CN117419733A - 用于识别周围环境的有错地图的方法 - Google Patents

用于识别周围环境的有错地图的方法 Download PDF

Info

Publication number
CN117419733A
CN117419733A CN202310891149.2A CN202310891149A CN117419733A CN 117419733 A CN117419733 A CN 117419733A CN 202310891149 A CN202310891149 A CN 202310891149A CN 117419733 A CN117419733 A CN 117419733A
Authority
CN
China
Prior art keywords
map
updated
data
mobile device
consistency
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
CN202310891149.2A
Other languages
English (en)
Inventor
G·库尔兹
M·霍洛赫
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN117419733A publication Critical patent/CN117419733A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • 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
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3859—Differential updating map data
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及用于识别周围环境的有错地图的方法，所述地图是通过合并第一地图和第二地图所获得的，所述地图中的每个分别基于SLAM图以及基于具有由移动设备的传感器所获得的关于周围环境的信息的数据集，该方法包括：提供通过合并第一地图和第二地图所获得的经更新的并在合并之后已被更新的第二地图；确定所述经更新的第二地图是否有错，包括：将来自第一记录时段的所述第一地图的第一地图数据与来自所述第二记录时段的第二地图数据进行比较；确定第二地图数据和第一地图数据之间的一致性程度；如果所述一致性程度满足至少一个预给定标准，则确定经更新的第二地图是有错的；和如果已确定了经更新的第二地图有错，则提供有关所述地图有错的信息。

