CN106780650B - 智能测绘方法及*** - Google Patents
智能测绘方法及*** Download PDFInfo
- Publication number
- CN106780650B CN106780650B CN201611186386.5A CN201611186386A CN106780650B CN 106780650 B CN106780650 B CN 106780650B CN 201611186386 A CN201611186386 A CN 201611186386A CN 106780650 B CN106780650 B CN 106780650B
- Authority
- CN
- China
- Prior art keywords
- potential energy
- map
- point
- range finder
- scanning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005381 potential energy Methods 0.000 claims abstract description 168
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种智能测绘方法,所述智能测绘方法包括以下步骤:获取扫描测距仪的扫描数据;根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;判断所述目标点集合是否为空;当所述目标点集合为空时,根据所述灰度地图生成建筑平面图。本发明还公开一种智能测绘***。通过使用饱和函数激励的SLAM算法收敛时更新灰度地图和势能图,使得每次更新都为有效更新,避免盲目更新造成的时间浪费;同时通过判断所述目标点集合是否为空,判断是否存在未知区域,确保了判断是否扫描结束的准确性,加快了扫描速度,提高了生成建筑平面图的速度。
Description
技术领域
本发明涉及机器人技术领域,尤其涉及智能测绘方法及***。
背景技术
当前对现有建筑绘制室内建筑平面图,多是采用皮尺量记录数据,然后由人工绘制图纸而成,由于存在人为误差,所得的室内建筑平面图精度不高,受个人主观性因素影响较大。虽然当前也存在一些利用机器人携带激光测距仪或红外测距仪等来进行室内自动化测量的方法。但是由于机器人导航技术和算法本身的缺陷,在每次扫描都进行地图的更新,而导致进行无效更新浪费测量时间,同时还会导致在大面积区域中的运动定位不准确,不能正确判断是否完成区域的探索,导致不能完整生成的建筑平面图。
发明内容
本发明的主要目的在于提供一种智能测绘方法及机器人,旨在根据减少无效更新的同时生成完整的建筑平面图。
为实现上述目的,本发明提供一种智能测绘方法,所述智能测绘方法包括以下步骤:
获取扫描测距仪的扫描数据;
根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;
判断所述目标点集合是否为空;
当所述目标点集合为空时,根据所述灰度地图生成建筑平面图。
优选地,在所述判断所述目标点集合是否为空之前包括:
使用矩阵S存储所述势能图,所述矩阵S的每个元素值对应所述灰度地图中的一个点的势能值;
根据所述扫描数据,使用以下公式更新所述矩阵S中Si,j的值,所述Si,j对应于所述灰度地图的已探索区域中空地中的一个点:
maximize Si,j
subject to Si,j≤χk+dk
其中χk=[Si-1,j,Si-1,j+1,Si-1,j-1,Si,j-1,Si,j+1,Si+1,j,Si+1,j+1,Si+1,j-1]T,k小于等于8;当χk为无穷大时,dk也为无穷大;当χk不为无穷大时,dk取向量中的第k个元素。
优选地,所述智能测绘方法还包括:
当根据优化后的所述势能图,判断所述目标点集合不为空时,获取所述扫描测距仪所在位置的周围点势能值集合,其中所述势能图中已知区域内的障碍物的势能值大于已知区域内的空地的势能值,已知区域内的空地的势能值大于未知区域内的势能值,所述周围点势能值集合包括所述扫描测距仪所在位置所有周围点的势能值;
判断所述周围点势能值集合中所有的势能值是否全部相等;
若是,则清空所述目标点集合,并根据所述灰度地图生成建筑平面图;
若否,则控制所述扫描测距仪移动到所述周围点势能值集合中最小势能值所对应的点,并执行所述获取扫描测距仪的扫描数据步骤。
优选地,所述根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图包括:
获取所述势能图中的非目标点,所述非目标点为势能值比所述未知区域内的势能值大的点,所述未知区域内的势能值为一个固定的预设值;
从所述目标点集合剔除所述非目标点。
优选地,所述获取扫描测距仪的扫描数据包括:获取所述扫描测距仪的测距信号发射头至任一障碍物点之间的测量距离;
根据所述测量距离,以及所述测距信号发射头、所述扫描测距仪的测距信号接收头和所述激光扫描测距仪的扫描中心的相对位置,计算得到该障碍物点校正后的距离。
