动态稀疏环境下机器人slam物体状态检测方法
【专利摘要】本发明涉及动态稀疏环境下机器人SLAM物体状态检测方法，首先，通过视觉传感器对环境进行图像采集，使用SURF描述子获得图像的特征向量集合；其次，基于最近邻算法对当前时刻与历史时刻的图像进行匹配并通过RANSAC算法检验匹配是否成功以判断两个时刻的物体是否一致；然后，利用视差法获得物体的深度信息，并根据平面几何关系进一步得到物体两个时刻的全局坐标和相对位置差；最后，结合假设检验的思想得到接受区域，并通过检验相对位置差是否落在接受区域内来判断物体的状态。本发明在对环境中物体状态进行检测时，考虑移动机器人的定位和测量误差对物体位置观测值的影响，提高对物体状态判断的准确度。
【专利说明】动态稀疏环境下机器人SLAM物体状态检测方法
【技术领域】
[0001]本发明属于移动机器人导航【技术领域】，涉及一种动态稀疏环境下面向移动机器人同步定位与地图构建(simultaneous localization and mapping, SLAM)问题的物体状态检测方法。
【背景技术】
[0002]SLAM技术被称为自主移动机器人领域的“圣杯(Holy grail) ”，是移动机器人实现完全智能化的关键。随着移动机器人在物流、探测、服务等领域的广泛应用，SLAM问题成为了移动机器人领域的研究热点，并日益受到学术界及工程界密切关注。
[0003]当移动机器人在动态环境中工作时，有必要区别对待静态物体和动态物体:仅有静态物体才能作为路标为机器人提供定位信息，而动态物体只能被当作障碍物进行避障处理。当机器人在稀疏环境(即能够利用的路标比较稀少的工作环境)下工作时，从环境中获得的信息大大减少，导致地图构建和定位的精度显著下降，从而加大了动静态物体的区分难度，同时又反作用于机器人的地图构建和定位的精度，于是就陷入一个恶性循环。因此，一个有效的动态稀疏环境下移动机器人物体状态检测方法具有重要的理论意义及应用价值。
[0004]11 a等人利用Po s e-SLAM方法，采用机器人的历史位姿构建地图，从而解决了由于路标稀缺导致环境信息减少的问题；而Yaghmaie等人提出利用三态地图(thethree-state map)作为动态路标检测的依据,从而解决了动态环境下的SLAM问题。然而，前者只考虑了静态环境，无法解决动态环境下移动机器人的SLAM问题；而后者虽然考虑到了动态环境，但其前提是路标足够多，当路标比较稀缺时，由环境信息减少而导致定位精度下降容易使得静态物体被错误地判断成动态物体。
【发明内容】
[0005]移动机器人在路标稀少情况下难以准确判断物体状态的问题，提供一种动态稀疏环境下面向移动机器人SLAM问题的物体状态检测方法，在对环境中物体状态进行检测时，考虑移动机器人的定位和测量误差对物体位置观测值的影响，提高物体状态检测的准确性。
[0006]动态稀疏环境下机器人SLAM物体状态检测方法，包括以下步骤:
[0007]步骤1:采集环境图像，获取图像的特征向量集合。
[0008]步骤1.1，移动机器人通过双目视觉传感器采集环境图像。
[0009]步骤1.2，利用多尺度多方向Gabor函数构建能量图像空间，并采用非极大抑制方法对8点邻域范围内检测的极值点进行筛选。
[0010]步骤1.3，通过SURF描述子构建向量以表示特征点附近的局部区域，获得当前图像的特征向量集合。
[0011]步骤2:判断当前图像与历史图像中的物体是否一致。[0012]步骤2.1，求当前图像与某时刻历史图像的匹配点。
[0013]利用最近邻算法计算当前图像的每一个特征点对应的特征向量与历史图像所有特征向量的余弦相似度。取余弦相似度最大值点作为图像匹配点，求出当前图像与历史图像的所有匹配点。
[0014]步骤2.2，判断两个时刻图像中物体的一致性。
[0015]通过RANSAC算法检验匹配是否成功以判断这两个时刻图像中的物体是否一致，如果一致则进行步骤3 ;如果不一致但当前图像的视觉显著度大于阈值则保存并返回步骤1，否则，直接返回步骤I。
[0016]步骤3:利用视差法获取图像中物体的深度信息，并计算该物体两个时刻的全局坐标和相对位置差。
[0017]步骤3.1:获取图像中物体的深度信息。
[0018]在极线几何约束下，根据三角测量原理，并利用双目视觉传感器获取匹配位置下的视差图像来提取物体的深度信息。
[0019]步骤3.2:求物体在历史时刻和当前时刻的坐标及其相对位置差。
[0020]步骤4:判断物体的状态。
[0021]步骤4.1:假设物体为静止状态，求其相对位置差的期望和协方差矩阵。
[0022]步骤4.2:根据协方差矩阵构造一个大小随之改变的区域A，以及一个以非当前路标为圆心、r为半径的固定区域B，取两者的并集C = A U B作为接受区域判断物体的状态。
[0023]步骤4.3:判断物体的状态。
[0024]如果相对位置差落在区域C内，则接受原假设，认为物体是静态；否则，则拒绝原假设，认为物体是动态。
[0025]与现有技术相比，本发明具有以下有益效果:
[0026]本发明在对环境中物体状态进行检测时，考虑了移动机器人的定位和测量误差对物体位置观测值的影响，从而提高了对物体状态判断的准确度，解决了以往方法在动态稀疏环境中由于机器人定位误差而引起的物体状态误判问题，为后续的地图构建与定位打下良好的基础。
【专利附图】
【附图说明】
[0027]图1是本发明所涉及方法的流程图；
[0028]图2是本发明双目视觉传感器模型示意图；
[0029]图3是本发明实施例所建立的全局和局部坐标系示意图；
[0030]图4是本发明中的图形匹配的结果图:(a)为当前时刻图像，(b)为历史图像；
[0031]图5是图4 (a)的图像视觉BoW直方图；
[0032]图6是本发明中的移动机器人的SLAM仿真结果图。
【具体实施方式】
[0033]本发明所涉及方法的流程如图1所示，包括以下步骤:
[0034]步骤1:采集环境图像，获取图像的特征向量集合。
[0035]步骤1.1，移动机器人通过双目视觉传感器采集环境图像。[0036]步骤1.2，利用多尺度多方向Gabor函数构建能量图像空间，并采用非极大抑制方法对8点邻域范围内检测的极值点进行筛选。
[0037](1)基于Gabor函数设i十一组多方向的奇对称与偶对称滤波器:
[0038]
【权利要求】
1.动态稀疏环境下机器人SLAM物体状态检测方法，其特征在于，在检测物体状态时考虑移动机器人的定位和测量误差对物体位置观测值的影响；所述方法包括以下步骤: 步骤1:采集环境图像，获取图像的特征向量集合； 步骤1.1，移动机器人通过双目视觉传感器采集环境图像； 步骤1.2，利用多尺度多方向Gabor函数构建能量图像空间，并采用非极大抑制方法对8点邻域范围内检测的极值点进行筛选； 步骤1.3，通过SURF描述子构建向量以表示特征点附近的局部区域，获得当前图像的特征向量集合； (1)对以特征点为圆心、以6σ为半径的邻域中的点计算X和Y方向上的Haar小波响应； (2)以60°的扇形滑动窗口绕圆心遍历整个圆，计算窗口内的响应总和，并取最长向量作为特征点主方向； (3)以特征点为中心，主方向为X方向构造一个大小为20σ的方框，将其分成4X4个子区域；对每一个子区域分别计算Σ(1χ，Xdy, Σ |dx和Σ |dy|，其中，dx、尖分别为子区域内各点X和Y方向上的Haar小波响应；则每一个子区域可用向量V =(Sdx, Xdy, Σ |dx|，Σ |dy|)T表示，这样特征点附近的局部区域可以用一个4X4X4 = 64维的特征向量描述； 步骤2:判断当前图像与历史图像中的物体是否一致； 步骤2.1，求当前图像特征点与某时刻历史图像的匹配点； 求当前图像某一特征点对应的特征向量与历史图像所有特征点对应特征向量的余弦相似度，相似度最大的点即为所求的匹配点； 利用最近邻算法计算两特征向量Vl，V2的余弦相似度S，公式如下:
2.根据权利要求1所述的动态稀疏环境下机器人SLAM物体状态检测方法，其特征在于，所述步骤1.2构建能量图像空间并采用非极大抑制方法对8点邻域范围内检测的极值点进行筛选的方法包括以下步骤: (O基于Gabor函数设i十一组多方向的奇对称与偶对称滤波器:
3.根据权利要求1所述的动态稀疏环境下机器人SLAM物体状态检测方法，其特征在于，所述步骤4.2构建接受区域的方法包括以下内容: 所述步骤4.1中的分布可以写成二维联合正态分布的形式:
【文档编号】G06T7/00GK103824080SQ201410060988
【公开日】2014年5月28日 申请日期:2014年2月21日 优先权日:2014年2月21日
【发明者】曹政才, 黄志明, 付宜利, 马逢乐, 陈嵩, 翁志萍, 王炅 申请人:北京化工大学