Description

用于识别周围环境的有错地图的方法
技术领域
本发明涉及一种用于识别周围环境的有错地图的方法，以及用于实施该方法的数据处理系统、移动设备和计算机程序，该地图是通过合并至少两个地图所获得的。
背景技术
诸如至少部分自动移动的车辆或机器人之类的移动设备通常在周围环境中移动，特别是在要处理的周围环境或工作区域，例如住宅中、花园中、工厂车间中或街道上，在空中或水中移动。这种或任何其他移动设备的基本问题之一在于判定方位，即知道周围环境看起来怎样，即特别是障碍物或其他对象在哪里以及自身(绝对)在哪里。为此，移动设备装备有各种传感器，例如相机、激光雷达传感器或还有惯性传感器，借助这些传感器例如二维或三维地检测周围环境和移动设备的移动。这使得移动设备能够在本地移动，及时识别到障碍物并绕过它们。
如果移动设备的绝对位置也是已知的，例如从附加的GPS传感器已知，则可以构建地图。在此，移动设备测量可能的障碍物相对于该移动设备的相对位置，然后可以使用其已知位置来确定障碍物的绝对位置，然后将其输入到地图中。但是，这仅在外部提供的位置信息的情况下起作用。
作为SLAM(“Simultaneous Localization and Mapping：同步定位与地图构建”)而说明机器人技术中的一种方法，在该方法中，例如机器人这样的移动设备可以或必须同时创建其周围环境的地图并估计其在该地图内的空间方位。其因此用于识别障碍物，从而支持自主导航。
发明内容
根据本发明，提出了具有独立专利权利要求的特征的用于识别有错的地图的方法以及用于实施该方法的数据处理系统、移动设备和计算机程序。有利的设计方案是从属权利要求和以下描述的主题。
本发明涉及SLAM的主题以及特别是涉及其在移动设备中的应用。这种移动设备(或者也称为移动工作设备)的示例例如是机器人和/或无人机和/或也可以是半自动或(完全)自动地(在陆地、水上或空中)移动的车辆。作为机器人例如可考虑家用机器人，例如吸尘和/或扫地机器人、地面或道路清洁设备或割草机器人，但也可以考虑其他所谓的服务机器人，作为至少部分自动移动的车辆，例如客运车辆或货运车辆(也即，所谓的陆地运输车，例如在仓库中)，还可以是飞机，例如所谓的无人机，或者是船舶。
这种移动设备特别是具有用于移动该移动设备的驱动单元和控制或调节单元，使得移动设备可以在该周围环境中并且例如沿着轨迹移动。此外，移动设备例如具有一个或多个传感器，借助这些传感器可以检测周围环境中的和/或来自对象(例如在周围环境中的对象，尤其是障碍物)的和/或来自移动设备本身的信息。此类传感器的示例是激光雷达传感器或用于确定距离的其他传感器、相机和惯性传感器。借助激光雷达传感器例如可以检测或获得所谓的点云。例如，也可以考虑(移动设备的)所谓里程计。
在SLAM中，有不同的方法来表示地图和位置。传统的针对SLAM的方法通常基于几何信息，例如节点和边。节点和边是SLAM图的典型组成部分。SLAM图中的节点和边可以用不同的方式设计；传统上，节点对应于例如移动设备的位姿(位置和取向(Orientierung))或特定时间点的特定周围环境特征，而边则表示移动设备和周围环境特征之间的相对测量。SLAM图例如在“Giorgio Grisetti、Rainer Küümmerle、Cyrill Stachniss、WolframBurgard的《A Tutorial on Graph-Based SLAM》，载于：IEEE IntelligentTransportation Systems Magazine第2(4)卷，第31-42页，2010年”中进行了更详细的描述。
移动设备正在其中移动的周围环境的地图可以是基于这样的SLAM图被确定的或者基于这样的SLAM图而被确定。地图(或SLAM图)可以用具有关于周围环境的信息的每个新数据集来扩展或更新，其中该信息是从移动设备的传感器获得的或基于移动设备的传感器获得的。就此而论，SLAM的另一个方面是所谓的“Lifelong SLAM(终身SLAM)”，其中SLAM应在周围环境中长期使用。可能会出现重定位(Relokalisierung)的问题。如果机器人或移动设备在未知位置被启动或暂时丢失定位(例如，由于传感器被覆盖、机器人被人移动等)，则机器人必须相对于现有地图重新定位自身。
实现这一点的一种可能性在于，首先开始一个新的空地图(具有相应位于底层的SLAM图)，然后将该地图与现有地图(也具有相应位于底层的SLAM图)合并(“mergen”)，其方式为，例如在现有地图中确定机器人的位置和/或取向(位姿)，相应地变换地图并将其信息插入到当前地图中。因此，一般来说，第一和第二地图被合并，为此目的，例如，(例如较早的)第一地图的至少一部分被转移或集成到(例如当前的)第二地图中。产生新的地图或经更新或扩展的第二地图。
在此值得期望的是，这种合并尽早地进行，以便可以再次使用现有地图中的信息。例如，这是合乎目的，以便使吸尘机器人(再次)知道哪里已经被吸尘了，哪里还没有被吸尘。
当合并两个地图(或底层SLAM图和/或地图的数据集)时，可能会发生错误的合并(“merges”)，即，现有地图中机器人的位姿不正确，这例如是由于“感知混叠(perceptualaliasing)”，即周围环境的不同部分看起来相似，从而使这些部分很容易混淆。这产生了有错的地图。有错的合并可能会使机器人的地图变差，甚至无法使用。于是，机器人就不再可能在没有用户干预的情况下进一步运行。
现在，通过在合并之前等待更长的时间来收集附加信息，并且仅在错误合并的概率足够低的情况下才执行合并，可以从根本上降低在此产生的有错的地图或错误合并的风险。然而，通过这种方式也会延迟甚至完全妨碍到正确的合并，这导致：来自现有地图的信息较晚才能使用或根本不能使用。此类信息可以是例如基站/充电站(或扩展坞)的位姿、导航目的地、No-Go-Zone(禁入区)(禁区)、已经清洁的区域或仍需要清洁的区域等。由于这些信息通常对于机器人能够执行其任务至关重要，因此尽早的正确合并是意义重大的。