此外还提供一种智能测绘***,所述智能测绘***包括:
第一获取模块,用于获取扫描测距仪的扫描数据;
第一更新模块,用于根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;
第一判断模块,用于判断所述目标点集合是否为空;
第一生成模块,用于当所述目标点集合为空时,根据所述灰度地图生成建筑平面图。
优选地,所述智能测绘***还包括:
矩阵模块,用于使用矩阵S存储所述势能图,所述矩阵S的每个元素值对应所述灰度地图中的一个点的势能值;
第二更新模块,用于根据所述扫描数据,使用以下公式更新所述矩阵S中Si,j的值,所述Si,j对应于所述灰度地图的已探索区域中空地中的一个点:
maximize Si,j
subject to Si,j≤χk+dk
其中χk=[Si-1,j,Si-1,j+1,Si-1,j-1,Si,j-1,Si,j+1,Si+1,j,Si+1,j+1,Si+1,j-1]T,k小于等于8;当χk为无穷大时,dk也为无穷大;当χk不为无穷大时,dk取向量中的第k个元素。
优选地,所述智能测绘***还包括:
第二获取模块,用于当根据优化后的所述势能图,判断所述目标点集合不为空时,获取所述扫描测距仪所在位置的周围点势能值集合,其中所述势能图中已知区域内的障碍物的势能值大于已知区域内的空地的势能值,已知区域内的空地的势能值大于未知区域内的势能值,所述周围点势能值集合包括所述扫描测距仪所在位置所有周围点的势能值;
第二判断模块,用于判断所述周围点势能值集合中所有的势能值是否全部相等;
第二生成模块,用于当所述周围点势能值集合中所有的势能值相等时,清空所述目标点集合,并根据所述灰度地图生成建筑平面图;
移动模块,用于当所述周围点势能值集合中所有的势能值没有全部相等时,控制所述扫描测距仪移动到所述周围点势能值集合中最小势能值所对应的点,并开启所述第一获取模块。
优选地,所述第一更新模块包括:第一获取单元,用于获取所述势能图中的非目标点,所述非目标点为势能值比所述未知区域内的势能值大的点,所述未知区域内的势能值为一个固定的预设值;
剔除单元,用于从所述目标点集合剔除所述非目标点。
优选地,所述第一获取模块包括:第二获取单元,用于获取所述扫描测距仪的测距信号发射头至任一障碍物点之间的测量距离;
计算单元,用于根据所述测量距离,以及所述测距信号发射头、所述扫描测距仪的测距信号接收头和所述激光扫描测距仪的扫描中心的相对位置,计算得到该障碍物点校正后的距离。
本发明通过根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;判断所述目标点集合是否为空;当所述目标点集合为空时,根据所述灰度地图生成建筑平面图。通过使用饱和函数激励的SLAM算法收敛时更新所述灰度地图和势能图,使得每次更新都为有效更新,避免盲目更新造成的时间浪费;同时通过判断判断所述目标点集合是否为空,判断是否还存在未知区域,确保了判断是否扫描结束的准确性,保证了生成建筑平面图的完整性。
附图说明
图1为本发明智能测绘方法第一实施例的流程示意图;
图2为本发明智能测绘方法第三实施例中发出让所述扫描测距仪移动到所述周围点势能值集合中最小势能值所对应的点进行扫描步骤的细化流程示意图;
图3为本发明智能测绘方法第四实施例中根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图步骤的细化流程示意图;
图4为本发明智能测绘方法第五实施例中获取扫描测距仪的扫描数据的扫描数据步骤的细化流程示意图;
图5为本发明智能测绘***第一实施例的功能模块示意图;
图6为本发明智能测绘***第二实施例的功能模块示意图;
图7为本发明智能测绘***第三实施例的功能模块示意图;
图8为本发明智能测绘***第四实施例中第一更新模块的细化功能模块示意图;
图9为本发明智能测绘***第五实施例中第一获取模块的细化功能模块示意图;
图10为本发明智能测绘***第一实施例中扫描测距仪全局坐标系下的偏角的示意图;
图11为本发明智能测绘***第四实施例中测距信号发射头、扫描测距仪的测距信号接收头和激光扫描测距仪的扫描中心的相对位置的几何关系示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种智能测绘方法,参照图1,在本发明智能测绘方法第一实施例中,所述智能测绘方法包括以下步骤:
步骤S10,获取扫描测距仪的扫描数据;
步骤S20,根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;
在本实施例中,在进行第一次扫描前,所更新的灰度地图为一个预设的全部是未探索区域的颜色,所述目标点集合为预设的一个不为空的集合,所述势能图为和所述灰度地图对应的势能图;在第一次更新时,使用所述扫描数据使用饱和函数激励的SLAM算法更新灰度地图点、目标点集合及灰度地图对应的势能图。
