CN116972831A - 一种基于显著特征的动态场景移动机器人定位方法及系统 - Google Patents

Abstract

本发明属于即时定位与地图构建技术领域，提供了一种基于显著特征的动态场景移动机器人定位方法及系统，首先，将动态场景分为多个固定区域和多个非固定区域并进行显著特征标记和权重赋予，赋予固定区域的权重高于赋予非固定区域的权重；然后，根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予权重进行加权调整；最后，根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位；通过标记动态场景下的显著特征来增加定位算法对变化场景中固定区域的置信度，降低对变化区域的置信度，从而加大固定特征对定位的贡献，减少非固定特征对定位的干扰，以达到提高定位稳定性的目的。

Description

一种基于显著特征的动态场景移动机器人定位方法及系统

技术领域

本发明属于即时定位与地图构建技术领域，尤其涉及一种基于显著特征的动态场景移动机器人定位方法及系统。

背景技术

目前的移动机器人定位技术大多都是基于预先建好的地图进行定位。然而，移动机器人的工作环境是动态变化的，比如工厂或商场环境随着时间的推移，设备、货架或临时摊位等位置会发生变化，这些变化都会大幅度改变现有的移动机器人工作环境，使得机器人无法稳定执行任务。

发明人发现，由于预构建的地图是静态的，无法实时更新，这导致移动机器人无法准确感知并适应环境的变化，从而影响了其定位能力。有些算法具有地图更新的能力，但是地图更新往往需要一个长期迭代的过程无法应对即时的变化；还有一些算法尝试增加传感器或其他环境特征进而获取更多信息来应对环境变化，如增加视觉传感器或在环境中加入反光柱、二维码等，但这也会带来计算复杂度以及部署成本的提升，并且，由于视觉对光线条件的依赖或者某些场景不允许使用反光柱或二维码，这都会限制机器人在某些场景下的应用。

发明内容

本发明为了解决上述问题，提出了一种基于显著特征的动态场景移动机器人定位方法及系统，本发明通过标记动态场景下的显著特征来增加定位算法对变化场景中固定区域的置信度，降低对变化区域的置信度，从而加大固定特征对定位的贡献，减少非固定特征对定位的干扰，以达到提高定位稳定性的目的。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本发明提供了一种基于显著特征的动态场景移动机器人定位方法，包括：

将动态场景分为多个固定区域和多个非固定区域，对固定区域和非固定区域进行显著特征标记；对固定区域和非固定区域赋予权重，赋予固定区域的权重高于赋予非固定区域的权重；

根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予权重进行加权调整；

根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位。

进一步的，所述固定区域包括墙角和柱子，所述非固定区域包括仓库的临时货区和商场的临时摊位。

进一步的，在概率栅格地图中，权重根据概率值与栅格到障碍物的距离进行调整。

进一步的，显著特征包括区域的形状、位置和权重。

进一步的，形状包括多边形、矩形和圆形；多边形的位置为依次连接各顶点的顶点坐标，矩形的位置为两个对角的顶点坐标，圆形的位置为圆心坐标和半径。

进一步的，似然域地图被建模为高斯分布；观测越靠近栅格中障碍物，获得的似然值越高；观测越远离栅格中障碍物，获得的似然值越低。

进一步的，将移动机器人获得的激光扫描帧中每个激光点当前的位姿映射到似然域地图中；当激光点映射到非固定区域对应的权重区域时获得的似然值，低于映射到固定区域对应的权重区域时获得的似然值；将获得的所有似然值相加得到总似然值；将总似然值中最高的位姿作为最优位姿，而完成机器人的一次定位。

第二方面，本发明还提供了一种基于显著特征的动态场景移动机器人定位系统，包括：

标记模块，被配置为：将动态场景分为多个固定区域和多个非固定区域，对固定区域和非固定区域进行显著特征标记；对固定区域和非固定区域赋予权重，赋予固定区域的权重高于赋予非固定区域的权重；