在此背景下提出一种识别周围环境的有错地图的可能性，该地图是通过合并第一地图和第二地图获得的，即，两个地图的错误合并。这允许事后识别并消除错误合并。这使得能够很早就执行尚不可靠的合并，并且在合并时冒更高的风险，因为错误合并通常可以稍后再次撤消。
在此进行如在本发明的范围内所使用的合并，其方式为，第一地图的至少一部分(但优选地整个第一地图)已经被纳入(ü bernehmen)到第二地图中。这些地图(即第一和第二地图以及新的或经更新的第二地图)其中的每个地图均基于SLAM图和具有已从移动设备的传感器获得的周围环境信息的数据集。一般来说，例如，当前正在使用的地图(第二地图)可以始终是活动的(aktiv)，而一个或多个较早的地图可以是非活动的(inaktiv)，并且例如是被保存的。每次重新定位后都可以启动新地图，该地图于是成为活动地图。在合并中，非活动地图于是可以集成到活动地图中。当然，要集成的(第一)地图本身可以是从合并中产生的。
为了能够在重新定位或合并之前和之后区分地图，特别是它们的地图数据(数据集和SLAM图或其节点)，可以随着地图的每次新开始而将新的标识符或ID分配给于是生成的所有数据。一般而言，可以基于记录时段而进行区分：针对第一地图的第一记录时段(其在合并时结束)和针对第二地图的第二记录时段，然而，第二记录时段在合并时仍继续运行。当合并第一地图和第二地图时，必要时还可以创建一个或多个环路(闭环(Loop-Closures))，这些环路被插入到第二地图。
例如，在“D.Fontanelli、L.Ricciato和S.Soatto的《A fast RANSAC-basedregistration algorithm for accurate localization in unknown environmentsusing LIDAR measurements》，载于：2007International Conference on AutomationScience and Engineering，IEEE，2007年9月”中、在“T.Schmiedel，E.Einhorn，和H.-M.Gross，Iron的《A fast interest point descriptor for robust ndt-map matchingand its application to robot localization》，载于：2015IEEE/RSJ InternationalConference on Intelligent Robots and Systems(IROS).IEEE，2015，第3144-3151页”中以及在“G.D.Tipaldi和K.O.Arras，FLIRT-interest regions for 2d range data，载于：2010IEEE International Conference on Robotics and Automation.IEEE，2010年5月”中详细描述了可以如何产生例如如下假设：可以利用怎样的相对位姿而将这些地图合并。
为了识别合并后的有错的地图或者说错误的或有错的合并，考虑或提供经更新的第二地图，并且确切地说通过合并第一地图和第二地图已获得了地图，并且在合并后的地图(也已经)被更新了，特别是基于至少一个新数据集(例如，通过新的激光雷达扫描)和/或SLAM图的新节点(例如，其已基于新的激光雷达扫描被生成)。
为了确定经更新的第二地图是否是有错的，将来自第一记录时段的第一地图的第一地图数据与来自第二记录时段的第二地图数据进行比较。在此于是确定第二地图数据和第一地图数据之间的一致性程度如果一致程度满足至少一个预给定标准，即，例如，如果第一记录时段和第二记录时段之间的矛盾数据集的数量大于阈值，或者相反，如果一致数据集的数量小于阈值，则确定：经更新的第二地图是有错的。如果经更新的第二地图是有错的，则提供与此有关的信息。然后，特别是将从第一地图纳入到第二地图的部分，特别是SLAM图的节点和/或边至少部分地再次除去。由于提到的不同记录时段以及为此分配的标识符或ID，这尤其有效。
对有错的地图的识别尤其是基于识别到周围环境中的非预期的外观(“unexpected appearance(意外的外貌)”)而进行，例如通过可以预测地图质量或地图中的差异或质量的方法而进行。有错的地图可能会导致所合并的地图中的不同位置重叠。例如，这会导致墙壁以不寻常的角度相交，并且通常很容易被人类识别为“破损的地图”。在此不需要例如以“这是地点(Ort)C，所以它不可能是地点B”的方式识别出地点。相反，只要确定出“这不是地点B”就足够了。
这种类型的识别的优点在于，其可以使用有关机器人当前所在地的本地信息来工作。与此相反，在寻求更好的假设(稍后讨论的另一种识别出有错地图的方式)的情况下则必须将传感器数据的每个新比特与所有已知地点进行比较。原则上为此可以使用能够首先找到合并(Zusammenführung)的一种或每种算法。然而，并行使用两种类型的识别同样是适宜的，并且在可能稍高的运行时间成本的情况下会提供更好的结果。
当识别到非预期表现(Auftreten)时，又可以区分两种不同的类型。优选地，执行比较首先包括：形成第一地图数据和第二地图数据的每一个数据集中的一对或多对。对于多对中的一对或每对，然后针对第一或第二地图数据的一个或多个数据集的至少一些、优选全部点中的每一个而确定：该点是否与该对的相应其他数据集的点一致。然后，基于与该对的相应其他数据集的点一致的第一数量的点以及基于与该对的相应其他数据集的点不一致的第二数量的点来确定一致性程度。
具体来说，在此情况下可以基于来自“J.P.Underwood，D.T.Bailey，和V.Vlaskine的《(Explicit 3D change detection using ray-tracing in sphericalcoordinates》，载于：Proc.IEEE Int.Conf.Robotics and Automation，2013，第4735-4741页”的方法来识别例如在2D或3D点云(例如，来自激光雷达扫描)中的变化。该方法使用于一对扫描(数据集)(Dt，Ds)而工作。每个扫描由Da＝(xa，Sa)组成，其中xa是扫描中的全局6D位置，并且Sa是球面(3D扫描)中或极(2D扫描)坐标中的端点(Endpunkt)集合。该算法返回破坏Ds的自由空间的点索引的子集Ct＝{i1，...，iM}，i∈{1，...，|Dt|}。如果(Dt，Ds)正确对准，Dt中的这些点以最大概率表示了动态或半静态的对象。然而，(Dt，Ds)的错误对准也可能导致大量的自由空间破坏，例如交叉穿过自身的墙段。这一事实可用于识别出无效或有错的合并。