更具体地,所述饱和函数激励的SLAM算法为:设在第k次迭代扫描测距仪采集到的数据中第i个数据点。激光打到的障碍物点的局部坐标定义由于局部坐标系的原点为激光扫描时的扫描中心,因此扫描中心的局部坐标恒为[0,0]T。定义在本实施例中激光扫描时的扫描中心与机器人的几何中心相同,使得机器人几何中心的位置与激光扫描时的中心一致。设机器人的运动学输入为u。在本实施例中,所述扫描为使用扫描测距仪进行360度的激光测距扫描,每扫描一圈后便进行一次估计算法。设在第k次扫描后得到的第i个数据点对应的障碍物的全局坐标为并定义扫描测距仪在全局坐标系下的坐标为并定义请参照图10,扫描测距仪全局坐标系下的偏角为βk。则障碍物点及扫描测距仪的全局坐标可通过下列估计算法进行估计:
其中,ωk为扫描测距仪的角速度,Q为包含在机器人输入向量u中的零均值白噪声w(t)的协方差,R也是一个零均值白噪声的协方差,j为估计算法的迭代标志,δ为离散估计时间间隔,在本实施例中为0.0001秒。饱和激励函数Φν(z)=[Φν(z1),Φν(z2),…,Φν(zn)]T,其中ν>0∈R为饱和函数的饱和阈值且Φν(z)的第c个元素定义如下:
步骤S30,判断所述目标点集合是否为空;
当目标点集合的不为空,即表示所述灰度地图中还有区域的颜色为灰色,即还有未知区域需要扫描。
步骤S40,当所述目标点集合为空时,根据所述灰度地图生成建筑平面图。
所述灰度地图包括已知区域内的空地、已知区域内的障碍物和未知区域,分别在灰度地图上使用白色、黑色和灰色表示。
在本实施例中,接收到激光扫描测距仪的扫描数据,所述激光扫描测距仪为机器人搭载的360度激光扫描测距仪,并根据所述扫描结果使用上述饱和函数激励的SLAM算法的公式收敛时,初始化灰度地图,并根据所述灰度地图生成势能图,判断目标点集合是否为空,如果所述目标点集合为空,则说明所有区域已经被探索完成,所有区域已经变成已知区域,根据更新后的所述灰度地图生成建筑平面图。通过使用饱和函数激励的SLAM算法收敛时更新所述灰度地图和势能图,使得每次更新都为有效更新,避免盲目更新造成的时间浪费;同时,判断是否还存在未知区域,确保了判断是否扫描完所有区域的准确性,也加快了扫描速度,提高了生成建筑平面图的速度。
基于本发明智能测绘方法第一实施例,在本发明智能测绘方法第二实施例中,在所述步骤S30之前包括:
使用矩阵S存储所述势能图,所述矩阵S的每个元素值对应所述灰度地图中的一个点的势能值;
根据所述扫描数据,使用以下公式更新所述矩阵S中Si,j的值,所述Si,j对应于所述灰度地图的已探索区域中空地中的一个点:
maximize Si,j
subject to Si,j≤χk+dk
其中χk=[Si-1,j,Si-1,j+1,Si-1,j-1,Si,j-1,Si,j+1,Si+1,j,Si+1,j+1,Si+1,j-1]T,k小于等于8;当χk为无穷大时,dk也为无穷大;当χk不为无穷大时,dk取向量中的第k个元素。
具体在本实施例中,利用所述扫描测距仪结合误差校正算法和饱和函数激励的SLAM算法更新所述灰度地图,所述灰度地图含N×N个像素点。在本实施例中,测绘的对象为商品房,面积为150平方米。在SLAM算法中设置灰度地图对应的物理图为边长20m的正方形,则灰度图中每个两个像素点之间的距离为20/1000=2cm。势能图用N×N矩阵S来存储,其中Si,j为所述灰度地图上点的(i,j)处的势能值。通过矩阵使用博弈论求解优化问题,并更新所述势能图,加快了更新速度,同时使用上述公式更新所势能地图,加速了目标点集合为空的速度,提高了测绘速度。
请参照图2,基于本发明智能测绘方法第一实施例,在本发明智能测绘方法第三实施例中,所述智能测绘方法还包括:
步骤S70,当根据优化后的所述势能图,判断所述目标点集合不为空时,获取所述扫描测距仪所在位置的周围点势能值集合,其中所述势能图中已知区域内的障碍物的势能值大于已知区域内的空地的势能值,已知区域内的空地的势能值大于未知区域内的势能值,所述周围点势能值集合包括所述扫描测距仪所在位置所有周围点的势能值;
步骤S80,判断所述周围点势能值集合中所有的势能值是否全部相等;
若是,则执行步骤S90,清空所述目标点集合,并根据所述灰度地图生成建筑平面图;
若否,则执行步骤S100,控制所述扫描测距仪移动到所述周围点势能值集合中最小势能值所对应的点,并执行所述步骤S10。
具体地,所述势能图的大小与所述灰度地图一致,其对应障碍物的坐标的势能值为2N2(可视为无穷大),对应已经知道的空地部分的势能值则在0至1之间随机设定。所述激光扫描测距仪所在位置为(m,n),所述周围点势能值集合为{Sm-1,n,Sm-1,n+1,Sm-1,n-1,Sm,n,Sm,n+1,Sm,n-1,Sm+1,n,Sm+1,n+1,Sm+1,n-1},若Sm-1,n=Sm-1,n+1=Sm-1,n-1=Sm,n=Sm,n+1=Sm,n-1=Sm+1,n=Sm+1,n+1=Sm+1,n-1,则将势能图内所有势能值为0的点的势能值设置为非0,并并根据所述灰度地图生成建筑平面图;否则,发出控制机器人运动到Sm-1,n,Sm-1,n+1,Sm-1,n-1,Sm,n-1,Sm,n+1,Sm+1,n,Sm+1,n+1,Sm+1,n-1中值最小的位置进行扫描,进一步缩小所述目标点集合。通过把势能图使用矩阵形式表达,在进行更新势能图时,对应所述灰度地图中已知区域的空地区域中的点,通过使用上述公式进行更新,使得在判断下个扫描点时能扫描到更多的位置区域,使得能更加快速计算出下次的扫描地点,加快扫描未知区域的速度,进一步提高了生成建筑平面图的效率。