似然域地图建立模块，被配置为：根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予权重进行加权调整；

定位模块，被配置为：根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位。

第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于显著特征的动态场景移动机器人定位方法的步骤。

第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于显著特征的动态场景移动机器人定位方法的步骤。

与现有技术相比，本发明的有益效果为：

本发明中首先，将动态场景分为多个固定区域和多个非固定区域，对固定区域和非固定区域进行显著特征标记；对固定区域和非固定区域赋予权重，赋予固定区域的权重高于赋予非固定区域的权重；然后，根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予的权重进行加权调整；最后，根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位；通过标记动态场景下的显著特征来增加定位算法对变化场景中固定区域的置信度，降低对变化区域的置信度，从而加大固定特征对定位的贡献，减少非固定特征对定位的干扰，以达到提高定位稳定性的目的；本发明中的方法无需增加额外的传感器，也不需要对现有场景重新部署，不会增加额外的设备及部署成本，可以即时的对动态场景进行标记使用。

附图说明

构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。

图1为本发明实施例1的流程图；

图2为本发明实施例1的显著特征标记示意图；

图3为本发明实施例1的原始栅格地图；

图4为本发明实施例1的普通似然域地图；

图5为本发明实施例1的附加权重信息的似然域地图。

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，以下详细说明都是示例性的，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。

即时定位与地图构建（Simultaneous Localization and Mapping，SLAM）：是指"同时定位与地图构建"（Simultaneous Localization and Mapping）技术，是一种用于在未知环境中实时定位机器人、无人机、自动驾驶车辆或其他移动设备的位置，并在移动过程中构建环境地图的技术。

动态场景：是指环境中存在变化的场景，在这种场景中，物体、人或其他元素可能在时间上或空间上发生运动、变化或交互。

显著特征：是指在一个场景或环境中具有明显区别和重要性的特征或元素，这些特征通常在感知和理解环境时起着重要的作用，它们能够提供有关环境结构、定位、导航或分类的重要信息。

实施例1：

目前，有些算法具有地图更新的能力，但是地图更新往往需要一个长期迭代的过程无法应对即时的变化；还有一些算法尝试增加传感器或其他环境特征进而获取更多信息来应对环境变化，如增加视觉传感器或在环境中加入反光柱、二维码等，但这也会带来计算复杂度以及部署成本的提升，并且，由于视觉对光线条件的依赖或者某些场景不允许使用反光柱或二维码，这都会限制机器人在某些场景下的应用。总体来说，现有的移动机器人即时定位与地图构建（Simultaneous Localization and Mapping，SLAM）技术需要进一步改进和创新，以解决动态环境下的定位问题。

针对上述问题，本实施例提供了一种基于显著特征的动态场景移动机器人定位方法，首先，将动态场景分为多个固定区域和多个非固定区域，对固定区域和非固定区域进行显著特征标记；对固定区域和非固定区域赋予权重，赋予固定区域的权重高于赋予非固定区域的权重；然后，根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予权重进行加权调整；最后，根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位；通过标记动态场景下的显著特征来增加定位算法对变化场景中固定区域的置信度，降低对变化区域的置信度，从而加大固定特征对定位的贡献，减少非固定特征对定位的干扰，以达到提高定位稳定性的目的；本实施例中的方法无需增加额外的传感器，也不需要对现有场景重新部署，不会增加额外的设备及部署成本，可以即时的对动态场景进行标记使用。

移动机器人的定位过程，实际就是使用特定的传感器感知场景中的环境信息，通过与预构建地图中的同类信息进行匹配，从而推算出机器人在预构建地图中的准确位姿的过程。预构建地图中的信息往往包括激光传感器的点云信息、视觉传感器的特征点信息或语义信息、WIFI或蓝牙信号的指纹信息以及其他传感器的Landmark信息等。当移动机器人运行的环境发生变化时，以上各类信息也会部分的随环境发生变化，这些变化对于机器人来说是难以判定的，或着判定这些变化是否真实发生往往需要一个过程。因此，可以通过人工干预的方式找出上述场景中不易发生变化的稳定区域以及容易发生变化的非稳定区域，并对上述两种区域进行人工标记，通过改变权重的方式改变这两种区域对定位过程的影响。

