動(dòng)態(tài)稀疏環(huán)境下機(jī)器人slam物體狀態(tài)檢測(cè)方法
【專利摘要】本發(fā)明涉及動(dòng)態(tài)稀疏環(huán)境下機(jī)器人SLAM物體狀態(tài)檢測(cè)方法，首先，通過(guò)視覺(jué)傳感器對(duì)環(huán)境進(jìn)行圖像采集，使用SURF描述子獲得圖像的特征向量集合；其次，基于最近鄰算法對(duì)當(dāng)前時(shí)刻與歷史時(shí)刻的圖像進(jìn)行匹配并通過(guò)RANSAC算法檢驗(yàn)匹配是否成功以判斷兩個(gè)時(shí)刻的物體是否一致；然后，利用視差法獲得物體的深度信息，并根據(jù)平面幾何關(guān)系進(jìn)一步得到物體兩個(gè)時(shí)刻的全局坐標(biāo)和相對(duì)位置差；最后，結(jié)合假設(shè)檢驗(yàn)的思想得到接受區(qū)域，并通過(guò)檢驗(yàn)相對(duì)位置差是否落在接受區(qū)域內(nèi)來(lái)判斷物體的狀態(tài)。本發(fā)明在對(duì)環(huán)境中物體狀態(tài)進(jìn)行檢測(cè)時(shí)，考慮移動(dòng)機(jī)器人的定位和測(cè)量誤差對(duì)物體位置觀測(cè)值的影響，提高對(duì)物體狀態(tài)判斷的準(zhǔn)確度。
【專利說(shuō)明】動(dòng)態(tài)稀疏環(huán)境下機(jī)器人SLAM物體狀態(tài)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于移動(dòng)機(jī)器人導(dǎo)航【技術(shù)領(lǐng)域】，涉及一種動(dòng)態(tài)稀疏環(huán)境下面向移動(dòng)機(jī)器人同步定位與地圖構(gòu)建(simultaneous localization and mapping, SLAM)問(wèn)題的物體狀態(tài)檢測(cè)方法。
【背景技術(shù)】
[0002]SLAM技術(shù)被稱為自主移動(dòng)機(jī)器人領(lǐng)域的“圣杯(Holy grail) ”，是移動(dòng)機(jī)器人實(shí)現(xiàn)完全智能化的關(guān)鍵。隨著移動(dòng)機(jī)器人在物流、探測(cè)、服務(wù)等領(lǐng)域的廣泛應(yīng)用，SLAM問(wèn)題成為了移動(dòng)機(jī)器人領(lǐng)域的研究熱點(diǎn)，并日益受到學(xué)術(shù)界及工程界密切關(guān)注。
[0003]當(dāng)移動(dòng)機(jī)器人在動(dòng)態(tài)環(huán)境中工作時(shí)，有必要區(qū)別對(duì)待靜態(tài)物體和動(dòng)態(tài)物體:僅有靜態(tài)物體才能作為路標(biāo)為機(jī)器人提供定位信息，而動(dòng)態(tài)物體只能被當(dāng)作障礙物進(jìn)行避障處理。當(dāng)機(jī)器人在稀疏環(huán)境(即能夠利用的路標(biāo)比較稀少的工作環(huán)境)下工作時(shí)，從環(huán)境中獲得的信息大大減少，導(dǎo)致地圖構(gòu)建和定位的精度顯著下降，從而加大了動(dòng)靜態(tài)物體的區(qū)分難度，同時(shí)又反作用于機(jī)器人的地圖構(gòu)建和定位的精度，于是就陷入一個(gè)惡性循環(huán)。因此，一個(gè)有效的動(dòng)態(tài)稀疏環(huán)境下移動(dòng)機(jī)器人物體狀態(tài)檢測(cè)方法具有重要的理論意義及應(yīng)用價(jià)值。
[0004]11 a等人利用Po s e-SLAM方法，采用機(jī)器人的歷史位姿構(gòu)建地圖，從而解決了由于路標(biāo)稀缺導(dǎo)致環(huán)境信息減少的問(wèn)題；而Yaghmaie等人提出利用三態(tài)地圖(thethree-state map)作為動(dòng)態(tài)路標(biāo)檢測(cè)的依據(jù),從而解決了動(dòng)態(tài)環(huán)境下的SLAM問(wèn)題。然而，前者只考慮了靜態(tài)環(huán)境，無(wú)法解決動(dòng)態(tài)環(huán)境下移動(dòng)機(jī)器人的SLAM問(wèn)題；而后者雖然考慮到了動(dòng)態(tài)環(huán)境，但其前提是路標(biāo)足夠多，當(dāng)路標(biāo)比較稀缺時(shí)，由環(huán)境信息減少而導(dǎo)致定位精度下降容易使得靜態(tài)物體被錯(cuò)誤地判斷成動(dòng)態(tài)物體。