所提到的算法现在起以适宜的方式这样得以适配，使得该算法还附加地可以区分：Dt中的测量结果是否与Ds已对周围环境所感知的一致，或者Ds是否没有关于这部分周围环境的信息。为此目的，区域检查(请参阅在“J.P.Underwood，D.T.Bailey，andV.Vlaskine，Explicit 3D change detection using ray-tracing in sphericalcoordinates，载于：Proc.IEEE Int.Conf.Robotics and Automation，2013，第4735-4741页”中的算法1，第4行)可以被如此适配，使得其返回类别名称列表，其中：
该值取决于中彼此靠近的点的最小(min)范围/>和最大(max)范围/>
如果Ss以陡峭角度或在对象边界包围多个对象，则认可区间(Zustimmungsintervall)(“agree(认可)”)可能会变大。为了解决这个问题，还可以附加检查该区间是否小于2·Tr。例如，可以使用Tr＝0.1m和Tα＝3°。在替代的优选方法中，例如，代替计算最小值和最大值，可以检查所考虑的点是否靠近邻域(Nachbarschaft)中的任何点，即距离差是否小于阈值。如果是这种情况，则输出“agree(认可)”。例如，每当在合并后将新的扫描Di(或一般而言的数据集)添加到地图中时，都会采用第二记录时段的最后(最新)n次扫描来形成数据集或扫描对，如上所述。例如，这些扫描中的每一个都与来自第一记录时段的所有扫描配对。在这种情况下，优选地，仅将与第二地图数据的数据集至少重叠了预给定程度的数据集用于第一地图数据。
例如，为此可以使用可见性网格，其中每个单元格包含其已观察到的来自第一个记录时段的所有扫描的标识符。由于网格不包含来自活动(第二)记录时段的数据，因此在合并后计算一次就足够了。然后将该算法对称地特别是应用于所有的数据集或扫描对。因此，每个点都会获得多个类别(“agree(认可)”，即一致，或“change(改变)”，即更改)，针对其中包含该点的每一对都有一个类别。
还优选的是，分别重复提供与先前经更新的第二地图相比而言分别重新更新的、分别新的经更新的第二地图，其中，然后分别重新与新的、经更新的第二地图进行比较。附加地，然后随着时间的推移，当新的扫描或数据集被输入到地图中时，可以获得新的类名称cp。对于每个点，于是可以例如根据以下方案融合类名称cp：
该方案将“agree”类相对于“change”类而优先排序，以便变得更加稳健，例如相对于那些对于激光雷达来说看起来透明的障碍物更加稳健。经融合的类名称例如可以存储在缓存中。然而，如果节点的所估计位姿在图优化期间发生了明显变化，例如由于闭环，则在该节点仍然对于识别出有错的合并而言相关的情况下该缓存将失效并且重新执行分类。
然后，可以对针对所有考虑的点出现不同类别或类名称的频率进行计数。于是，可以利用与该对的相应其他数据集的点一致的第一数量Cagree的点以及与该对的相应其他数据集的点不一致的第二数量Cchange的点而确定如下值作为一致性程度：
如果该值rinvalid于是例如大于相应选择的阈值(作为标准)，则可以识别出有错的地图(即，确定该地图是有错的)。
如果并没有确定经更新的第二地图是有错的，则可以提供与先前经更新的第二地图相比而言重新更新的、新的经更新的第二地图；于是可以确定新的经更新的第二地图是否有错。这可以一直进行，直到要么识别到有错的地图要么满足中止标准，例如已经过去了一定的时间段。
当识别到非预期表现时，也可以基于网格图而使用另一种识别方式。在此，执行比较于是特别是包括：基于第二地图数据确定经更新的第二地图的地图片段。例如，这可以基于一个或多个、优选地是最新的数据集或扫描(例如，在激光雷达的情况下，也称为关键帧)来进行，其中，通过这些数据集或扫描而设定既定的地图片段。然后，确定具有用于地图片段的单元格的网格，特别是均匀的网格。例如，用这些关键帧所确定的所有扫描的轴对准的边界框可以用于此目的。这种边界框对应于感兴趣的区域，即地图片段。例如，单元格的边长度可以是2.5cm。
对于网格的至少一些、优选地所有单元格中的每一个，然后确定该单元格中是否分别有来自第二(当前)记录时段的SLAM图的第二节点，以及该单元格中是否分别有来自第一(较早的)记录时段的SLAM图的第一节点。然后基于其中有第一和第二节点的第一数量的单元格以及基于其中仅有第一节点或仅有第二节点的第二数量的单元格而确定一致性程度。
然后，对于这两个记录时段中的每一个，每个单元格可以分别采取三种可能的状态：“empty”(空，即单元格中没有节点)、“occupied”(占用，即单元格中至少有一个节点)和“unknown”(未知)。在此，例如对于第一记录时段a和第二记录时段b，如下地得出第一数目Coverlap和第二数目Ccontradiction′：
Ccontradiction＝{(a is empty∧b is occupied)∨(a is occupoied∧b isempty)}
然后作为一致性程度可以以如下方式确定值：
r越大意味着矛盾处越多，因此发生了无效合并的可能性就越高。由于地图中被占用的区域(例如墙壁)通常相对较薄，因此，略微偏移了单个单元格已经会导致一处矛盾。因此，在比较两个网格(或针对每个记录时段的一个网格)之前，可以将卷积运算(具有例如七乘七单元格的正方形结构元素)应用于这两个网格(或针对每个记录时段的一个网格)，以便增大所占用区域的大小。