本实施例中，以激光传感器为例，移动机器人定位时将当前帧激光点云和预构建的地图做匹配，通过扫描匹配及优化计算出一个较准确的位姿。当货品或设备等发生位置变化后，机器人的激光扫描数据将与预构建的地图出现不一致的情况。这种情况下当前帧激光点云在与地图做匹配时很容易受变化区域点云的影响，从而计算出一个不准确的位姿，导致机器人的定位出现漂移或丢失。针对上述情况，本实施例中标记存于环境中的某些显著且固定不动的特征，如墙角、柱子等固定的设备等，并对其赋予较高权重，同时标记环境中经常发生变化的区域，如仓库的临时货区和商场的临时摊位等区域，并对其赋予较低权重。权重的具体数值根据实际情况进行调整，如使用概率栅格地图的激光SLAM中，概率值与栅格到障碍物的距离有关，激光点距离栅格中的障碍物越近概率值越高，反之则越低。因此固定特征区域通常设置权重范围为(0，1)，变化特征区域通常设置权重范围为(1，10)，需要说明的是，权重范围为(0，1)时，对应概率值较大而栅格到障碍物的距离较小，权重范围为(1，10)时，对应概率值较小而栅格到障碍物的距离较大，此处权重的大小与权重赋值大小的趋势相反。对于其他传感器类型，权重大小根据环境特征对实际定位算法的影响进行调整。

本实施例的具体实施过程如下：

S1、显著特征标记的定义：

本实施例中，可选的，每条显著特征的标记信息主要包括三个属性，即标记区域的形状、标记区域位置以及该区域的权重。其中标记区域的形状类型主要有多边形、矩形和圆形。不同形状的标记区域位置信息使用不同的坐标表示方法，多边形为依次连接各顶点的顶点坐标，矩形为两个对角的顶点坐标，圆形为圆心坐标和半径。标记区域的权重是一个大于0的数值，根据实际情况设置，固定区域通常设置为0-1，变化区域通常设置为1-10，如图1所示。一个预构建的地图中可以包含多条显著特征标记信息，使用关键字MarkedAreas表示，记录方式如下：

"MarkedAreas"：[{"box_type"："polygon"，"weight"：0.2，"bounding_box"：[{"x"：8.1，"y"：10.9}，{"x"：11.7，"y"：13.1}，{"x"：15.0，"y"：8.3}，{"x"：13.5，"y"：7.2}，{"x"：11.4，"y"：10.3}，{"x"：9.5，"y"：9.2}]}，{"box_type"："rectangle"，"weight"：0.6，"bounding_box"：[{"x"：6.6，"y"：-11.5}，{"x"：9.6，"y"：-12.5}]}，{"box_type"："circle"，"weight"：5，"bounding_box"：[{"x"：-34.2，"y"：9.3，"r"：1.2}]}]

其中，box_type为形状；bounding_box为标记区域位置；weight为对应区域的权重；polygon为多边形；rectangle为矩形；circle为圆形；x和y为坐标值。

S2、构建带有显著特征权重标记的地图：

本实施例中，可选的，构建带有显著特征权重标记的地图，首先，需要加载原始栅格地图及步骤S1中的显著特征标记信息；然后，在生成似然域地图的过程中根据显著特征的标记信息调整标记区域的似然值，该值按照标记信息中的权重进行加权调整。似然域地图通常被建模为高斯分布，当观测越靠近栅格中障碍物越能获得较高的似然值，而远离栅格中障碍物的观测则获得较低的似然值。如图3、图4和图5所示，附加权重信息的似然域地图比普通似然域地图在原始栅格地图中增加了高、低权重信息，其可视化效果如图5所示，其中实现框区域标记为高权重，虚线框区域标记为低权重。

S3、使用带有显著特征标记信息的地图进行定位：

本实施例中，可选的，移动机器人获得一帧激光雷达数据后，会在给定的初始位姿附近依照概率或遍历搜索窗口的方式寻找最优匹配位姿，匹配结果的优劣将按照当前帧所有点云在似然域地图中映射得到的总似然值来评价。

使用带有显著特征标记信息的地图进行定位时，当前激光扫描帧将于上述地图进行匹配。具体过程为每个激光点都将根据当前的位姿映射到地图中，当激光点映射到低权重区域将获得一个较低的似然值，映射到高权重区域将获得一个较高的似然值，所有激光点的似然值相加计算总似然值。最后将总似然值最高的位姿作为最优位姿，从而完成机器人的一次定位。

