CN112802195B - 一种基于声呐的水下机器人连续占据建图方法 - Google Patents
一种基于声呐的水下机器人连续占据建图方法 Download PDFInfo
- Publication number
- CN112802195B CN112802195B CN202011614360.2A CN202011614360A CN112802195B CN 112802195 B CN112802195 B CN 112802195B CN 202011614360 A CN202011614360 A CN 202011614360A CN 112802195 B CN112802195 B CN 112802195B
- Authority
- CN
- China
- Prior art keywords
- sonar
- map
- particle
- occupation
- gpcom
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013507 mapping Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 81
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 239000013598 vector Substances 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000005266 casting Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2210/56—Particle system, point based geometry or rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声呐的水下机器人连续占据建图方法,包括步骤:A.初始化粒子滤波器中的粒子数量和状态;B.预测更新AUV的位姿信息;C.声呐数据预处理,获取包含均匀采样点位置和占据状态的数据集;D.为每个粒子分配子数据集,基于高斯过程分类模型得到局部高斯过程连续占据地图;E.通过各个粒子所构建地图和实际测量的偏差计算更新所有粒子的权重;F.进行序列重要性重采样,获取有效粒子,并将有效粒子构建的地图融合得到局部占据地图;G.将每个建图周期的局部占据地图按照位姿时序融合为全局连续占据地图。本发明方法提高了对声呐观测噪声和异常值的鲁棒性并具有较高的建图精度;可以预测不能直接观测区域的占据情况和不确定性,意义重大。
Description
技术领域
本发明属于水下机器人感知技术领域,主要涉及一种基于声呐的水下机器人连续占据建图方法。
背景技术
近年来,世界各国对海洋安全、海洋资源和海洋经济等方面日益重视,高精度的海底地图可以为执行海洋任务的水下自主航行器(AUV)等海洋机器人提供导航和路径规划的依据和参考,具备十分重要的意义。目前海底地图的大规模构建主要是通过卫星遥感的方法实现的,但分辨率约为5公里,只有小部分海底环境地图是通过现代水下传感设备精确构建的。
水下环境光线不足、海水传导率较高,光学传感器与激光雷达难以在AUV上使用,用于水下建图的传感器主要为声呐。近年来,国内***绕基于声呐图像的水下建图方法已经进行了一系列的研究工作[1]。国外关于水下建图方法的研究工作主要集中于美国、澳大利亚和西班牙等国家,国内相应的研究机构有中国海洋大学、哈尔滨工程大学等[2]。目前所研究的水下建图方法主要适用于人工结构的水下环境,如水池、码头等,且主要基于人工设定的路标或者是水下环境四周明显的点、线等几何特征实现AUV的建图,如特征地图、拓扑地图和语义地图等。然而,对于缺乏有效环境特征点的复杂海底环境,利用明显的几何特征建立其环境模型是非常困难的,因此以上几种地图很难在海底环境应用。
目前对AUV构建自然海域的地形地图的研究还相对较少,在大尺度、自然海域的实时建图应用场景下,现有方法以水深测量地图(bathymetric map)为代表,这类水下占据栅格地图的分辨率/精度偏低,容易受到测量异常值和噪声影响,对未知区域和被占据区域的占据情况和不确定性没有预测能力,多用于精度和航行时间要求不高的近海任务场景。
连续占据建图(Continuous Occupancy Mapping,COM)是一种基于位置的概率性描述的连续建图技术,采用了监督学***及其不确定性[3][4]。即使在观测相对较少的情况下,该方法也能在遮挡区域和传感器之间提供含关联方差的占据概率推断,非常适用于未知环境和非结构化环境中的机器人定位导航和路径规划。与传统离散的占据栅格地图相比,它不再受限于离散的、分辨率固定的网格,可以生成任意分辨率的地图,地图也更精确,对观测噪声、异常值等因素也更具鲁棒性。
连续占据建图技术目前仍处于研究起步阶段,主要面向基于激光雷达和深度摄像机RGB-D的地面机器人任务场景,而相对复杂的水下场景鲜有涉及,目前国内外关于如何基于声呐进行水下连续占据建图的研究则更是十分少见。
[参考文献]
[1]Wilson T,Williams S B.Adaptive path planning for depth-constrainedbathymetric mapping with an autonomous surface vessel[J].Journal of FieldRobotics,2018,35(3):345-358.
[2]张书景.大尺度环境中自主式水下机器人同时定位与地图构建算法研究[博士学位论文],青岛:中国海洋大学,2014.