【發(fā)明內(nèi)容】

[0005]移動(dòng)機(jī)器人在路標(biāo)稀少情況下難以準(zhǔn)確判斷物體狀態(tài)的問(wèn)題，提供一種動(dòng)態(tài)稀疏環(huán)境下面向移動(dòng)機(jī)器人SLAM問(wèn)題的物體狀態(tài)檢測(cè)方法，在對(duì)環(huán)境中物體狀態(tài)進(jìn)行檢測(cè)時(shí)，考慮移動(dòng)機(jī)器人的定位和測(cè)量誤差對(duì)物體位置觀測(cè)值的影響，提高物體狀態(tài)檢測(cè)的準(zhǔn)確性。
[0006]動(dòng)態(tài)稀疏環(huán)境下機(jī)器人SLAM物體狀態(tài)檢測(cè)方法，包括以下步驟:
[0007]步驟1:采集環(huán)境圖像，獲取圖像的特征向量集合。
[0008]步驟1.1，移動(dòng)機(jī)器人通過(guò)雙目視覺(jué)傳感器采集環(huán)境圖像。
[0009]步驟1.2，利用多尺度多方向Gabor函數(shù)構(gòu)建能量圖像空間，并采用非極大抑制方法對(duì)8點(diǎn)鄰域范圍內(nèi)檢測(cè)的極值點(diǎn)進(jìn)行篩選。
[0010]步驟1.3，通過(guò)SURF描述子構(gòu)建向量以表示特征點(diǎn)附近的局部區(qū)域，獲得當(dāng)前圖像的特征向量集合。
[0011]步驟2:判斷當(dāng)前圖像與歷史圖像中的物體是否一致。[0012]步驟2.1，求當(dāng)前圖像與某時(shí)刻歷史圖像的匹配點(diǎn)。
[0013]利用最近鄰算法計(jì)算當(dāng)前圖像的每一個(gè)特征點(diǎn)對(duì)應(yīng)的特征向量與歷史圖像所有特征向量的余弦相似度。取余弦相似度最大值點(diǎn)作為圖像匹配點(diǎn)，求出當(dāng)前圖像與歷史圖像的所有匹配點(diǎn)。
[0014]步驟2.2，判斷兩個(gè)時(shí)刻圖像中物體的一致性。
[0015]通過(guò)RANSAC算法檢驗(yàn)匹配是否成功以判斷這兩個(gè)時(shí)刻圖像中的物體是否一致，如果一致則進(jìn)行步驟3 ;如果不一致但當(dāng)前圖像的視覺(jué)顯著度大于閾值則保存并返回步驟1，否則，直接返回步驟I。
[0016]步驟3:利用視差法獲取圖像中物體的深度信息，并計(jì)算該物體兩個(gè)時(shí)刻的全局坐標(biāo)和相對(duì)位置差。
[0017]步驟3.1:獲取圖像中物體的深度信息。
[0018]在極線幾何約束下，根據(jù)三角測(cè)量原理，并利用雙目視覺(jué)傳感器獲取匹配位置下的視差圖像來(lái)提取物體的深度信息。
[0019]步驟3.2:求物體在歷史時(shí)刻和當(dāng)前時(shí)刻的坐標(biāo)及其相對(duì)位置差。
[0020]步驟4:判斷物體的狀態(tài)。
[0021]步驟4.1:假設(shè)物體為靜止?fàn)顟B(tài)，求其相對(duì)位置差的期望和協(xié)方差矩陣。
[0022]步驟4.2:根據(jù)協(xié)方差矩陣構(gòu)造一個(gè)大小隨之改變的區(qū)域A，以及一個(gè)以非當(dāng)前路標(biāo)為圓心、r為半徑的固定區(qū)域B，取兩者的并集C = A U B作為接受區(qū)域判斷物體的狀態(tài)。
[0023]步驟4.3:判斷物體的狀態(tài)。
[0024]如果相對(duì)位置差落在區(qū)域C內(nèi)，則接受原假設(shè)，認(rèn)為物體是靜態(tài)；否則，則拒絕原假設(shè)，認(rèn)為物體是動(dòng)態(tài)。
[0025]與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果:
[0026]本發(fā)明在對(duì)環(huán)境中物體狀態(tài)進(jìn)行檢測(cè)時(shí)，考慮了移動(dòng)機(jī)器人的定位和測(cè)量誤差對(duì)物體位置觀測(cè)值的影響，從而提高了對(duì)物體狀態(tài)判斷的準(zhǔn)確度，解決了以往方法在動(dòng)態(tài)稀疏環(huán)境中由于機(jī)器人定位誤差而引起的物體狀態(tài)誤判問(wèn)題，為后續(xù)的地圖構(gòu)建與定位打下良好的基礎(chǔ)。
【專利附圖】

【附圖說(shuō)明】
[0027]圖1是本發(fā)明所涉及方法的流程圖；
[0028]圖2是本發(fā)明雙目視覺(jué)傳感器模型示意圖；
[0029]圖3是本發(fā)明實(shí)施例所建立的全局和局部坐標(biāo)系示意圖；
