将灰度图像输入第一个UNet-like网络中，输出初步补全图像，将初步补全图像和灰度图像进行全连接后，输入第二个UNet-like网络中，输出稠密图像；
根据稠密图像获得稠密地图；
根据稠密地图对地形的可通过性进行分析，获得可通过性地图。
2.如权利要求1所述的一种面向崎岖地形的移动机器人地形建图方法，其特征在于，地形的高程地图基于网格构建，将激光点云数据转移到地图坐标系中，获得每个激光点在地图坐标系中的坐标，将该坐标放置于相应的网格中，获得地形的高程地图。
3.如权利要求1所述的一种面向崎岖地形的移动机器人地形建图方法，其特征在于，将高程地图的高程值编码为灰度值，获得灰度图像。
4.如权利要求1所述的一种面向崎岖地形的移动机器人地形建图方法，其特征在于，获取稠密地图的地形特征，并根据地形特征，对地形的可通过性进行分类，地形特征包括台阶高度、地面坡度、地面粗糙度和植被密度。
5.如权利要求4所述的一种面向崎岖地形的移动机器人地形建图方法，其特征在于，当四个地形特征中的一个特征判断地形不可通过时，即可判断该地形不可通过，且当四个地形特征均判定地形可通过时，才最终判定地形可通过。
6.如权利要求4所述的一种面向崎岖地形的移动机器人地形建图方法，其特征在于，判定地形可通过性的过程为：
S61：根据稠密地图，计算台阶高度，当台阶高度大于台阶高度阈值时，转S65，当台阶高度小于等于台阶高度阈值时，判定地形可通过；转S62；
S62：根据稠密地图，计算地面坡度，当地面坡度大于地面坡度阈值时，转S65，当地面坡度小于等于地面坡度阈值时，判定地形可通过；转S63；
S63：根据稠密地图，计算地面粗糙度，当地面粗糙度大于地面粗糙度阈值时，转S65，当地面粗糙度小于等于地面粗糙度阈值时，判定地形可通过；转S64；
S64：计算植被密度，当植被密度大于植被密度阈值时，转S65，当植被密度小于等于植被密度阈值时，判定地形可通过；转S66；
S65：判定地形不通过；
S66：输出地形为可通过的判定结果。
7.如权利要求6所述的一种面向崎岖地形的移动机器人地形建图方法，其特征在于，台阶高度阈值、地面坡度阈值、地面粗糙度阈值和植被密度阈值，均根据机器人的属性参数确定。
8.一种面向崎岖地形的移动机器人地形建图系统，包括：
数据获取模块，用于获取机器人采集的地形的激光点云数据；
高程地图构建模块，用于根据激光点云数据，构建地形的高程地图；
灰度图像获取模块，用于将地形的高程地图转换为二维图像，获得灰度图像；
稠密图像获取模块，用于根据灰度图像和训练好的深度补全网络模型，获得稠密图像，其中，深度补全网络模型包括两个UNet-like网络，将灰度图像输入第一个UNet-like网络中，输出初步补全图像，将初步补全图像和灰度图像进行全连接后，输入第二个UNet-like网络中，输出稠密图像；
稠密地图获取模块，用于根据稠密图像获得稠密地图；
可通过性地图获取模块，用于根据稠密地图对地形的可通过性进行分析，获得可通过性地图。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的一种方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的一种方法的步骤。
CN202211345654.9A 2022-10-31 2022-10-31 一种面向崎岖地形的移动机器人地形建图方法及系统 Pending CN115619953A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211345654.9A CN115619953A (zh) 2022-10-31 2022-10-31 一种面向崎岖地形的移动机器人地形建图方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211345654.9A CN115619953A (zh) 2022-10-31 2022-10-31 一种面向崎岖地形的移动机器人地形建图方法及系统

Publications (1)

Publication Number Publication Date
CN115619953A true CN115619953A (zh) 2023-01-17

Family

ID=84877325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211345654.9A Pending CN115619953A (zh) 2022-10-31 2022-10-31 一种面向崎岖地形的移动机器人地形建图方法及系统

Country Status (1)

Country Link
CN (1) CN115619953A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116147642A (zh) * 2023-04-12 2023-05-23 中国科学技术大学 融合地形与力的四足机器人可达性地图构建方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116147642A (zh) * 2023-04-12 2023-05-23 中国科学技术大学 融合地形与力的四足机器人可达性地图构建方法及系统
CN116147642B (zh) * 2023-04-12 2023-08-29 中国科学技术大学 融合地形与力的四足机器人可达性地图构建方法及系统

Similar Documents

Publication Publication Date Title
CN108256577B (zh) 一种基于多线激光雷达的障碍物聚类方法
CN109932730B (zh) 基于多尺度单极三维检测网络的激光雷达目标检测方法
US7995055B1 (en) Classifying objects in a scene
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN111091105A (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN110866887A (zh) 一种基于多传感器的目标态势融合感知方法和系统
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN113240688A (zh) 一种一体化洪涝灾害精准监测预警方法
CN113486764B (zh) 一种基于改进的YOLOv3的坑洼检测方法
KR20200091331A (ko) 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
CN114092697B (zh) 注意力融合全局和局部深度特征的建筑立面语义分割方法
CN113420819B (zh) 一种基于CenterNet的轻量级水下目标检测方法
CN114120115B (zh) 一种融合点特征和网格特征的点云目标检测方法
CN110986956A (zh) 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
CN111027627A (zh) 一种基于多层感知机的振动信息地形分类识别方法
CN116778146A (zh) 基于多模态数据的道路信息提取方法及装置
CN114659530A (zh) 用于智能机器人路径规划的网格模型地图构建方法
WO2011085435A1 (en) Classification process for an extracted object or terrain feature
CN111709988A (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
CN114397894B (zh) 一种模仿人类记忆的移动机器人目标搜索方法
CN115619953A (zh) 一种面向崎岖地形的移动机器人地形建图方法及系统
CN113379738A (zh) 一种基于图像的疫木检测与定位方法及系统
CN116051758A (zh) 一种用于室外机器人的含有高度信息的地貌地图构建方法
CN116129234A (zh) 一种基于注意力的4d毫米波雷达与视觉的融合方法
CN117745788A (zh) 一种用于电力线杆塔的点云数据简化方法及系统

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