[3]O'Callaghan S T,Ramos F T.Gaussian process occupancy maps[J].International Journal of Robotics Research,2012,31(1):42-62.
[4]C.Rasmussen&C.Williams,Gaussian Processes for Machine Learning,MITPress,2006.
发明内容
本发明的目的在于,针对目前复杂海洋环境建图方法中存在的问题,提供一种基于声呐的水下机器人连续占据建图方法,将高斯过程连续占据建图(Gaussian ProcessContinuous Occupancy Mapping,GPCOM)技术应用到水下声呐建图,结合Rao-Blackwellized粒子滤波(RBPF)方法,最终通过多个有效粒子构建的局部地图融合得到全局连续占据地图。
为了解决上述问题,本发明提供了如下技术方案:
一种基于声呐的水下机器人连续占据建图方法,包括以下步骤:
步骤1:初始化Rao-Blackwellized粒子滤波中的粒子数量M、粒子状态和迭代次数Ncnt,以AUV接收到nscan帧声呐扫描数量为一个建图周期,每个扫描周期以最后一帧的时间为周期时间戳。对于第k个建图周期,其对应的粒子状态包含状态向量为xekf(k)=[z(k),vb(k),wb(k)]T,即可由深度计(DM)、多普勒速度计(DVL)等机载设备直接观测的AUV绝对深度、机体系b上的速度和加速度,该向量由所有粒子共享的扩展卡尔曼滤波器跟踪;每个粒子状态还包含不可直接观测到的状态向量该向量由粒子滤波器估计,其中前三项分别表示AUV的世界坐标系w水平方向x和y坐标和姿态角,后两项分别表示第i个(1≤i≤M)粒子携带的GPCOM地图和该粒子对应的权重。GPCOM地图初始化为占据值取值为0的连续场。
步骤2:通过AUV运动模型和步骤1中所述的扩展卡尔曼滤波,预测更新每个粒子携带的机器人位置和姿态信息;
步骤3:滤除声呐数据中的周围杂波和海底回波成分;采用光线投射法(Raycasting)以固定分辨率λz从声源出发沿着各波束方向进行均匀采样,根据各波束测量的环境占据情况,得到包含环境位置和占据值的数据;
具体地说,在一帧由nbeam个波束组成的声呐扫描中,对于某个方位角为ψq(k),q∈{1,...,nbeam}的声呐波束,从声呐数据中读取该波束对应的声呐测量距离,若该波束的测量距离rq(k)等于声呐最大探测距离rmax,则将该波束上的均匀采样点均定义为“自由点”,即未被占据状态,占据值设置为ofree=-1;若r(k)小于rmax,则将该波束末端的采样点记为“占据点”,即被占据状态,占据值设置为oocc=+1,并将该波束的信号源和该占据点之间的所有均匀采样点均设为自由点;将超出声呐最大探测距离rmax和在声呐探测范围内但无法直接测量到的均匀采样点记为占据状态未知,并设置占据值为ounknown=0。于是得到一帧声呐扫描中nbeam个波束实际的距离测量值r(k)、方位测量值ψsonar(k),将在这些波束上的均匀采样点由声呐极坐标系转换到声呐笛卡尔坐标系,再转换到世界笛卡尔坐标系,得到包含N个采样点位置xj和相应占据值oj={-1,+1}的离散数据集其中j∈{1,...,N};
步骤4:将步骤3得到的离散地图数据集随机采样,得到M个包含n=N/M个采样点数据的子数据集为每个粒子分配一个子数据集并使用高斯过程分类方法(GPC),建立高斯过程分类模型,对声呐扫描覆盖范围内的区域进行连续性的占据值分类及不确定性预测,从而更新每个粒子携带的GPCOM地图mi(k);
具体地说,将子数据集作为训练数据,假设该数据满足一个高斯过程其中x和x′均为输入向量,为均值函数,为预先定义的非平稳协方差函数,即核函数,非平稳核函数相对不够平滑,更适合地形起伏较多从而导致地图占据和非占据状态突变频繁的水下地图构建场景。
其中σn为输入噪声的标准差,K(·,·)为向量之间的协方差矩阵,I为n阶单位阵。
对于占据地图二值分类问题,将以上求得的高斯过程回归结果压缩到[0,1]区间即可得到高斯过程分类结果。本发明中可以使用概率最小二乘函数:
其中Φ(·)为累积高斯分布,参数α和β可通过交叉验证方法确定。
步骤5:对于每个粒子构建的GPCOM地图mi(k),利用光线投射法沿着每个波束查询GPCOM地图,找到该波束上占据值最大的点,并计算从声呐中心到该点的距离并与每个波束的实际测量值rq(k)对比,得到偏差,计算相应的粒子权重并更新,其中每个粒子在第k个建图周期的权重正比于期望值和实际值rq(k)的偏差:
其中σr为声呐的距离测量噪声的标准差;
步骤6:权重更新完毕后,对所有完成位姿和权重更新的粒子进行序列重要性重采样(Sequential Importance Resampling,SIR),达到迭代次数Ncnt后,提取个权重较高的粒子及其构建的GPCOM地图,并将其融合为该建图周期的局部GPCOM地图m(k);
