基于行人行为学习的机器人同时定位与可通行区域制图
发布时间：2021-03-10 09:16
在人机共融环境中,移动机器人自主移动必须解决可通行区域感知与自身定位的问题。因此提出了一种基于行人行为学习的机器人同时定位与可通行区域制图算法。该算法首先基于行人行为学习的方式对非结构化道路环境中的可通行区域进行采样,并使用区域生长算法得到连通的可通行区域。在定位与制图过程中,将视觉SLAM技术与检测到的行人信息和可通行区域信息结合起来,在匹配过程中剔除动态行人身上的特征点,并通过恒速率模型+DLT算法和贪心搜索+DLT算法结合的方式提升匹配的速度和鲁棒性,在Bundle Adjustment优化过程中针对不同特征点给予不同的权重以进一步提升精度,并在构建的环境点云地图中增量式添加所检测到的可通行区域信息。试验表明在复杂的非结构道路环境中,该算法可以在移动机器人平台上同时实现准确的自定位和包含可通行区域的环境地图。
【文章来源】：机械工程学报. 2019,55(11)北大核心
【文章页数】：10 页
【部分图文】：
检测框的位置示意图
月2019年6月邢志伟等：基于行人行为学习的机器人同时定位与可通行区域制图39利用自适应极大值抑制算法对行人检测得到的检测框进行优化后，得到的结果如图5所示。从结果可以看到，自适应极大值抑制算法在解决窗口重叠问题的同时，能够准确地将多个相邻的行人分开，得到各个行人的位置。图5自适应非极大值抑制效果1.2道路采样区域建模通过快速行人检测算法，可以得到图片中行人位置信息，在行人脚步附近采样一块区域作为可通行区域的模型。当检测到单个行人时，直接在脚步位置附近采样，当检测到多个行人时，根据各个行人在图片中的位置综合得到采样区域，根据采样区域得到采样区域的实例如图6所示。图6根据行人位置得到采样区域得到采样区域后，建立道路采样区域多变量高斯模型来描述道路区域，之后利用区域生长算法得到图像中的所有可通行区域。这里采用RGB颜色空间，IIS颜色空间，LBP共七个维度来描述每一个像素。采样区域的均值矢量和协方差矩阵用每一个像素的七个通道计算，计算公式如式(1)、(2)所示,11SinCCiSinP(1)TT,,11SinCCiCiCCSinPP(2)式中，123,,,,,,LBPCrgbcccc表示每个像素的七个通道，r，g，b对应RGB通道，1c，2c，3c代表IIS通道，LBPc代表LBP通道。sn表示样本区域中的像素点个数，C,iP代表第i个像素点对应的七个通道值构成的矢量。图像中像素点与道路采样区域模型的相似度可以使用该像素点与多变量高斯模型之间的马氏距离来度量，像素点C,iP与模型,cc之间的马氏距离记为,()CiDp，其定义如式(3
机械工程学报第55卷第11期期40属于道路区域，若属于道路区域，则将该像素标记为道路区域，更新道路区域模型，将像素添加到队列末尾，之后重复执行第二步；若不属于道路区域，则跳到下一步骤。第三步中，判断当前队列是否为空，若为空则算法退出，否则跳回继续执行第二步。利用区域生长算法感知可通行域得到的结果如图7所示，图中第一行为原始图像，第二行为利用区域生长算法求取可通行域得到的结果。图7区域生长算法效果2与可通行区域结合的视觉SLAM有了环境中行人及可通行区域的信息之后，需要进一步将这些信息与机器人对自身的定位和环境地图的构建结合起来。本文采用了ORB-SLAM的整体算法框架，将视觉SLAM框架分为三个模块：跟踪模块，负责相机的位姿估计；制图模块，负责地图的绘制和位姿、地图的优化；闭环检测模块，负责闭环检测，消除机器人定位制图过程中的累积误差。在跟踪模块中主要进行特征提取，初始位姿估计，位姿优化，关键帧选择。在制图模块中主要进行冗余关键帧和地图点的剔除，语义信息的插入，新地图点的生成和局部优化工作。在闭环检测模块主要负责环路检测，环路融合，全局地图及位姿的优化。因为整体框架与ORB-SLAM一致，这里不再赘述与ORB-SLAM框架相同的算法策略，主要描述如何与前面提取到的行人信息与可通行区域信息结合，以提升算法效果及生成带有可通行区域信息的环境地图描述。视觉SLAM部分的算法框架结构如图8所示。结合前述基于行人位置的道路可通行区域生成算法，主要对ORB-SLAM的原算法架构做了如下优化：在跟踪模块中，剔除了动态行人身上的特征点，并提出了更加鲁棒的恒速率模型+DLT和贪心搜索+DLT特征匹配算法，加快了匹配的速度，