当环境发生变化后，在变化后的场景中获得的激光扫描帧将与原始地图产生较大的偏差，直接使用无标记信息的似然域地图可能无法直接获得一个较高的似然值，这时将会出现定位丢失的风险。另外环境变化后，因为原始地图中所有区域的权重是均匀的，激光扫描帧将很可能在一个变化的区域中获得较高的似然值，这时激光扫描帧将匹配到一个错误的位姿，造成定位跳变。本实施例中，使用带标记的信息的似然域地图时，机器人在变化场景中获得激光扫描帧后，由于变化后的区域在地图中被标记为低权重，因此激光扫描帧匹配到该区域时将获得一个较低的似然值，该位姿可信度较低将不被接受。而在固定不变区域，实际场景和地图都未发生变化，该区域在地图中被标记为高权重，当激光扫描帧匹配到该区域后将获得一个较高的似然值，该位姿可信度比较高将被接受，利用这一特点，本实施例中的方法无需额外增加传感器或对现有场景重新部署，只需要使用带显著特征标记信息的地图，就可以用较低的成本在变化场景中充分利用不变特性增加定位的稳定性。

实施例2：

本实施例提供了一种基于显著特征的动态场景移动机器人定位系统，包括：

标记模块，被配置为：将动态场景分为多个固定区域和多个非固定区域，对固定区域和非固定区域进行显著特征标记；对固定区域和非固定区域赋予权重，赋予固定区域的权重高于赋予非固定区域的权重；

似然域地图建立模块，被配置为：根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予权重进行加权调整；

定位模块，被配置为：根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位。

所述系统的工作方法与实施例1的基于显著特征的动态场景移动机器人定位方法相同，这里不再赘述。

以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (8)

1.一种基于显著特征的动态场景移动机器人定位方法，其特征在于，包括：

将动态场景分为多个固定区域和多个非固定区域，对固定区域和非固定区域进行显著特征标记；对固定区域和非固定区域赋予权重，赋予固定区域的权重高于赋予非固定区域的权重；

根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予权重进行加权调整；

根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位。

2.如权利要求1所述的一种基于显著特征的动态场景移动机器人定位方法，其特征在于，所述固定区域包括墙角和柱子，所述非固定区域包括仓库的临时货区和商场的临时摊位。

3.如权利要求1所述的一种基于显著特征的动态场景移动机器人定位方法，其特征在于，在概率栅格地图中，权重根据概率值与栅格到障碍物的距离进行调整。

4.如权利要求1所述的一种基于显著特征的动态场景移动机器人定位方法，其特征在于，显著特征包括区域的形状、位置和权重。

5.如权利要求4所述的一种基于显著特征的动态场景移动机器人定位方法，其特征在于，形状包括多边形、矩形和圆形；多边形的位置为依次连接各顶点的顶点坐标，矩形的位置为两个对角的顶点坐标，圆形的位置为圆心坐标和半径。

6.如权利要求1所述的一种基于显著特征的动态场景移动机器人定位方法，其特征在于，似然域地图被建模为高斯分布；观测越靠近栅格中障碍物，获得的似然值越高；观测越远离栅格中障碍物，获得的似然值越低。

7.如权利要求1所述的一种基于显著特征的动态场景移动机器人定位方法，其特征在于，将移动机器人获得的激光扫描帧中每个激光点当前的位姿映射到似然域地图中；当激光点映射到非固定区域对应的权重区域时获得的似然值，低于映射到固定区域对应的权重区域时获得的似然值；将获得的所有似然值相加得到总似然值；将总似然值中最高的位姿作为最优位姿，而完成机器人的一次定位。

8.一种基于显著特征的动态场景移动机器人定位系统，其特征在于，包括：

标记模块，被配置为：将动态场景分为多个固定区域和多个非固定区域，对固定区域和非固定区域进行显著特征标记；对固定区域和非固定区域赋予权重，赋予固定区域的权重高于赋予非固定区域的权重；

似然域地图建立模块，被配置为：根据原始栅格地图和标记的显著特征，得到似然域地图，其中似然值按照对固定区域和非固定区域赋予权重进行加权调整；

定位模块，被配置为：根据移动机器人获得的激光点在所述似然域地图中的匹配，对移动机器人定位。