步骤7:将每个建图周期构建的局部GPCOM地图m(k)按AUV的位姿时序进行全局融合,最终可得到全局GPCOM地图m。
与现有技术相比,本发明的有益效果为:
本发明实现了一种基于声呐的水下机器人连续占据建图方法,与传统离散占据栅格建图方法相比,基于高斯过程分类的水下连续建图方法利用了海底环境的空间依赖关系,提高了对声呐观测噪声和异常值的鲁棒性,同时保证了较高的建图精度;可以预测不能直接观测区域的占据情况和不确定性,这对海洋机器人在未知非结构化环境中的定位导航和路径规划至关重要;采用Rao-Blackwellized粒子滤波方法,将观测结果与每个粒子构建的局部GPCOM地图进行对比加权和序列重要性重采样,提高了建图精度;在每个建图周期内,通过采集的声呐数据构建训练数据集,并根据粒子数量划分子数据集,由局部GPCOM地图融合全局地图,复杂度由O(n3)减小到O(n3/M2),加快了地图构建速度,更适合大尺度环境建图。
附图说明
图1为本发明方法中的声呐、IMU等在水下机器人上的安装位置及其坐标系示意图。
图2为本发明方法中声呐使用光线投射法的示意图。
图3为本发明方法中声呐测量物体距离和方位示意图。
具体实施方式
下面结合附图对本发明方法的实施方式做详细说明。
本发明的原理准备如下:
在水下无人潜航器(以下简称“AUV”)上,声呐按图1安装在机身的头部,深度计和惯性测量单元IMU按图1安装在机身的中心位置,多普勒速度计DVL按图1安装在机身的头部,各自的坐标系如图1所示,各坐标系之间存在欧氏变换关系。
Rao-Blackwellized粒子滤波(RBPF):
该方法引入了Rao-Blackwellized分解思想,是一种混合滤波算法,它将机器人在线估计问题在形式上分解为可用粒子滤波(PF)估计的部分和可用扩展卡尔曼滤波(EKF)估计的部分,打破了使用单一滤波算法局限性,成为机器人定位与地图构建领域的重要方法之一。
本发明的具体步骤包括:
步骤1,初始化Rao-Blackwellized粒子滤波中的粒子数量M、粒子状态和迭代次数Ncnt,以AUV接收到nscan帧声呐扫描数量为一个建图周期,每个扫描周期以最后一帧的时间为周期时间戳。对于第k个建图周期,其对应的粒子状态包含状态向量为xekf(k)=[z(k),vb(k),wb(k)]T,即可由深度计(DM)、多普勒速度计(DVL)等机载设备直接观测的AUV绝对深度、机体系b上的速度和加速度,该向量由所有粒子共享的扩展卡尔曼滤波器跟踪;每个粒子状态还包含不可直接观测到的状态向量该向量由粒子滤波器估计,其中前三项分别表示AUV的世界坐标系w水平方向x和y坐标和姿态角,后两项分别表示第i个(1≤i≤M)粒子携带的GPCOM地图和该粒子对应的权重。GPCOM地图初始化为占据值取值为0的连续场。数目为M的粒子集合表示为:
其中PIDi表示粒子的ID编号。
步骤2,通过AUV运动模型和步骤1中所述的扩展卡尔曼滤波,预测更新每个粒子携带的机器人位置和姿态信息;
为便于描述,本具体实施例采用匀速运动模型,状态预测方程为:
其中噪声N(k)=[Nz Nv Nw]T,Nv和Nw为速度和加速度噪声,Nz为深度测量噪声,控制输入u(k)包含滚转角、俯仰角和偏航速率,滚转角和俯仰角噪声忽略不计,J(k)和H(k)分别为f关于状态xekf(k)和噪声N(k)的雅克比矩阵,P(k)和Q(k)=diag{σvσw}分别为状态噪声和测量噪声协方差矩阵。
其中:
预测过程完成后,EKF状态更新过程可表示为:
z(k)=C(k)xekf(k)+ε(k),
其中z(k)为关于绝对深度、机体系速度和加速度的测量,C(k)为观测矩阵,在本实施例中为单位阵,ε(k)为测量噪声。
最终可得到保存在控制输入向量u(k)的滚转角、俯仰角和偏航速率,从而计算出每个粒子携带的机器人位置和姿态信息。
步骤3,滤除声呐数据中的周围杂波和海底回波成分;采用光线投射法(Raycasting)以固定分辨率λz从声源出发沿着各波束方向进行均匀采样,根据各波束测量的环境占据情况,得到包含环境位置和占据值的数据;
具体地说,如图2和图3所示,在一帧由nbeam个波束组成的声呐扫描中,对于某个方位角为ψq(k),q∈{1,...,nbeam}的声呐波束,从声呐数据中读取该波束对应的声呐测量距离,若该波束的测量距离rq(k)等于声呐最大探测距离rmax,则将该波束上的均匀采样点均定义为“自由点”,即未被占据状态,占据值设置为ofree=-1;若r(k)小于rmax,则将该波束末端的采样点记为“占据点”,即被占据状态,占据值设置为oocc=+1,并将该波束的信号源和该占据点之间的所有均匀采样点均设为自由点;将超出声呐最大探测距离rmax和在声呐探测范围内但无法直接测量到的均匀采样点记为占据状态未知,并设置占据值为ounknown=0。于是得到一帧声呐扫描中nbeam个波束实际的距离测量值r(k)、方位测量值ψsonar(k),将在这些波束上的均匀采样点由声呐极坐标系转换到声呐笛卡尔坐标系,再转换到世界笛卡尔坐标系,得到包含N个采样点位置xj和相应占据值oj={-1,+1}的离散数据集其中j∈{1,...,N};