如前所述，识别也可以通过寻找更好的假设来进行。这两种类型的识别可以并行使用，但也有可能单独使用具有更好假设的类型。在这种情况下，对经更新的第二地图是否有错进行确定包括：只要经更新的第二地图基于来自第二记录时段的地图数据的话，就确定所述经更新的第二地图与所述第一地图之间的进一步的(或其他的)一致性程度。然后将所述进一步的一致性程度与合并之前的相应一致性程度进行比较。然后，如果所述进一步的一致性程度满足至少一个预给定标准，则确定经更新的第二地图是有错的。
这种方法找到(或寻求)关于如何能够使用地点识别而合并两个地图的更好假设。假定：同一个地点在这两个地图中被记录。如果合并正确，则该地点应位于经合并的地图中的单个位置。而反之，在有错地合并的地图的情况下，一个(真实)地点可能在两个不同的(假设)地点存在。
根据本发明的数据处理系统、例如机器人、无人机、车辆等的控制单元特别是以编程技术的方式被设立用于执行根据本发明的方法。
虽然在移动设备中的计算或控制单元中执行所提到的方法步骤是特别有利的，但是一些或全部方法步骤也可以在另一计算单元或诸如服务器(关键词：云)这样的计算机上执行；为此相应地需要计算单元之间的优选无线的数据或通信连接。因此存在用于执行这些方法步骤的计算系统。
本发明还涉及一种移动设备，所述移动设备被设立用于如上所述地获取导航信息并基于导航信息进行导航。例如，它可以是客运车辆或货运车辆，机器人、特别是家用机器人、例如吸尘和/或扫地机器人，地面或道路清洁设备或割草机器人、无人机或其组合。此外，移动设备可以具有一个或多个传感器用于检测对象和/或周围环境信息。此外，移动设备尤其可以具有用于移动该移动设备的驱动单元和控制或调节单元。
以具有用于执行所有方法步骤的程序代码的计算机程序或计算机程序产品的形式实现根据本发明的方法也是有利的，因为这导致特别低的成本，特别是在进行执行的控制设备还用于其他任务并且因此无论如何都存在的情况下。最后，设置一种机器可读存储介质，其上存储有如上所述的计算机程序。适合于提供所述计算机程序的存储介质或数据载体特别是磁的、光的和电的存储器，例如硬盘、闪存、EEPROM、DVD等。还可以通过计算机网络(互联网、内联网等)下载程序。这种下载在此可以有线地或者说有缆线地或无线地(例如通过WLAN网络、3G、4G、5G或6G连接等)进行。
附图说明
本发明的进一步优点和设计方案从说明书和附图中得出。
在附图中使用实施例而示意性地示出本发明并且在下面参考附图进行描述。
图1在优选实施方式中示意性地示出了用于解释本发明的周围环境中的移动设备。
图2在优选实施方式中示意性地示出了用于解释本发明的地图。
图3在优选实施方式中示意性地示出了根据本发明的方法的流程图；和
图4示出了用于解释对来自第一记录时段的第一地图数据与来自第二记录时段的第二地图数据之间的一致度的确定的示意图。
具体实施方式
图1中示意性地并且纯粹以示例的方式示出了周围环境120中的移动设备100以解释本发明。移动设备100可以是例如具有控制或调节单元102和(带轮子的)驱动单元104的机器人，例如吸尘机器人或割草机器人，其中所述驱动单元用于例如沿着轨迹130移动机器人100。然而，如上所述，它也可以是不同类型的移动设备，例如货运车辆。
此外，机器人100例如具有构造为激光雷达传感器的传感器106，其具有检测场(Erfassungsfeld)(由虚线指示)。为了更好地说明，检测场在此选择得相对较小；然而在实际应用中，检测场也可以为最大360°(但也可以为例如至少180°或至少270°)。可以通过激光雷达传感器106检测对象和/或周围环境信息，例如与对象的距离。两个对象122和124被示例性地示出。此外，除了激光雷达传感器之外附加地或代替激光雷达传感器，机器人可以例如具有相机。
另外，示意性地标出了地图142，其基于SLAM图并且移动设备100可以使用该地图以进行导航。例如，在添加了对象122、124之后，地图140包括这些对象122、124作为具有适当描述的锚点。地图142是通过合并来自第一记录时段的第一地图140和开始第二记录时段的第二地图所获得的第二地图，其方式为，将第一地图140的至少一部分纳入到第二地图142中。然后，第二地图142被继续更新并用于导航。
此外，机器人100具有数据处理系统108，例如控制设备，借助于该系统可以例如通过所标出的无线电连接与更高级别的数据处理系统110交换数据。在系统110(例如，服务器，它也可以代表所谓的云)中，可以从地图142或其SLAM图确定导航信息，其例如包括轨迹130，然后将其传送到机器人100中的系统108，然后机器人应基于所述导航信息进行导航。然而，还可以规定：导航信息在系统108本身中被确定或者以其他方式在那里被获得。代替导航信息，系统108例如还可以获得已经使用导航信息所确定的控制信息，并且控制或调节单元102可以根据所述控制信息经由驱动单元104移动机器人100，以便例如跟随轨迹130。
图2中，以优选实施方式示出了用于解释本发明的地图。如上所述，可以通过将第一地图的至少一部分纳入到第二地图中来合并两个地图。在示图(A)中，作为示例示出了第一地图240，其可以源自第一(较早)记录时段并且当前是不活动的。这是周围环境地图，其中有一个十字形走廊和三个房间A、B和C，这些房间位于走廊四个末端中的三个末端。这三个房间具有不同的平面图，以便能够更好地解释本发明。
在第一地图240中包括走廊以及房间A和B，因为这些房间例如已经被探查过。相反，房间C则不包括在地图240中(并且因此以虚线示出)。
在示图(B)中，作为示例示出了第二地图242，其适用于与第一地图240相同的周围环境，但是已经包括或描绘了其他部分，例如因为还没有对周围环境探查得太多。例如，在第二地图242中仅包括走廊，因为这已经被探查过。相反，房间A、B和C则不被包含在地图242中(并且因此被示出为虚线)。
在示图(C)中，现在示出第一地图240和第二地图242的合并，其中包含在第一地图240中的数据被集成到第二地图242中。其仍然是第二地图，但是是在合并之后的第二地图；因此它被标记为242′。
