基于图像标记识别的移动机器人猛击方法

基于图像标记识别的移动机器人猛击方法

[专利摘要]本发明提出了一种基于图像标记识别的移动机器人SLAM方法，该方法使用EKF-SLAM模型来更新机器人状态参数的时间和基于标记识别的测量值更新. 该方法可以从环境中获取大量信息，从而使机器人可以构建高精度的环境图. 与现有方法相比，具有对环境空间结构的认识更准确，抗干扰能力强，构造图精度高的特点.

[专利描述]-一种基于图像标记识别的移动机器人SLAM方法

【技术领域】

[p] [0001]本发明涉及机器人技术领域，尤其是结合计算机图像技术结合基于扩展卡尔曼滤波器的同步定位与地图构建（EKF-SLAM）方法来实现机器人对环境的探索. 并构建环境图.

【背景技术】

[0002]同步定位和映射（SLAM）的概念最早是由Smith，Self和Cheeseman在1988年提出的. 这种方法描述了机器人从未知环境中的未知位置开始然后探索机器人的情况. 未知环境: 机器人在运动过程中反复观察环境，然后根据传感器感知到的环境特征定位其位置和姿势，然后根据其位置递增构建地图. 这就提出了SLAM中包含的两个目标: 同时定位和地图构建. 地图的构建是将从传感器收集的一系列信息整合到一个一致的模型（即地图）中. 生成的地图用于描述当前环境并定位机器人. 在地图上估计机器人的坐标和姿势.

[0003]对于实际的SLAM应用程序，通常有两种典型方案: 跟踪-在这种情况下，通常已知机器人的初始位置；全球定位-在这种情况下通常很少或根本不提供有关机器人起始位置或环境特征的先验信息. 因此，SLAM的核心定义为机器人运动路径和环境特征的后验估计. 要解决SLAM问题，必须建立一个适当的模型来解决这种后验概率.

[0004]在过去的十年中，针对SLAM问题的各种解决方案已经出现在机器人技术领域. 其中，基于扩展卡尔曼滤波器（EKF）的EKF-SLAM方法已得到广泛认可和广泛使用. 该方法首先估计运动过程中某个时刻的状态，然后以（嘈杂的）测量变量的形式获得反馈，最后根据该反馈校正估计值. 这样移动机器人图片，EKF-SLAM可以有效地估计过去，现在甚至将来的运动状态，而无需了解机器人的详细性质.

[0005] Durrant-Whyte H，BaileyT. 同时定位和映射: 第一部分[J]. 机器人与自动化杂志，IEEE，2006，13（2）: 99-110. 讨论EKF-SLAM模型的建立. 该模型基于描述机器人的动作，然后使用EKF状态更新和测量值更新来反复估计机器人的动作以获得SLAM问题的解决方案. 该模型不关注机器人主体的特性，并且具有很强的平台移动性. ThrUnS，BURGARD W，FoxD. 概率机器人技术[M]. 剑桥: 麻省理工学院出版社移动机器人图片，2006，309-336，149-187. 详细讨论了激光传感器和超声传感器在SLAM中的应用. 该应用程序将传感器的测量值用作EKF-SLAM中测量方程的输入，并使用实际环境特征校正状态方程的估计. 同时，本文还详细分析了这类传感器的原理，讨论了传感器的测量值与实际值之间的偏差，并基于隐马尔可夫链，提出了一种概率密度函数来进行测量. 测量值的准确性. 通过这种应用方法对传感器特性的深入分析使其非常实用. 因此，它的仿真和实验表明对几种常见的环境噪声具有很强的鲁棒性，可以令人满意.

[0006]但是，上述EKF-SLAM方法有几个缺点:

[0007]（1）机器人只能识别是否存在局部空间障碍，而不能感知环境的空间结构. 如果环境结构高度对称（通常在人造建筑中发现，如走廊，大厅等），则机器人将受到这种对称性的影响，将运动范围限制在环境中很小的空间内，无法建立全球地图以及SLAM结果.

[0008]（2）单一测量方法. 在上述方法中，机器人仅使用一种类型的测量数据来更新测量. 尽管对几种常见类型的噪声进行了建模，但是当环境中发生未知干扰时，仍然很难纠正测量值误差. 考虑到EKF-SLAM方法完全依赖于测量值来校正估计，因此测量值的误差将严重影响计算结果.

[发明内容]

[0009]近年来，随着计算机技术，数字图像处理技术和图像处理硬件的进一步发展，计算机视觉已开始在机器人技术领域获得广泛关注. 与其他方法相比，基于计算机视觉的方法可以在相同条件下在环境中获取大量信息，并且具有高精度和不受电子干扰的优点. 同时，开放源代码OpenCV（开放计算机视觉）功能库使主流计算机视觉方法得以有效实施. 这样，如果将摄像机安装在机器人上以拍摄环境，则可以捕获丰富的环境特征，从而可以解决由于机器人对SLAM的感知能力有限而引起的问题.