请参照图3,基于本发明智能测绘方法第三实施例,在本发明智能测绘方法第四实施例中,所述步骤S20包括:
步骤S21,获取所述势能图中的非目标点,所述非目标点为势能值比所述未知区域内的势能值大的点,所述未知区域内的势能值为一个固定的预设值;
步骤S22,从所述目标点集合剔除所述非目标点。
具体地,在本实施例中所述预设值为0,在获取势能图中所有大于0的势能值所对应的点后,并从目标点集合去除,通过使用势能值来对所述目标点集来进行去除,使得运算快捷方便,加快了测绘速度。
请参照图4,基于本发明智能测绘方法第一实施例,在本发明智能测绘方法第五实施例中,所述步骤S10包括:
步骤S11,获取所述扫描测距仪的测距信号发射头至任一障碍物点之间的测量距离;
步骤S12,根据所述测量距离,以及所述测距信号发射头、所述扫描测距仪的测距信号接收头和所述激光扫描测距仪的扫描中心的相对位置,计算得到该障碍物点校正后的距离。
在本实施例中,所述测距信号发射头为激光发射头,所述扫描测距仪的测距信号接收头为激光接收头,所述激光扫描测距仪的几何中心为扫描中心,也为计算所使用的局部坐标系的原点。当进行扫描时使用如图11所示的几何关系,对获取到的障碍物的点进行校正,具体如下:
本实施例中,从所述激光扫描测距仪测获得的激光打到障碍物点到所述激光扫描测距仪的测量距离为d2,其发激光发射头和激光接收头的距离为l,激光发射头和激光接收头连线到其几何中心的距离为h,其所述激光扫描测距仪的几何中心至障碍物点上的校正后的距离为d1,障碍物点和激光扫描测距仪几何中心连线与激光扫描测距仪初始位置的中心线的偏角为θ,其物理半径为R1。由几何关系有且且h2+l2/4=R1 2。从而可得误差校正公式如下:
设在第k次迭代扫描测距仪采集到的数据中第i个数据点为可通过计算得出相应的激光打到的障碍物点的局部坐标在本实施例中所述扫描测距仪的参数R1和l在出厂时已经由硬件设定。d2由所述扫描测距仪根据不同的障碍物点测量得到。此外在有些实施例中所述参数R1和也可以通过***辨识方法中的最小二乘法获得。通过对所述扫描测距仪测得数据,根据所述扫描测距仪硬件的参数,进行优化校正,减小测量的误差,挺高了扫描测距仪测定位的精度,更提高所生成的灰度地图、势能图和建筑平面图的精度。
本发明提供一种智能测绘***,参照图5,在本发明智能测绘***第一实施例中,所述智能测绘***包括以下步骤:
第一获取模块10,用于获取扫描测距仪的扫描数据;
第一更新模块20,用于根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;
在本实施例中,在进行第一次扫描前,所更新的灰度地图为一个预设的全部是未探索区域的颜色,所述目标点集合为预设的一个不为空的集合,所述势能图为和所述灰度地图对应的势能图;在第一次更新时,使用所述扫描数据使用饱和函数激励的SLAM算法更新灰度地图点、目标点集合及灰度地图对应的势能图。
更具体地,所述饱和函数激励的SLAM算法为:设在第k次迭代扫描测距仪采集到的数据中第i个数据点。激光打到的障碍物点的局部坐标定义由于局部坐标系的原点为激光扫描时的扫描中心,因此扫描中心的局部坐标恒为[0,0]T。定义在本实施例中激光扫描时的扫描中心与机器人的几何中心相同,使得机器人几何中心的位置与激光扫描时的中心一致。设机器人的运动学输入为u。在本实施例中,所述扫描为使用扫描测距仪进行360度的激光测距扫描,每扫描一圈后便进行一次估计算法。设在第k次扫描后得到的第i个数据点对应的障碍物的全局坐标为并定义扫描测距仪在全局坐标系下的坐标为并定义请参照图10,扫描测距仪全局坐标系下的偏角为βk。则障碍物点及扫描测距仪的全局坐标可通过下列估计算法进行估计:
其中,ωk为扫描测距仪的角速度,Q为包含在机器人输入向量u中的零均值白噪声w(t)的协方差,R也是一个零均值白噪声的协方差,j为估计算法的迭代标志,δ为离散估计时间间隔,在本实施例中为0.0001秒。饱和激励函数Φν(z)=[Φν(z1),Φν(z2),…,Φν(zn)]T,其中ν>0∈R为饱和函数的饱和阈值且Φν(z)的第c个元素定义如下:
第一判断模块30,用于判断所述目标点集合是否为空;
如果所述势能图中还有点的势能值为0,即表示所述灰度地图中还有区域的颜色为灰色,即还有未知区域需要扫描。
第一生成模块40,用于当所述目标点集合为空时,根据所述灰度地图生成建筑平面图。
所述灰度地图包括已知区域内的空地、已知区域内的障碍物和未知区域,分别在灰度地图上使用白色、黑色和灰色表示。