例如，可以在将第二地图与第一地图进行了比较并已确定出一定的一致度之后进行这种合并。例如，可以确定出第二地图的走廊与第一地图的走廊之间的一致度。
然而，在示图(C)的示例中应看出，走廊可分别旋转90°，而不会改变一致度。房间A、B、C(还)未出现在第二地图中，以便将它们包含在一致度检查中。结果，可能会发生错误的合并，从而产生有错的地图，如示图(C)中所示。以经扭转的方式(verdreht)合并了这两个地图；第二地图中通向(或将通向)房间B的走廊末端与第一地图中通向房间A的走廊末端重叠。第二地图中通向(或将通向)房间C的走廊末端与第一地图中通向房间B的走廊末端重叠。
在示图(D)中，现在重新示出在合并之后的第二地图，但是与示图(C)相比，第二地图还被进一步更新，即，通过在移动设备的进一步移动过程中的进一步的数据集或扫描而进一步更新；因此它被标记为242″。如应看出的那样，在超过(当前或活动的)第二地图中通向房间C的走廊末端移动时也会识别出房间C或其边界。然而，在地图中，根据所集成的第一地图的数据，在那里是房间B，这就导致了矛盾处。在周围环境中有非预期表现(“unexpected appearance”)。
示图(E)重新示出合并之后的第二地图，但与示图(C)相比，第二地图还进一步被更新，即通过在移动设备的进一步移动过程中的进一步的数据集或扫描而进一步更新；因此它被标记为242′″。如应看出的那样，在超过(当前或活动的)第二地图中通向房间A的走廊末端移动时也会识别出房间A或其边界。虽然这里与源于第一地图的数据不存在矛盾(至少在该时间点不矛盾)，但在重新检查一致度时则确定出，如果第二地图以逆时针方向旋转90度，将会得出更好的一致度(“更好的假设(better hypothesis)”)。
示图(D)重新示出合并之后的第二地图，但与示图(C)相比，第二地图还进一步被更新，即通过在移动设备的进一步移动过程中的进一步的数据集或扫描而进一步更新；因此它被标记为242″″。如应看出的那样，在超过(当前或活动的)第二地图中通向房间B的走廊末端移动时也会识别出房间B或其边界。
然而，在地图中，根据所集成的第一地图的数据，在那里是房间A，这就导致了矛盾处。在周围环境中有非预期表现(“unexpected appearance”)。此外，在重新检查一致度时则确定出，如果第二地图以逆时针方向旋转90度，将会得出更好的一致度(“更好的假设(better hypothesis)”)。
图3中示意性地示出了优选实施方式中根据本发明的方法的流程图。在此，特别是还应当参考图2。首先，可以在移动设备的常规运行期间在步骤300中创建周围环境的第一地图240。例如，这是基于诸如被检测的激光雷达扫描或激光雷达点云之类的数据集306来进行的。针对第一记录时段的标识符或ID 302被分配给这些数据集。
在步骤310中，移动设备现在例如被移位，或者被关闭并再次启动。同样，激光雷达扫描可能会暂时失败。在步骤320中，移动设备再次恢复正常运行；在这种情况下，第一地图240被设置为不活动并且例如被存储。开始新的第二地图242。例如，这再次基于诸如被检测的激光雷达扫描或激光雷达点云之类的数据集306而进行。针对第二记录时段的标识符或ID 322被分配给这些数据集。
在一定时间段之后，在步骤330中，第一地图240和第二地图242现在被合并，其方式为，第一地图240的至少一部分被纳入到第二地图242。获得经更新的第二地图242′(参见图2中的示图(C))。通过步骤340，用至少一个另外的激光雷达扫描或数据集进一步更新第二地图，获得并提供经更新的第二地图242″。
在步骤350中，现在确定经更新的第二地图242′″是否是有错的。为此，执行来自第一记录时段的第一地图240的第一地图数据360与来自第二记录时段的第二地图数据362的比较364。然后确定第二地图数据和第一地图数据之间的一致性程度370。例如，这可以如上面详细解释的那样来进行。例如，可以形成数据集或扫描对372并检查差异或一致度。
这在图4中更详细地图解。在示图(A)中，在具有一个长墙422和两个短墙424、426的周围环境中，以第二记录时段中的点440(来自激光雷达扫描的数据集，用十字形标出)示出位置430(相应于移动设备或传感器的位姿)，同样以第一记录时段中的点442(来自激光雷达扫描的数据集，用圆圈标出)示出位置432。从这两个位置都可以看到长墙422，而例如只能从位置430看到短墙424，并且例如只能从位置432看到短墙426。
在示图(B)中现在示出了从位置430出发的用于激光雷达扫描的示例性光束，以及可以由此确定的不同类名称。因此，例如区域450内的点由于不一致而被分类为“change(改变)”，而区域452内的点由于一致而被分类为“agree(认可)”。而针对区域454则没有任何信息。
在该示例中，使用从第一记录时段或扫描而得出的信息对第二记录时段或扫描的点442进行分类。
诸如区域452之类的范围在第一扫描已测量到点处产生。如果第二扫描的点落在该区域内，则测量结果一致，即存在“agree(认可)”。诸如区域450这样的范围在第一扫描的测量之前的区域中(即，局部地，例如，在位置430和关联点440之间)得出。第二扫描中在该区域内的测量结果被归类为“change(改变)”。第二扫描所测量的对象并不存在于第一扫描的测量结果中，否则第一扫描无法测量更远的点，因为到点440的视线穿过墙壁426(对象)。诸如区域454这样的范围出现在第一扫描的测量结果之后的区域中。由于如所述区域那样的这些范围未曾被第一扫描观察到、即第一扫描的任何视线都没有穿过，因此不能基于第一扫描做出关于“change(改变)”或“agree(认可)”的结论。
然而，还可以确定如下地图片段，在所述地图片段中定义具有单元格的网格374，其中，检查这些单元格是否有来自这两个记录时段的节点。在步骤380中确定：如果一致性程度满足至少一个预给定标准，则经更新的第二地图是否是有错的。就此方面，在步骤390中提供信息。如果未确定经更新的第二地图是有错的，则可以利用进一步经更新的第二地图来再次开始步骤340。例如，这可以重复，直到达到中止标准。