[0010]本发明的技术方案是:

[0011]基于图像标记识别的移动机器人SLAM方法的特征在于以下步骤:

[0012]步骤1: 在机器人开始移动，机器人的实际数学模型和运动的初始条件之后，机器人将使用上次时间的状态信息，并根据时间更新方程式EKF-SLAM模型. 预测和估计状态，完成先验估计的构建，并同时构建图:

[0013]根据机器人运动过程的k-1时刻的状态信息，根据时间更新等式:

[0014]

[要求]

1. 一种基于图像标记识别的移动机器人SLAM方法，其特征在于以下步骤: 步骤1: 机器人开始移动后，机器人将使用机器人的实际数学模型和运动的初始条件. 最后时刻的状态信息根据EKF-SLAM模型的时间更新方程式，预测并估计此时的状态，完成先验估计的构造，并同时构造图: 根据时间更新等式，在机器人运动过程的第k-1个时刻获取状态信息:

计算在时间k的状态估计的先验值，其中P1: 是在时间k的协方差的先验值，Uh是在时间k-1施加到机器人的控制信号，A和B代表机器人针对毛和Ug的运动模型的雅可比矩阵; Q是先验估计误差； Ph是时间k-1处协方差的后验值；机器人运动过程的状态信息由机器人的位置和姿态信息组成. 该地图由m =（mu m2，...）τ组成，表示它由直到第k次为止由机器人存储的所有标记的坐标组成；第2步: 机器人实时拍摄环境并使用计算机视觉方法处理捕获的图像以找到标记图像中的位置，然后使用机器视觉测量方法来计算机器人与标记之间的相对位置关系得到相对位置关系作为EKF-SLAM模型的测量更新方程的输入，并根据测量更新方程估算机器人的位置状态. 进行更正: 步骤2.1: 识别标记: 标记由7x7的黑白小方块组成，最外面的小方块全为黑色，内部的5x5在小方块中，每行包括3个奇偶校验位和2个数据位，其中第二和第四位是数据位；奇偶校验位确定标记的方向，数据位指示标记是唯一的ID号. 步骤2. 1. 1: 将机器人拍摄的图像转换为灰色空间；步骤2. 1. 2: 将已转换为灰度空间的图像二值化；步骤2. 1. 3: 在二值化图像中检测轮廓线并找到候选标记对象；步骤2. 1.4: 检测候选标记并确定标记的ID号；步骤2.2: 估计相对标记对于机器人的位置和姿势: 步骤2. 2. 1: 对于已识别的标记，取三个点A'，B'和C'的图像坐标（？Vi）不在轮廓上共线，然后分别计算机器人图像采集设备成像平面上成像点的坐标（UV），i = A'，B'，C':

其中，M是机器人图像获取设备的内部参数矩阵，并且获得了机器人图像获取设备的坐标系中的点A，B和C在投影方向上的单位矢量ei，其中点A，B和C是点A. 现实世界中与“，B”，C'对应的点:

eA′，eB′和ec′是在机器人图像获取装置坐标系的投影方向上的点A，B和C的单位矢量. 步骤2. 2. 2: 根据以下公式:

计算空间点A，B和C之间的距离DAB，DBC，DAC；标记中单个小正方形的边长；并根据方程式

获得从机器人图像采集设备的光学中心到点A，B和C的距离dA，dB，d. 然后按公式

在机器人图像采集设备的坐标系中获取点A，B和C的坐标P，“ j = A，B，C； eA = eA，eB = eB” eC = eC，步骤2. 3 : 从点A，B和C中取任意一点，然后执行以下计算:

其中，h是机器人与标记之间的距离，％是标记与机器人的行进方向之间的角度； Xp是在点A，B和C中获取的任何点的坐标值； η是观测误差； zk是第k时刻的测量值；步骤2.3: 根据步骤2.2中获得的第k个时刻的测量值，在EKF-SLAM模型的测量更新方程中

在步骤1中获得的时间k的状态估计的先验值和时间k的协方差p1的先验值: 校正后，时间k处的机器人状态估计的后验值和协方差Check值Pk;其中，H代表机器人观察模型对4的雅可比矩阵； R是测量误差；步骤2.4: 地图扩展: 每次观察标记后，机器人都会将标记的位置扩展到所构建的地图中.

2. 2.根据权利要求1所述的基于图像标记识别的移动机器人SLAM方法，其特征在于:

【文件号】G05D1 / 02GK104062973SQ201410283032

【公众日】2014年9月24日申请日期: 2014年6月23日优先日期: 2014年6月23日

[发明人]卜树辉，何碧，刘振宝申请人: 西北工业大学

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-192100-1.html