本实施例中,第一获取模块10接收到激光扫描测距仪的扫描数据,所述激光扫描测距仪为机器人搭载的360度激光扫描测距仪,第一更新模块20根据所述扫描结果使用上述饱和函数激励的SLAM算法的公式收敛时,初始化灰度地图,并根据所述灰度地图生成势能图,第一判断模块30判断目标点集合是否为空,如果所述目标点集合为空,则说明所有区域已经被探索完成,所有区域已经变成已知区域,第一生成模块40根据更新后的所述灰度地图生成建筑平面图。通过使用饱和函数激励的SLAM算法收敛时更新所述灰度地图,和势能图,使得每次更新都为有效更新,避免盲目更新造成的时间浪费;同时通过判断有所述势能图中是否有势能值是否还有为预设值的点,判断是否还存在未知区域,确保了判断是否扫描完所有区域的准确性,也加快了扫描速度,提高了生成建筑平面图的速度。
请参照图6,基于本发明智能测绘***第一实施例,在本发明智能测绘***第二实施例中,所述智能测绘***包括:
矩阵模块50,用于使用矩阵S存储所述势能图,所述矩阵S的每个元素值对应所述灰度地图中的一个点的势能值;
第二更新模块60,用于根据所述扫描数据,使用以下公式更新所述矩阵S中Si,j的值,所述Si,j对应于所述灰度地图的已探索区域中空地中的一个点:
maximize Si,j
subject to Si,j≤χk+dk
其中χk=[Si-1,j,Si-1,j+1,Si-1,j-1,Si,j-1,Si,j+1,Si+1,j,Si+1,j+1,Si+1,j-1]T,k小于等于8;当χk为无穷大时,dk也为无穷大;当χk不为无穷大时,dk取向量中的第k个元素。
具体在本实施例中,利用所述扫描测距仪结合误差校正算法和饱和函数激励的SLAM算法更新所述灰度地图,所述灰度地图含N×N个像素点。在本实施例中,测绘的对象为商品房,面积为150平方米。在SLAM算法中设置灰度地图对应的物理图为边长20m的正方形,则灰度图中每个两个像素点之间的距离为20/1000=2cm。矩阵模块50把势能图用N×N矩阵S来存储,其中Si,j为所述灰度地图上点的(i,j)处的势能值。第二更新模块60通过矩阵使用博弈论求解优化问题,并更新所述势能图,加快了更新速度,同时使用上述公式更新所势能地图,加速了目标点集合为空的速度,提高了测绘速度。
请参照图7,基于本发明智能测绘***第一实施例,在本发明智能测绘***第三实施例中,所述智能测绘***还包括:
第二获取模块70,用于当根据优化后的所述势能图,判断所述目标点集合不为空时,获取所述扫描测距仪所在位置的周围点势能值集合,其中所述势能图中已知区域内的障碍物的势能值大于已知区域内的空地的势能值,已知区域内的空地的势能值大于未知区域内的势能值,所述周围点势能值集合包括所述扫描测距仪所在位置所有周围点的势能值。
第二判断模块80,用于判断所述周围点势能值集合中所有的势能值是否全部相等;
第二生成模块90,用于当所述周围点势能值集合中所有的势能值相等时,清空所述目标点集合,并根据所述灰度地图生成建筑平面图;
移动模块100,用于当所述周围点势能值集合中所有的势能值没有全部相等时,控制所述扫描测距仪移动到所述周围点势能值集合中最小势能值所对应的点,并开启所述第一获取模块10。
具体地,所述势能图的大小与所述灰度地图一致,其对应障碍物的坐标的势能值为2N2(可视为无穷大),对应未知区域的坐标的势能值为0,对应已经知道的空地部分的势能值则在0至1之间随机设定,所述激光扫描测距仪所在位置为(m,n),第二获取模块70获取所述周围点势能值集合为:
{Sm-1,n,Sm-1,n+1,Sm-1,n-1,Sm,n,Sm,n+1,Sm,n-1,Sm+1,n,Sm+1,n+1,Sm+1,n-1}
若第二判断模块80判断:
Sm-1,n=Sm-1,n+1=Sm-1,n-1=Sm,n=Sm,n+1=Sm,n-1=Sm+1,n=Sm+1,n+1=Sm+1,n-1
则第二生成模块90将势能图内所有势能值为0的点的势能值设置为非0,并并根据所述灰度地图生成建筑平面图;否则,移动模块100发出控制机器人运动到Sm-1,n,Sm-1,n+1,Sm-1,n-1,Sm,n-1,Sm,n+1,Sm+1,n,Sm+1,n+1,Sm+1,n-1中值最小的位置,进行扫描,进一步缩小所述目标点集合。通过把势能图使用矩阵形式表达,在进行更新势能图时,对应所述灰度地图中已知区域的空地区域中的点,通过使用上述公式进行更新,使得在判断下个扫描点时能扫描到更多的位置区域,使得能更加快速计算出下次的扫描地点,加快了扫描未知区域的速度,进一步提高了生成所述建筑平面图的效率。
请参照图8,基于本发明智能测绘***第三实施例,在本发明智能测绘***第四实施例中,所述第一更新模块20包括:
第一获取单元21,用于获取所述势能图中的非目标点,所述非目标点为势能值比所述未知区域内的势能值大的点,所述未知区域内的势能值为一个固定的预设值;
剔除单元22,用于从所述目标点集合剔除所述非目标点。
具体地,在本实施例中第一获取单元21中所述预设值为0,在获取势能图中所有大于0的势能值所对应的点后,剔除单元21从目标点集合去除,通过使用势能值来对所述目标点集来进行去除,使得运算快捷方便,加快了测绘速度。
请参照图9,基于本发明智能测绘***第一实施例,在本发明智能测绘***第五实施例中,所述第一获取模块10包括:
第二获取单元11,用于获取所述扫描测距仪的测距信号发射头至任一障碍物点之间的测量距离;
计算单元12,用于根据所述测量距离,以及所述测距信号发射头、所述扫描测距仪的测距信号接收头和所述激光扫描测距仪的扫描中心的相对位置,计算得到该障碍物点校正后的距离。
在本实施例中,所述扫描测距仪的测距信号发射头为激光发射头,所述扫描测距仪的测距信号接收头为激光接收头,所述激光扫描测距仪的几何中心为扫描中心,也为计算所使用的局部坐标系的原点。当进行扫描时使用如图11所示的几何关系,对获取到的障碍物的点进行校正,具体如下:
本实施例中,第二获取单元11从所述激光扫描测距仪测获得的激光打到障碍物点到所述激光扫描测距仪的测量距离为d2,其发激光发射头和激光接收头的距离为l,激光发射头和激光接收头连线到其几何中心的距离为h,其所述激光扫描测距仪的几何中心至障碍物点上的校正后的距离为d1,障碍物点和激光扫描测距仪几何中心连线与激光扫描测距仪初始位置的中心线的偏角为θ,其物理半径为R1。由几何关系有且且h2+l2/4=R1 2。从而可得误差校正公式如下:
设在第k次迭代扫描测距仪采集到的数据中第i个数据点为计算单元12可通过 计算得出相应的激光打到的障碍物点的局部坐标在本实施例中所述扫描测距仪的参数R1和l在出厂时已经由硬件设定。d2由所述扫描测距仪根据不同的障碍物点测量得到。此外在有些实施例中所述参数R1和也可以通过***辨识方法中的最小二乘法获得。通过对所述扫描测距仪测得数据,根据所述扫描测距仪硬件的参数,进行优化校正,减小测量的误差,挺高了扫描测距仪测定位的精度,更提高所生成的灰度地图、势能图和建筑平面图的精度。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种智能测绘方法,其特征在于,所述智能测绘方法包括以下步骤:
获取扫描测距仪的扫描数据;
根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;
判断所述目标点集合是否为空;
当所述目标点集合为空时,根据所述灰度地图生成建筑平面图;
在所述判断所述目标点集合是否为空之前包括:
使用矩阵S存储所述势能图,所述矩阵S的每个元素值对应所述灰度地图中的一个点的势能值;
根据所述扫描数据,使用以下公式更新所述矩阵S中Si,j的值,所述Si,j对应于所述灰度地图的已探索区域中空地中的一个点:
maximize Si,j
subject to Si,j≤χk+dk
其中χk=[Si-1,j,Si-1,j+1,Si-1,j-1,Si,j-1,Si,j+1,Si+1,j,Si+1,j+1,Si+1,j-1]T,k小于等于8;
当χk为无穷大时,dk也为无穷大;
所述智能测绘方法还包括:
当根据优化后的所述势能图,判断所述目标点集合不为空时,获取所述扫描测距仪所在位置的周围点势能值集合,其中所述势能图中已知区域内的障碍物的势能值大于已知区域内的空地的势能值,已知区域内的空地的势能值大于未知区域内的势能值,所述周围点势能值集合包括所述扫描测距仪所在位置所有周围点的势能值;
判断所述周围点势能值集合中所有的势能值是否全部相等;
若是,则清空所述目标点集合,并根据所述灰度地图生成建筑平面图;
若否,则控制所述扫描测距仪移动到所述周围点势能值集合中最小势能值所对应的点,并执行所述获取扫描测距仪的扫描数据步骤。
2.如权利要求1所述的智能测绘方法,其特征在于,所述根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图包括:
获取所述势能图中的非目标点,所述非目标点为势能值比所述未知区域内的势能值大的点,所述未知区域内的势能值为一个固定的预设值;
从所述目标点集合剔除所述非目标点。
3.根据权利要求1或2所述的智能测绘方法,其特征在于,所述获取扫描测距仪的扫描数据包括:
获取所述扫描测距仪的测距信号发射头至任一障碍物点之间的测量距离;
根据所述测量距离,以及所述测距信号发射头、所述扫描测距仪的测距信号接收头和所述扫描测距仪的扫描中心的相对位置,计算得到该障碍物点校正后的距离。
4.一种智能测绘***,其特征在于,所述智能测绘***包括:
第一获取模块,用于获取扫描测距仪的扫描数据;
第一更新模块,用于根据所述扫描数据,使用饱和函数激励的SLAM算法更新灰度地图、目标点集合及灰度地图对应的势能图;
第一判断模块,用于判断所述目标点集合是否为空;
第一生成模块,用于当所述目标点集合为空时,根据所述灰度地图生成建筑平面图;
所述智能测绘***还包括:
矩阵模块,用于使用矩阵S存储所述势能图,所述矩阵S的每个元素值对应所述灰度地图中的一个点的势能值;
第二更新模块,用于根据所述扫描数据,使用以下公式更新所述矩阵S中Si,j的值,所述Si,j对应于所述灰度地图的已探索区域中空地中的一个点:
maximize Si,j
subject to Si,j≤χk+dk