Claims (15)

1.用于识别周围环境(120)的有错的地图(242”')的方法，其中所述地图是通过合并来自第一记录时段的第一地图(140、240)和开始第二记录时段的第二地图(142、242)所获得的，其方式为，将所述第一地图的至少一部分纳入到所述第二地图中，其中所述地图中的每个分别基于SLAM图以及基于具有由所述移动设备(100)的传感器(106)所获得的关于周围环境的信息的数据集，并且其中所述地图特别用于在所述周围环境中导航移动设备(100)，所述方法包括：
提供(340)经更新的第二地图(242”')，所述第二地图(242”')是通过合并所述第一地图(240)和所述第二地图(242)所获得的，并且所述第二地图(242”')在合并之后已被更新，特别是至少基于所述SLAM图的新节点和/或新数据集；
对经更新的所述第二地图(242”')是否有错进行确定(350)包括：
-将来自所述第一记录时段的所述第一地图的第一地图数据(360)与来自所述第二记录时段的第二地图数据(362)进行比较(364)，
-确定所述第二地图数据和所述第一地图数据之间的一致性程度(370)，
-如果所述一致性程度满足至少一个预给定标准，则确定(380)经更新的第二地图是有错的；和
如果已确定了所述经更新的第二地图是有错的，则提供(390)有关所述地图有错的信息。
2.根据权利要求1所述的方法，其中所述第一地图数据(360)包括一个或多个数据集，并且其中所述第二地图数据(362)分别包括一个或多个数据集，其中每个数据集包括点的集合，其中执行所述比较(364)包括：
形成所述第一和第二地图数据中的每个数据集的一对或多对(372)，
对于所述多对(372)中的一对或每对，对于所述第一或第二地图数据的所述一个或多个数据集中的至少一些点、优选地全部点中的每个点而确定所述点是否与所述对的相应其他数据集的点一致，
其中基于与所述对的相应其他数据集的点一致的第一数量的点以及基于与所述对的相应其他数据集的点不一致的第二数量的点而确定所述一致性程度(370)。
3.根据权利要求2所述的方法，其中，仅将与所述第二地图数据的数据集至少重叠了预给定程度的数据集用于所述第一地图数据的比较(364)。
4.根据权利要求2或3所述的方法，其中重复提供与先前经更新的第二地图相比而言分别重新更新的、分别新的经更新的第二地图，并且
其中，与所述新的经更新的第二地图分别重新进行比较。
5.根据权利要求1所述的方法，其中，执行所述比较包括：
基于第二地图数据确定经更新的第二地图的地图片段，
定义具有用于所述地图片段的单元格的网格(374)，特别是均匀的网格，以及
对于所述网格的至少一些、优选地所有单元格中的每一个而确定：所述单元格中是否分别有来自所述第二记录时段的SLAM图的第二节点，以及所述单元格中是否分别有来自所述第一记录时段的SLAM图的第一节点，
其中所述一致性程度(370)基于其中有第一和第二节点的第一数量的单元格以及基于其中仅有第一节点或仅有第二节点的第二数量的单元格而确定。
6.根据前述权利要求中任一项所述的方法，所述方法还包括：如果并没有确定经更新的第二地图是有错的，则：
提供与先前经更新的第二地图相比而言重新更新的、新的经更新的第二地图；和
确定所述新的经更新的第二地图是否有错。
7.根据前述权利要求中任一项所述的方法，
对经更新的第二地图是否有错进行确定包括：
-只要经更新的第二地图基于来自第二记录时段的地图数据的话，就确定所述经更新的第二地图与所述第一地图之间的进一步的一致性程度，
-将所述进一步的一致性程度与合并之前的相应一致性程度进行比较，并且
-如果所述进一步的一致性程度满足至少一个预给定标准，则确定所述经更新的第二地图是有错的。
8.根据前述权利要求中任一项所述的方法，其中，所述数据集包括从所述移动设备的被构造为激光雷达的传感器所获得的点云。
9.根据前述权利要求中任一项所述的方法，所述方法还包括：如果确定所述地图有错，则：
至少部分地除去从所述第一地图纳入到所述第二地图的部分，特别是所述SLAM图的节点和/或边。
10.根据前述权利要求中任一项所述的方法，所述方法还包括：
基于所述地图确定针对所述移动设备(100)的导航信息。
11.一种数据处理系统(108、110)，其包括用于执行根据前述权利要求中任一项所述的方法的装置。
12.一种移动设备(100)，所述移动设备具有根据权利要求11所述的系统和/或被设立用于，获得已经按照根据权利要求10所述的方法所确定的导航信息，并且被设立用于，基于所述导航信息进行导航，
所述移动设备优选地具有用于按照所述导航信息移动所述移动设备(100)的驱动单元和控制或调节单元。
13.根据权利要求12所述的移动设备(100)，所述移动设备被构造为至少部分自动地移动的车辆，特别是客运车辆或货运车辆，和/或被构造为机器人，特别是家用机器人，例如吸尘和/或扫地机器人、地面或道路清洁设备或割草机器人和/或被构造为无人机。
14.一种计算机程序，所述计算机程序包括指令，如果在计算机上执行所述程序，当所述程序由计算机执行时，所述指令使所述计算机执行根据权利要求1至10中任一项所述的方法的方法步骤。
15.一种计算机可读存储介质，在其上存储有根据权利要求14所述的计算机程序。
CN202310891149.2A 2022-07-19 2023-07-19 用于识别周围环境的有错地图的方法 Pending CN117419733A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022207370.3A DE102022207370A1 (de) 2022-07-19 2022-07-19 Verfahren zum Erkennen einer fehlerhaften Karte einer Umgebung
DE102022207370.3 2022-07-19