步骤4,将步骤3得到的离散地图数据集随机采样,得到M个包含n=N/M个采样点数据的子数据集为每个粒子分配一个子数据集并使用高斯过程分类方法(GPC),建立高斯过程分类模型,对声呐扫描覆盖范围内的区域进行连续性的占据值分类及不确定性预测,从而更新每个粒子携带的GPCOM地图mi(k);
具体地说,将子数据集作为训练数据,假设该数据满足一个高斯过程其中x和x′均为输入向量,为均值函数,为预先定义的非平稳协方差函数,即核函数,非平稳核函数相对不够平滑,更适合地形起伏较多从而导致地图占据和非占据状态突变频繁的水下地图构建场景。
其中σn为输入噪声的标准差,k(·,·)为向量之间的协方差矩阵,I为n阶单位阵。
本实施例中采用了非平稳的Matern核函数:
对于占据地图二值分类问题,将以上求得的高斯过程回归结果压缩到[0,1]区间即可得到高斯过程分类结果。本实施例中使用了概率最小二乘函数:
其中Φ(·)为累积高斯分布,参数α和β可通过交叉验证方法确定。本实施例中采用了LOO(leave-one-out)交叉验证方法。
步骤5,对于每个粒子构建的GPCOM地图mi(k),利用光线投射法沿着每个波束查询GPCOM地图,找到该波束上占据值最大的点,并计算从声呐中心到该点的距离并与每个波束的实际测量值rq(k)对比,得到偏差,计算相应的粒子权重并更新,其中每个粒子在第k个建图周期的权重正比于期望值和实际值rq(k)的偏差:
其中σr为声呐的距离测量噪声的标准差;
步骤6,权重更新完毕后,对所有完成位姿和权重更新的粒子进行序列重要性重采样(Sequential Importance Resampling,SIR),达到迭代次数Ncnt后,提取个权重较高的粒子及其构建的GPCOM地图,并将其融合为该建图周期的局部GPCOM地图m(k);
步骤7,将每个建图周期构建的局部GPCOM地图m(k)按AUV的位姿时序进行全局融合,最终可得到全局GPCOM地图m。
本实施例中采用BCM(Bayesian committee machine)方法由局部地图超参数以概率方式近似全局地图的超参数,从而实现融合,得到全局GPCOM地图及其不确定性。以数据集和子数据集为例,有:
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是局限性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护范围之内。
Claims (4)
1.一种基于声呐的水下机器人连续占据建图方法,其特征在于,包括以下步骤:
步骤1:初始化Rao-Blackwellized粒子滤波器中的粒子数量和状态;
步骤2:预测更新水下机器人的位姿信息;
步骤3:声呐数据预处理,获取包含均匀采样点位置和占据状态的数据集;
步骤4:为每个粒子分配子数据集,通过训练建立高斯过程分类模型,得到局部高斯过程连续占据地图;
步骤5:通过各个粒子所构建地图和实际测量的偏差计算更新所有粒子的权重;
步骤6:进行序列重要性重采样,获取有效粒子,并将有效粒子构建的地图融合得到局部占据地图;
步骤7:将每个建图周期的局部占据地图按照位姿时序融合为全局连续占据地图;
具体的:
步骤1:初始化Rao-Blackwellized粒子滤波中的粒子数量M、粒子状态和迭代次数Ncnt,以AUV接收到nscan帧声呐扫描数量为一个建图周期,每个扫描周期以最后一帧的时间为周期时间戳;对于第k个建图周期,其对应的粒子状态包含状态向量为xekf(k)=[z(k),vb(k),wb(k)]T,其内元素依次为可由机载设备直接观测的AUV绝对深度、机体系b上的速度和加速度,该向量由所有粒子共享的扩展卡尔曼滤波器跟踪;每个粒子状态还包含不可直接观测到的状态向量该向量由粒子滤波器估计,其中前三项分别表示AUV的世界坐标系w水平方向x、y坐标和姿态角,后两项分别表示第i个粒子携带的GPCOM地图和该粒子对应的权重,其中 1 ≤ i ≤ M ;GPCOM地图初始化为占据值取值为0的连续场;
步骤2:预测更新每个粒子携带的机器人位置和姿态信息;
步骤3:滤除声呐数据中的周围杂波和海底回波成分;采用光线投射法Ray casting以固定分辨率λz从声源出发沿着各波束方向进行均匀采样,根据各波束测量的环境占据情况,得到包含环境位置和占据值的数据;将在这些波束上的均匀采样点由声呐极坐标系转换到声呐笛卡尔坐标系,再转换到世界笛卡尔坐标系,得到包含N个采样点位置xj和相应占据值oj={-1,+1}的离散数据集其中j∈{1,...,N};