[0030]圖4是本發(fā)明中的圖形匹配的結(jié)果圖:(a)為當(dāng)前時(shí)刻圖像，(b)為歷史圖像；
[0031]圖5是圖4 (a)的圖像視覺(jué)BoW直方圖；
[0032]圖6是本發(fā)明中的移動(dòng)機(jī)器人的SLAM仿真結(jié)果圖。
【具體實(shí)施方式】
[0033]本發(fā)明所涉及方法的流程如圖1所示，包括以下步驟:
[0034]步驟1:采集環(huán)境圖像，獲取圖像的特征向量集合。
[0035]步驟1.1，移動(dòng)機(jī)器人通過(guò)雙目視覺(jué)傳感器采集環(huán)境圖像。[0036]步驟1.2，利用多尺度多方向Gabor函數(shù)構(gòu)建能量圖像空間，并采用非極大抑制方法對(duì)8點(diǎn)鄰域范圍內(nèi)檢測(cè)的極值點(diǎn)進(jìn)行篩選。
[0037](1)基于Gabor函數(shù)設(shè)i十一組多方向的奇對(duì)稱與偶對(duì)稱濾波器:
[0038]
【權(quán)利要求】
1.動(dòng)態(tài)稀疏環(huán)境下機(jī)器人SLAM物體狀態(tài)檢測(cè)方法，其特征在于，在檢測(cè)物體狀態(tài)時(shí)考慮移動(dòng)機(jī)器人的定位和測(cè)量誤差對(duì)物體位置觀測(cè)值的影響；所述方法包括以下步驟: 步驟1:采集環(huán)境圖像，獲取圖像的特征向量集合； 步驟1.1，移動(dòng)機(jī)器人通過(guò)雙目視覺(jué)傳感器采集環(huán)境圖像； 步驟1.2，利用多尺度多方向Gabor函數(shù)構(gòu)建能量圖像空間，并采用非極大抑制方法對(duì)8點(diǎn)鄰域范圍內(nèi)檢測(cè)的極值點(diǎn)進(jìn)行篩選； 步驟1.3，通過(guò)SURF描述子構(gòu)建向量以表示特征點(diǎn)附近的局部區(qū)域，獲得當(dāng)前圖像的特征向量集合； (1)對(duì)以特征點(diǎn)為圓心、以6σ為半徑的鄰域中的點(diǎn)計(jì)算X和Y方向上的Haar小波響應(yīng)； (2)以60°的扇形滑動(dòng)窗口繞圓心遍歷整個(gè)圓，計(jì)算窗口內(nèi)的響應(yīng)總和，并取最長(zhǎng)向量作為特征點(diǎn)主方向； (3)以特征點(diǎn)為中心，主方向?yàn)閄方向構(gòu)造一個(gè)大小為20σ的方框，將其分成4X4個(gè)子區(qū)域；對(duì)每一個(gè)子區(qū)域分別計(jì)算Σ(1χ，Xdy, Σ |dx和Σ |dy|，其中，dx、尖分別為子區(qū)域內(nèi)各點(diǎn)X和Y方向上的Haar小波響應(yīng)；則每一個(gè)子區(qū)域可用向量V =(Sdx, Xdy, Σ |dx|，Σ |dy|)T表示，這樣特征點(diǎn)附近的局部區(qū)域可以用一個(gè)4X4X4 = 64維的特征向量描述； 步驟2:判斷當(dāng)前圖像與歷史圖像中的物體是否一致； 步驟2.1，求當(dāng)前圖像特征點(diǎn)與某時(shí)刻歷史圖像的匹配點(diǎn)； 求當(dāng)前圖像某一特征點(diǎn)對(duì)應(yīng)的特征向量與歷史圖像所有特征點(diǎn)對(duì)應(yīng)特征向量的余弦相似度，相似度最大的點(diǎn)即為所求的匹配點(diǎn)； 利用最近鄰算法計(jì)算兩特征向量Vl，V2的余弦相似度S，公式如下:
2.根據(jù)權(quán)利要求1所述的動(dòng)態(tài)稀疏環(huán)境下機(jī)器人SLAM物體狀態(tài)檢測(cè)方法，其特征在于，所述步驟1.2構(gòu)建能量圖像空間并采用非極大抑制方法對(duì)8點(diǎn)鄰域范圍內(nèi)檢測(cè)的極值點(diǎn)進(jìn)行篩選的方法包括以下步驟: (O基于Gabor函數(shù)設(shè)i十一組多方向的奇對(duì)稱與偶對(duì)稱濾波器:
3.根據(jù)權(quán)利要求1所述的動(dòng)態(tài)稀疏環(huán)境下機(jī)器人SLAM物體狀態(tài)檢測(cè)方法，其特征在于，所述步驟4.2構(gòu)建接受區(qū)域的方法包括以下內(nèi)容: 所述步驟4.1中的分布可以寫成二維聯(lián)合正態(tài)分布的形式:
【文檔編號(hào)】G06T7/00GK103824080SQ201410060988
【公開日】2014年5月28日 申請(qǐng)日期:2014年2月21日 優(yōu)先權(quán)日:2014年2月21日
【發(fā)明者】曹政才, 黃志明, 付宜利, 馬逢樂(lè), 陳嵩, 翁志萍, 王炅 申請(qǐng)人:北京化工大學(xué)