【参考文献】：
期刊论文
[1]基于NI myRIO的室内小环境实时定位与地图构建[J]. 王霏,冯志权,邵海燕. 山东工业技术. 2020(03)
本文编号：3074434
【文章来源】：机械工程学报. 2019,55(11)北大核心
【文章页数】：10 页
【部分图文】：
检测框的位置示意图
月2019年6月邢志伟等：基于行人行为学习的机器人同时定位与可通行区域制图39利用自适应极大值抑制算法对行人检测得到的检测框进行优化后，得到的结果如图5所示。从结果可以看到，自适应极大值抑制算法在解决窗口重叠问题的同时，能够准确地将多个相邻的行人分开，得到各个行人的位置。图5自适应非极大值抑制效果1.2道路采样区域建模通过快速行人检测算法，可以得到图片中行人位置信息，在行人脚步附近采样一块区域作为可通行区域的模型。当检测到单个行人时，直接在脚步位置附近采样，当检测到多个行人时，根据各个行人在图片中的位置综合得到采样区域，根据采样区域得到采样区域的实例如图6所示。图6根据行人位置得到采样区域得到采样区域后，建立道路采样区域多变量高斯模型来描述道路区域，之后利用区域生长算法得到图像中的所有可通行区域。这里采用RGB颜色空间，IIS颜色空间，LBP共七个维度来描述每一个像素。采样区域的均值矢量和协方差矩阵用每一个像素的七个通道计算，计算公式如式(1)、(2)所示,11SinCCiSinP(1)TT,,11SinCCiCiCCSinPP(2)式中，123,,,,,,LBPCrgbcccc表示每个像素的七个通道，r，g，b对应RGB通道，1c，2c，3c代表IIS通道，LBPc代表LBP通道。sn表示样本区域中的像素点个数，C,iP代表第i个像素点对应的七个通道值构成的矢量。图像中像素点与道路采样区域模型的相似度可以使用该像素点与多变量高斯模型之间的马氏距离来度量，像素点C,iP与模型,cc之间的马氏距离记为,()CiDp，其定义如式(3
机械工程学报第55卷第11期期40属于道路区域，若属于道路区域，则将该像素标记为道路区域，更新道路区域模型，将像素添加到队列末尾，之后重复执行第二步；若不属于道路区域，则跳到下一步骤。第三步中，判断当前队列是否为空，若为空则算法退出，否则跳回继续执行第二步。利用区域生长算法感知可通行域得到的结果如图7所示，图中第一行为原始图像，第二行为利用区域生长算法求取可通行域得到的结果。图7区域生长算法效果2与可通行区域结合的视觉SLAM有了环境中行人及可通行区域的信息之后，需要进一步将这些信息与机器人对自身的定位和环境地图的构建结合起来。本文采用了ORB-SLAM的整体算法框架，将视觉SLAM框架分为三个模块：跟踪模块，负责相机的位姿估计；制图模块，负责地图的绘制和位姿、地图的优化；闭环检测模块，负责闭环检测，消除机器人定位制图过程中的累积误差。在跟踪模块中主要进行特征提取，初始位姿估计，位姿优化，关键帧选择。在制图模块中主要进行冗余关键帧和地图点的剔除，语义信息的插入，新地图点的生成和局部优化工作。在闭环检测模块主要负责环路检测，环路融合，全局地图及位姿的优化。因为整体框架与ORB-SLAM一致，这里不再赘述与ORB-SLAM框架相同的算法策略，主要描述如何与前面提取到的行人信息与可通行区域信息结合，以提升算法效果及生成带有可通行区域信息的环境地图描述。视觉SLAM部分的算法框架结构如图8所示。结合前述基于行人位置的道路可通行区域生成算法，主要对ORB-SLAM的原算法架构做了如下优化：在跟踪模块中，剔除了动态行人身上的特征点，并提出了更加鲁棒的恒速率模型+DLT和贪心搜索+DLT特征匹配算法，加快了匹配的速度，
【参考文献】：
期刊论文
[1]基于NI myRIO的室内小环境实时定位与地图构建[J]. 王霏,冯志权,邵海燕. 山东工业技术. 2020(03)
本文编号：3074434
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3074434.html