其中χk=[Si-1,j,Si-1,j+1,Si-1,j-1,Si,j-1,Si,j+1,Si+1,j,Si+1,j+1,Si+1,j-1]T,k小于等于8;
当χk为无穷大时,dk也为无穷大;
所述智能测绘***还包括:
第二获取模块,用于当根据优化后的所述势能图,判断所述目标点集合不为空时,获取所述扫描测距仪所在位置的周围点势能值集合,其中所述势能图中已知区域内的障碍物的势能值大于已知区域内的空地的势能值,已知区域内的空地的势能值大于未知区域内的势能值,所述周围点势能值集合包括所述扫描测距仪所在位置所有周围点的势能值;
第二判断模块,用于判断所述周围点势能值集合中所有的势能值是否全部相等;
第二生成模块,用于当所述周围点势能值集合中所有的势能值相等时,清空所述目标点集合,并根据所述灰度地图生成建筑平面图;
移动模块,用于当所述周围点势能值集合中所有的势能值没有全部相等时,控制所述扫描测距仪移动到所述周围点势能值集合中最小势能值所对应的点,并开启所述第一获取模块。
5.如权利要求4所述的智能测绘***,其特征在于,所述第一更新模块包括:
第一获取单元,用于获取所述势能图中的非目标点,所述非目标点为势能值比所述未知区域内的势能值大的点,所述未知区域内的势能值为一个固定的预设值;
剔除单元,用于从所述目标点集合剔除所述非目标点。
6.根据权利要求4或5所述的智能测绘***,其特征在于,所述第一获取模块包括:
第二获取单元,用于获取所述扫描测距仪的测距信号发射头至任一障碍物点之间的测量距离;
计算单元,用于根据所述测量距离,以及所述测距信号发射头、所述扫描测距仪的测距信号接收头和所述扫描测距仪的扫描中心的相对位置,计算得到该障碍物点校正后的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611186386.5A CN106780650B (zh) | 2016-12-20 | 2016-12-20 | 智能测绘方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611186386.5A CN106780650B (zh) | 2016-12-20 | 2016-12-20 | 智能测绘方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780650A CN106780650A (zh) | 2017-05-31 |
CN106780650B true CN106780650B (zh) | 2020-07-31 |
Family
ID=58893897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611186386.5A Active CN106780650B (zh) | 2016-12-20 | 2016-12-20 | 智能测绘方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780650B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108958251A (zh) * | 2018-07-13 | 2018-12-07 | 四川超影科技有限公司 | 一种机器人巡检地图设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5024880A (en) * | 1990-01-03 | 1991-06-18 | Minnesota Mining And Manufacturing Company | Cellular pressure-sensitive adhesive membrane |
CN101033971A (zh) * | 2007-02-09 | 2007-09-12 | 中国科学院合肥物质科学研究院 | 一种移动机器人地图创建***及地图创建方法 |
CN104898660A (zh) * | 2015-03-27 | 2015-09-09 | 中国科学技术大学 | 一种提高机器人路径规划效率的室内地图构建方法 |
CN106052674A (zh) * | 2016-05-20 | 2016-10-26 | 青岛克路德机器人有限公司 | 一种室内机器人的slam方法和*** |
CN205721777U (zh) * | 2015-08-28 | 2016-11-23 | 意法半导体股份有限公司 | 视觉搜索设备和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7596242B2 (en) * | 1995-06-07 | 2009-09-29 | Automotive Technologies International, Inc. | Image processing for vehicular applications |
-
2016
- 2016-12-20 CN CN201611186386.5A patent/CN106780650B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5024880A (en) * | 1990-01-03 | 1991-06-18 | Minnesota Mining And Manufacturing Company | Cellular pressure-sensitive adhesive membrane |
CN101033971A (zh) * | 2007-02-09 | 2007-09-12 | 中国科学院合肥物质科学研究院 | 一种移动机器人地图创建***及地图创建方法 |
CN104898660A (zh) * | 2015-03-27 | 2015-09-09 | 中国科学技术大学 | 一种提高机器人路径规划效率的室内地图构建方法 |
CN205721777U (zh) * | 2015-08-28 | 2016-11-23 | 意法半导体股份有限公司 | 视觉搜索设备和*** |
CN106052674A (zh) * | 2016-05-20 | 2016-10-26 | 青岛克路德机器人有限公司 | 一种室内机器人的slam方法和*** |
Non-Patent Citations (1)
Title |
---|
基于多传感器的室内移动机器人环境感知关键技术研究;何富君;《中国博士学位论文全文数据库 信息科技辑》;20100215;第I140-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106780650A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889808B (zh) | 一种定位的方法、装置、设备及存储介质 | |
CN108868268B (zh) | 基于点到面距离和互相关熵配准的无人车位姿估计方法 | |
US11199850B2 (en) | Estimation device, control method, program and storage medium | |
CN109813319B (zh) | 一种基于slam建图的开环优化方法及*** | |
CN108469826B (zh) | 一种基于机器人的地图生成方法及*** | |
CN111076733A (zh) | 一种基于视觉与激光slam的机器人室内建图方法及*** | |
JP4984659B2 (ja) | 自車両位置推定装置 | |
CN111060099B (zh) | 一种无人驾驶汽车实时定位方法 | |
CN111324121A (zh) | 一种基于激光雷达的移动机器人自动充电方法 | |
CN110118556A (zh) | 一种基于协方差交叉融合slam的机器人定位方法及装置 | |
CN111856499B (zh) | 基于激光雷达的地图构建方法和装置 | |
WO2019136613A1 (zh) | 机器人室内定位的方法及装置 | |
US20220253057A1 (en) | Image processing-based laser emission and dynamic calibration apparatus and method, device and medium | |
CN110702134A (zh) | 基于slam技术的车库自主导航装置及导航方法 | |
CN110736456A (zh) | 稀疏环境下基于特征提取的二维激光实时定位方法 | |
JP2023164553A (ja) | 位置推定装置、推定装置、制御方法、プログラム及び記憶媒体 | |
CN111678516A (zh) | 一种基于激光雷达的有界区域快速全局定位方法 | |
CN113405560A (zh) | 车辆定位和路径规划统一建模方法 | |
CN115031723B (zh) | 一种uwb定位精度提升方法 | |
CN114689035A (zh) | 基于多传感器融合的长航程农田地图构建方法及*** | |
Takeuchi et al. | Robust localization method based on free-space observation model using 3D-map | |
CN106780650B (zh) | 智能测绘方法及*** | |
CN114296097A (zh) | 基于GNSS和LiDAR的SLAM导航方法及*** | |
CN112684797B (zh) | 一种障碍物地图构建方法 | |
Chang et al. | Robust accurate LiDAR-GNSS/IMU self-calibration based on iterative refinement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |