發(fā)布時間：2021-03-10 09:16

　　在人機共融環(huán)境中,移動機器人自主移動必須解決可通行區(qū)域感知與自身定位的問題。因此提出了一種基于行人行為學(xué)習(xí)的機器人同時定位與可通行區(qū)域制圖算法。該算法首先基于行人行為學(xué)習(xí)的方式對非結(jié)構(gòu)化道路環(huán)境中的可通行區(qū)域進(jìn)行采樣,并使用區(qū)域生長算法得到連通的可通行區(qū)域。在定位與制圖過程中,將視覺SLAM技術(shù)與檢測到的行人信息和可通行區(qū)域信息結(jié)合起來,在匹配過程中剔除動態(tài)行人身上的特征點,并通過恒速率模型+DLT算法和貪心搜索+DLT算法結(jié)合的方式提升匹配的速度和魯棒性,在Bundle Adjustment優(yōu)化過程中針對不同特征點給予不同的權(quán)重以進(jìn)一步提升精度,并在構(gòu)建的環(huán)境點云地圖中增量式添加所檢測到的可通行區(qū)域信息。試驗表明在復(fù)雜的非結(jié)構(gòu)道路環(huán)境中,該算法可以在移動機器人平臺上同時實現(xiàn)準(zhǔn)確的自定位和包含可通行區(qū)域的環(huán)境地圖。 

【文章來源】：機械工程學(xué)報. 2019,55(11)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

檢測框的位置示意圖

月2019年6月邢志偉等：基于行人行為學(xué)習(xí)的機器人同時定位與可通行區(qū)域制圖39利用自適應(yīng)極大值抑制算法對行人檢測得到的檢測框進(jìn)行優(yōu)化后，得到的結(jié)果如圖5所示。從結(jié)果可以看到，自適應(yīng)極大值抑制算法在解決窗口重疊問題的同時，能夠準(zhǔn)確地將多個相鄰的行人分開，得到各個行人的位置。圖5自適應(yīng)非極大值抑制效果1.2道路采樣區(qū)域建模通過快速行人檢測算法，可以得到圖片中行人位置信息，在行人腳步附近采樣一塊區(qū)域作為可通行區(qū)域的模型。當(dāng)檢測到單個行人時，直接在腳步位置附近采樣，當(dāng)檢測到多個行人時，根據(jù)各個行人在圖片中的位置綜合得到采樣區(qū)域，根據(jù)采樣區(qū)域得到采樣區(qū)域的實例如圖6所示。圖6根據(jù)行人位置得到采樣區(qū)域得到采樣區(qū)域后，建立道路采樣區(qū)域多變量高斯模型來描述道路區(qū)域，之后利用區(qū)域生長算法得到圖像中的所有可通行區(qū)域。這里采用RGB顏色空間，IIS顏色空間，LBP共七個維度來描述每一個像素。采樣區(qū)域的均值矢量和協(xié)方差矩陣用每一個像素的七個通道計算，計算公式如式(1)、(2)所示,11SinCCiSinP(1)TT,,11SinCCiCiCCSinPP(2)式中，123,,,,,,LBPCrgbcccc表示每個像素的七個通道，r，g，b對應(yīng)RGB通道，1c，2c，3c代表IIS通道，LBPc代表LBP通道。sn表示樣本區(qū)域中的像素點個數(shù)，C,iP代表第i個像素點對應(yīng)的七個通道值構(gòu)成的矢量。圖像中像素點與道路采樣區(qū)域模型的相似度可以使用該像素點與多變量高斯模型之間的馬氏距離來度量，像素點C,iP與模型,cc之間的馬氏距離記為,()CiDp，其定義如式(3

機械工程學(xué)報第55卷第11期期40屬于道路區(qū)域，若屬于道路區(qū)域，則將該像素標(biāo)記為道路區(qū)域，更新道路區(qū)域模型，將像素添加到隊列末尾，之后重復(fù)執(zhí)行第二步；若不屬于道路區(qū)域，則跳到下一步驟。第三步中，判斷當(dāng)前隊列是否為空，若為空則算法退出，否則跳回繼續(xù)執(zhí)行第二步。利用區(qū)域生長算法感知可通行域得到的結(jié)果如圖7所示，圖中第一行為原始圖像，第二行為利用區(qū)域生長算法求取可通行域得到的結(jié)果。圖7區(qū)域生長算法效果2與可通行區(qū)域結(jié)合的視覺SLAM有了環(huán)境中行人及可通行區(qū)域的信息之后，需要進(jìn)一步將這些信息與機器人對自身的定位和環(huán)境地圖的構(gòu)建結(jié)合起來。本文采用了ORB-SLAM的整體算法框架，將視覺SLAM框架分為三個模塊：跟蹤模塊，負(fù)責(zé)相機的位姿估計；制圖模塊，負(fù)責(zé)地圖的繪制和位姿、地圖的優(yōu)化；閉環(huán)檢測模塊，負(fù)責(zé)閉環(huán)檢測，消除機器人定位制圖過程中的累積誤差。在跟蹤模塊中主要進(jìn)行特征提取，初始位姿估計，位姿優(yōu)化，關(guān)鍵幀選擇。在制圖模塊中主要進(jìn)行冗余關(guān)鍵幀和地圖點的剔除，語義信息的插入，新地圖點的生成和局部優(yōu)化工作。在閉環(huán)檢測模塊主要負(fù)責(zé)環(huán)路檢測，環(huán)路融合，全局地圖及位姿的優(yōu)化。因為整體框架與ORB-SLAM一致，這里不再贅述與ORB-SLAM框架相同的算法策略，主要描述如何與前面提取到的行人信息與可通行區(qū)域信息結(jié)合，以提升算法效果及生成帶有可通行區(qū)域信息的環(huán)境地圖描述。視覺SLAM部分的算法框架結(jié)構(gòu)如圖8所示。結(jié)合前述基于行人位置的道路可通行區(qū)域生成算法，主要對ORB-SLAM的原算法架構(gòu)做了如下優(yōu)化：在跟蹤模塊中，剔除了動態(tài)行人身上的特征點，并提出了更加魯棒的恒速率模型+DLT和貪心搜索+DLT特征匹配算法，加快了匹配的速度，

【參考文獻(xiàn)】：
期刊論文
[1]基于NI myRIO的室內(nèi)小環(huán)境實時定位與地圖構(gòu)建[J]. 王霏,馮志權(quán),邵海燕.  山東工業(yè)技術(shù). 2020(03)



本文編號：3074434