步骤4:将步骤3得到的离散地图数据集随机采样,得到M个包含n=N/M个采样点数据的子数据集为每个粒子分配一个子数据集并使用高斯过程分类方法GPC,建立高斯过程分类模型,对声呐扫描覆盖范围内的区域进行连续性的占据值分类及不确定性预测,从而更新每个粒子携带的GPCOM地图mi(k);
步骤5:对于每个粒子构建的GPCOM地图mi(k),利用光线投射法沿着每个波束查询GPCOM地图,找到该波束上占据值最大的点,并计算从声呐中心到该点的距离并与每个波束的实际测量值rq(k)对比,得到偏差,计算相应的粒子权重并更新,其中每个粒子在第k个建图周期的权重正比于期望值和实际值rq(k)的偏差;
步骤6:权重更新完毕后,对所有完成位姿和权重更新的粒子进行序列重要性重采样SIR,达到迭代次数Ncnt后,提取个权重较高的粒子及其构建的GPCOM地图,并将其融合为该建图周期的局部GPCOM地图m(k);
步骤7:将每个建图周期构建的局部GPCOM地图m(k)按AUV的位姿时序进行全局融合,最终可得到全局GPCOM地图m。
2.根据权利要求1所述的基于声呐的水下机器人连续占据建图方法,其特征在于,所述的步骤3中根据各波束测量的环境占据情况,得到包含环境位置和占据值的数据;具体为:在一帧由nbeam个波束组成的声呐扫描中,对于某个方位角为ψq(k),q∈{1,...,nbeam}的声呐波束,从声呐数据中读取该波束对应的声呐测量距离,若该波束的测量距离rq(k)等于声呐最大探测距离rmax,则将该波束上的均匀采样点均定义为“自由点”,即未被占据状态,占据值设置为ofree=-1;若r(k)小于rmax,则将该波束末端的采样点记为“占据点”,即被占据状态,占据值设置为oocc=+1,并将该波束的信号源和该占据点之间的所有均匀采样点均设为自由点;将超出声呐最大探测距离rmax和在声呐探测范围内但无法直接测量到的均匀采样点记为占据状态未知,并设置占据值为ounknown=0;于是得到一帧声呐扫描中nbeam个波束实际的距离测量值r(k)、方位测量值ψsonar(k)及占据值数据。
3.根据权利要求1所述的基于声呐的水下机器人连续占据建图方法,其特征在于,所述的步骤2中的AUV位姿预测更新直接通过步骤1中所述的扩展卡尔曼滤波器和AUV自身的运动模型得到。
4.根据权利要求1所述的基于声呐的水下机器人连续占据建图方法,其特征在于,所述声呐为机械扫描式声呐、多波束前视成像声呐或其他类型的声呐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614360.2A CN112802195B (zh) | 2020-12-30 | 2020-12-30 | 一种基于声呐的水下机器人连续占据建图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614360.2A CN112802195B (zh) | 2020-12-30 | 2020-12-30 | 一种基于声呐的水下机器人连续占据建图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112802195A CN112802195A (zh) | 2021-05-14 |
CN112802195B true CN112802195B (zh) | 2022-04-29 |
Family
ID=75804622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011614360.2A Active CN112802195B (zh) | 2020-12-30 | 2020-12-30 | 一种基于声呐的水下机器人连续占据建图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112802195B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313172B (zh) * | 2021-05-31 | 2022-03-18 | 江苏科技大学 | 一种基于高斯分布聚类的水下声呐图像匹配方法 |
CN113313827B (zh) * | 2021-06-18 | 2022-02-22 | 浙江大学 | 一种基于连续置信度分布的机器人建图方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN112146654A (zh) * | 2020-08-25 | 2020-12-29 | 浙江大学 | 基于关键约束帧的前视成像声呐水下定位与导航方法 |
-
2020
- 2020-12-30 CN CN202011614360.2A patent/CN112802195B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN112146654A (zh) * | 2020-08-25 | 2020-12-29 | 浙江大学 | 基于关键约束帧的前视成像声呐水下定位与导航方法 |
Non-Patent Citations (2)
Title |
---|
Keyframe-Based Imaging Sonar Localization and Navigation using Elastic Windowed Optimization;yang xu等;《Global Oceans 2020》;20201005;全文 * |
基于水下传感器网络的目标跟踪技术研究现状与展望;刘妹琴等;《自动化学报》;20200303;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112802195A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113340295B (zh) | 一种多个测距传感器的无人艇近岸实时定位与建图方法 | |
CN111486845B (zh) | 基于海底地形匹配的auv多策略导航方法 | |
Han et al. | Coastal SLAM with marine radar for USV operation in GPS-restricted situations | |
CN109239709B (zh) | 一种无人船的局部环境地图自主构建方法 | |
CN113627473B (zh) | 基于多模态传感器的水面无人艇环境信息融合感知方法 | |
CN112802195B (zh) | 一种基于声呐的水下机器人连续占据建图方法 | |
CN1940591A (zh) | 使用传感器融合进行目标跟踪的***和方法 | |
Park et al. | Radar localization and mapping for indoor disaster environments via multi-modal registration to prior LiDAR map | |
Chen et al. | RBPF-MSIS: Toward rao-blackwellized particle filter SLAM for autonomous underwater vehicle with slow mechanical scanning imaging sonar | |
CN111273312B (zh) | 一种智能车辆定位与回环检测方法 | |
CN112444246B (zh) | 高精度的数字孪生场景中的激光融合定位方法 | |
Thompson et al. | Efficient lidar-based object segmentation and mapping for maritime environments | |
Han et al. | GPS-less coastal navigation using marine radar for USV operation | |
CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
Lin et al. | Environment perception and object tracking for autonomous vehicles in a harbor scenario | |
CN112581610B (zh) | 从多波束声呐数据中建立地图的鲁棒优化方法和*** | |
Hernández et al. | Probabilistic sonar scan matching for an AUV | |
CN115761286A (zh) | 复杂海况下基于激光雷达的水面无人艇航行障碍物检测方法 | |
CN113483769B (zh) | 基于粒子滤波器的车辆自定位方法、***、设备和介质 | |
CN114485607A (zh) | 一种运动轨迹的确定方法、作业设备、装置、存储介质 | |
CN113554705A (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
CN113888589A (zh) | 一种基于激光雷达的水面障碍物检测与多目标跟踪方法 | |
CN112082558A (zh) | 基于多项式拟合的uuv海底地形跟踪路径滚动生成方法 | |
CN112612788A (zh) | 一种无导航卫星信号下的自主定位方法 | |
Schuster et al. | Joint graph optimization towards crowd based mapping |
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 |