Publications (1)

Publication Number Publication Date
CN117419733A true CN117419733A (zh) 2024-01-19

Family

ID=89429753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310891149.2A Pending CN117419733A (zh) 2022-07-19 2023-07-19 用于识别周围环境的有错地图的方法

Country Status (3)

Country Link
US (1) US20240027224A1 (zh)
CN (1) CN117419733A (zh)
DE (1) DE102022207370A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018104563A2 (en) 2016-12-09 2018-06-14 Tomtom Global Content B.V. Method and system for video-based positioning and mapping
WO2021254975A1 (en) 2020-06-19 2021-12-23 Metralabs Gmbh Neue Technologien Und Systeme Method of operating a mobile device
DE102020118622A1 (de) 2020-07-15 2022-01-20 Bayerische Motoren Werke Aktiengesellschaft Steuerung eines Fahrzeugs

Also Published As

Publication number Publication date
US20240027224A1 (en) 2024-01-25
DE102022207370A1 (de) 2024-01-25

Similar Documents

Publication Publication Date Title
CN109682368B (zh) 机器人及地图构建方法、定位方法、电子设备、存储介质
EP3612906B1 (en) Method and system for environment map generation and alignment
US10650270B2 (en) Methods and systems for simultaneous localization and calibration
Konolige A gradient method for realtime robot control
CN113110457B (zh) 在室内复杂动态环境中智能机器人的自主覆盖巡检方法
Jensfelt Approaches to mobile robot localization in indoor environments
Woo et al. Localization for autonomous driving
US8195331B2 (en) Method, medium, and apparatus for performing path planning of mobile robot
US11493930B2 (en) Determining changes in marker setups for robot localization
CN113330279A (zh) 用于确定车辆的位置的方法和系统
EP3828587A1 (en) Method for determining the position of a vehicle
CN111609853B (zh) 三维地图构建方法、扫地机器人及电子设备
Fairfield et al. Mobile robot localization with sparse landmarks
US12105519B2 (en) Method for estimating positioning of moving object by using big cell grid map, recording medium in which program for implementing same is stored, and computer program stored in medium in order to implement same
KR102529332B1 (ko) 컨텍스트 맵을 활용한 로봇 기반 최적 실내 배송경로 탐색 방법
Howard et al. Fast visual mapping for mobile robot navigation
AU2021273605B2 (en) Multi-agent map generation
CN117419733A (zh) 用于识别周围环境的有错地图的方法
Watanabe et al. Robust localization with architectural floor plans and depth camera
Selkäinaho Adaptive autonomous navigation of mobile robots in unknown environments
Larsson et al. On robot navigation using identical landmarks: integrating measurements from a time-of-flight laser
Oberländer et al. A semantic approach to sensor-independent vehicle localization
CN112630745B (zh) 一种基于激光雷达的环境建图方法和装置
Zureiki et al. SLAM and data fusion from visual landmarks and 3D planes
Baird et al. Effective Map Merging for Long-Term Autonomous Navigation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication