CN112828883A - 一种未知环境下的机器人环境探索方法及*** - Google Patents

Abstract

本发明公开了一种未知环境下的机器人环境探索方法及***，所述方法包括如下步骤：S1、环境点云表达建模；S2、传感可视范围内拓扑地图构建；S3、拓扑地图表达下探索结果增益评估：即拓扑环境表达下的信息增益评估；S4、基于信息增益与规划路径长度的运动决策。本发明能使移动机器人能够高效、准确地收集信息，实现环境探索以及建模。可以广泛的应用于基于移动机器人的环境探索建模和监控任务，在救灾、家庭服务等诸多场景中的潜在应用前景广阔。

Description

一种未知环境下的机器人环境探索方法及***

技术领域

本发明涉及移动机器人自主导航技术领域，特别是涉及一种移动机器人自主环境探索与建模的方法及***。

背景技术

移动机器人越来越多地应用于与信息采集相关的任务，如环境监测和监视任务等。在该过程中，机器人将自主收集环境信息，从而供人们后续潜在应用。目前，大多数的监控机器人都是按照预先设定的路线来收集信息的，该类方法效率较低，且无法根据环境自主灵活适应需求。

近年来，基于移动机器人的自主信息采集算法以及相关应用得到了长足的发展。然而，在勘探过程中，路径规划的效率和运动控制决策的有效性仍有待提高。如何用更少的时间和更少的能量消耗，以获取更多的信息实现环境建模与监控，是该项研究以及相关应用的长远追求目标。

发明内容

为了弥补上述现有技术的不足，本发明提出一种未知环境下的机器人环境探索方法，快速准确的完成对环境的探索。

为此，本发明提出的未知环境下的机器人环境探索方法包括如下步骤：S1、环境点云表达建模：对所建立的增量式环境点云模型，构建该模型下的点云拓扑环境表达；S2、传感可视范围内拓扑地图构建：基于上述点云拓扑环境表达，构建拓扑地图表达，即：在机器人所携带传感器的可视范围内，随着探测过程的进行，建立拓扑表达的路径图；S3、拓扑地图表达下探索结果增益评估：即拓扑环境表达下的信息增益评估；S4、基于信息增益与规划路径长度的运动决策：包括探索目标点决策生成与运动规划，在获得所规划探索位置的信息增益值后，将基于该信息增益以及到达该目标点的运动代价，进行运动规划决策。

在一些实施例中，还包括如下特征：

步骤S2中，于传感器范围内生成空间位置随机点。并基于空间无障碍连接准则，连接这些随机点，从而构建一个所要探索复杂环境的拓扑图结构；该图结构由所产生的空间随机节点，以及节点间连接边构成。

步骤S3中，各个所产生节点的信息增益以信息熵变的程度作为评估标准。

首先根据香农熵公式，计算环境已有模型的熵，同时计算在所评估探索位置以及该位置下相应所得到观察条件下的条件熵，从而计算已有模型熵与所计算得到条件熵之差，并以该差值作为所评估探索规划的信息增益值。

步骤S4中，所述运动代价以机器人当前位置与目标位置之间的距离作为度量标准，通过步骤S2所构建的拓扑地形图，避免机器人在整个空间中搜索路径，提高了路径搜索的效率。

在规划决策中，以最大化信息增益以及最小化路程距离作为优化目标函数，将二者进行线性叠加，通过在不同环境中的调试确定线性叠加的系数，从拓扑节点中寻找待探索位置以最优化代价函数，从而实现机器人环境自主探索。

步骤S2具体包括：首先于传感器范围内生成空间位置随机点，再这个空间中随机采一些点，获得空间随机位置点，并基于空间无障碍连接准则，连接这些随机点，从而构建一个所要探索复杂环境的拓扑图结构，该拓扑图结构由所产生的空间随机节点，以及节点间连接边构成。

步骤S3具体包括：首先根据香农熵公式，计算环境已有模型的熵Entropy(i)；环境中每个点云的位置i都有一定的占据概率p,则地图的熵可以通过香农公式获得Entropy(i)，同时计算在所评估探索位置以及该位置下相应所得到观察条件下的条件熵Entropy(i,x)，x为希望探索的位置，从而计算已有模型熵与所计算得到条件熵之差，并以该差值作为所评估探索规划的信息增益值

I＝Entropy(i)-Entropy(i,x)。

步骤S4具体包括：通过查询拓扑路图获得所述运动代价，该运动代价以机器人当前位置与目标位置之间的距离作为度量标准；在拓扑路图上查询，以寻找从机器人当前位置到目标点的路线，获得一条由多个节点和线段组成的线段，则该线段的长度就是从机器人当前位置到目标位置的运动代价,标记为τ；在规划决策中，以最大化信息增益以及最小化路程距离作为优化目标函数，从拓扑节点中寻找待探索位置以最优化代价函数cost＝Ie^(λτ),其中λ为可调节系数，从而实现机器人环境自主探索。

本发明还提出一种未知环境下的机器人环境探索***，采用如上所述的机器人环境探索方法。

本发明与现有技术对比的有益效果包括：

本发明上述技术方案通过结合探索过程中所构建地图的信息增益和机器人到各个决策点的路径长度，帮助机器人快速的判断目标点，从而快速准确的完成对环境的探索。

本发明所提出的拓扑路图，可以帮助机器人快速的在空间中规划一条路径。通过对规划路径长度和获得信息的有效评估，实现了探索运动规划的高效实现。进而利用该运动规划结果，实现了环境探索效率以及环境建模的高精实时运行。同时，该发明已在不同环境下进行了测试，结果表明该方法具有相对已有方法更优的性能。

本发明可以辅助机器人快速的完成对未知环境的构建，从而辅助机器人在未知环境下的导航，同时可以快速准确的为人类提供未知环境下的有效信息，因而可以广泛的应用于基于移动机器人的环境探索建模和监控任务，在救灾、家庭服务等诸多场景中的潜在应用前景广阔。

附图说明

图1是本发明实施例的***流程示意图；

图2a是本发明实施例实际的环境图；

图2b是本发明实施例的通过RTAB-MAP构建的环境点云地图；

图3a、图3b是本发明实施例本申请实施例提供的拓扑节点环境表达构建示意图；

图4a是本发明实施例的实验验证测试实验硬件，包括四旋翼无人机平台；

图4b是本发明实施例的实验测试场景；

图4c是采本发明实施例的方法实现的探索过程以及环境建模结果。

具体实施方式

下面对照附图并结合优选的实施方式对本发明实施例作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本实施例中的左、右、上、下、顶、底等方位用语，仅是互为相对概念，或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。

本发明实施例旨在开发一种基于路线图的自主探索策略，以使移动机器人能够高效、准确地收集信息，实现环境探索以及建模。

所要解决的技术问题包括：

(1)解决复杂环境下的信息收集以及环境探索问题；

(2)解决路径规划和信息增益评估问题，提供信息增益评价定量指标；

(3)解决移动机器人自主探索过程的探索视角规划问题；

本实施例的技术问题通过以下的技术方案予以解决：

在本实施例中，将所规划路径长度和收集到的环境信息考虑在本实施例的环境探索算法中。

第一步，该算法在勘探过程中，对所建立的增量式环境点云模型一个拓扑路线图。该增量式的点云模型由已有的基于深度相机的构图建模算法(RTAB-MAP)产生。基于所建立的环境点云模型，构建该模型下的拓扑环境表达。

第二步，基于已有点云环境表达的拓扑地图表达构建。在机器人所携带传感器的可视范围内，随着探测过程的进行，建立拓扑表达的路径图。在该过程中，首先于传感器范围内生成空间位置随机点。并基于空间无障碍连接准则，连接这些随机点，从而构建一个所要探索复杂环境的拓扑图结构。该图结构由所产生的空间随机节点，以及节点间连接边构成。在后续的信息增益评估中，将以节点为单位开展，从而降低***计算成本，提高***实时性能。

第三步，拓扑环境表达下的信息增益评估。本实施例中，各个所产生节点的信息增益以信息熵变的程度作为评估标准。具体而言，本实施例首先根据香农熵公式，计算环境已有模型的熵，同时计算在所评估探索位置以及该位置下相应所得到观察条件下的条件熵。从而计算已有模型熵与所计算得到条件熵之差。并以该差值作为所评估探索规划的信息增益值。

第四步，探索目标点决策生成与运动规划。在获得所规划探索位置的信息增益值后，将基于该信息增益以及到达该目标点的运动代价，进行运动规划决策。该运动代价以机器人当前位置与目标位置之间的距离作为度量标准。通过第二步所构建的拓扑地形图，避免机器人在整个空间中搜索路径，提高了路径搜索的效率。在规划决策中，以最大化信息增益以及最小化路程距离作为优化目标函数，将二者进行线性叠加，通过在不同环境中的调试确定线性叠加的系数，从拓扑节点中寻找待探索位置以最优化代价函数，从而实现机器人环境自主探索。

图1为本实施例***流程框图，在本框图中，包括如下步骤：

步骤S1，首先通过已有的RTAB-MAP算法，基于深度视觉相机进行环境的模型构建。该类模型存储数据量大，但信息丰富。利用该探索得到的环境初步点云表达，为后续算法提供输入。

如图2a、2b所示，图2a表示实际的环境地图，图2b表示通过RTAB-MAP构建的环境点云地图。该点云地图是复杂的空间环境的离散化表达。

步骤S2，利用所建立的环境点云模型，构建该模型对应的拓扑节点地图。在机器人所携带传感器的可视范围内，随着探测过程的进行，建立拓扑表达的路径图。在该过程中，首先于传感器范围内生成空间位置随机点，传感器范围空间是指传感器所能感知到的范围，如图3a所示。我们再这个空间中随机采一些点，获得空间随机位置点。并基于空间无障碍连接准则(空间无障碍准则为：对空间中存在的任意两点之间的连线，如果该连线上的每一个点的位置都和空间中的障碍物位置没有重合，则认为这个连线是无障碍的)，连接这些随机点，从而构建一个所要探索复杂环境的拓扑图结构，如图3b所示，黑色的点表示通过随机采样获得的点，黑色连线是无障碍的，该点和线构成了空间中的拓扑路图。该图结构由所产生的空间随机节点，以及节点间连接边构成。在后续的信息增益评估中，将以节点为单位开展，从而降低***计算成本，提高***实时性能。

步骤S3，拓扑环境表达下的信息增益评估。本实施例中，各个所产生节点的信息增益以信息熵变的程度作为评估标准。具体而言，本实施例首先根据香农熵公式，计算环境已有模型的熵。环境中每个点云的位置i都有一定的占据概率p,则地图的熵可以通过香农公式获得Entropy(i)同时计算在所评估探索位置以及该位置下相应所得到观察条件下的条件熵Entropy(i,x)，x为希望探索的位置。从而计算已有模型熵与所计算得到条件熵之差。并以该差值作为所评估探索规划的信息增益值I＝Entropy(i)-Entropy(i,x)。

步骤S4，探索目标点决策生成与运动规划。在获得所规划探索位置的信息增益值后，将基于该信息增益以及到达该目标点的运动代价，进行运动规划决策。该运动代价以机器人当前位置与目标位置之间的距离作为度量标准，该运动代价可以通过查询拓扑路图获得。从图3b可以看出，为了寻找从机器人当前位置到目标点的路线，可以直接在拓扑路图上查询，获得一条由多个节点和线段组成的线段，则该线段的长度就是从机器人当前位置到目标位置的运动代价,标记为τ。在规划决策中，以最大化信息增益以及最小化路程距离作为优化目标函数，从拓扑节点中寻找待探索位置以最优化代价函数cost＝Ie^(λτ),其中λ为可调节系数，从而实现机器人环境自主探索。

图3a、3b为本实施例拓扑节点环境表达构建示意图。

图3a、3b中，r1以及r2是装载于移动机器人上传感器的可视范围参数，该两个参数决定了移动机器人所能感知到的环境范围。圆柱状为障碍物(obstacle)示意，表达在该空间内的规划过程中遇到的障碍。图2a中，所标识的浅紫色锥形空间，为机器人的感知空间(sensor scope)，其中的虚线为传感可视视线示意(sensor beam)。

图3b中，节点(node)为在感知空间内所生成的随机节点，同时利用可达无障碍判断在各节点间建立边(edge)。其中的可达性判断为，两个节点之间的直线连接是否穿越障碍物：如果没有，则判断为连接可行；如果有，则判断为连接不可行。从而在感知空间内建立拓扑地图，实现后续基于节点的信息增益计算以及运动规划决策。

图4a、4b、4c，本算法测试实验结果示例

图4a为本算法测试实验硬件，包括四旋翼无人机平台。无人机机载电脑(Raspberry Pi)，无人机运动控制器(Pixhawk)，以及无人机机载深度视觉传感器(RealSense)。

图4b为实验测试场景，场景中包括天花板以及周围围墙形成的有限探索空间，以及各柱子形成的探索过程障碍物。

图4c为本算法实现的探索过程以及环境建模结果。其中，探索路径起始点(Start)以及结束点(End)以黄色标识。红色线条为本实施例算法所得到的探索规划路径。各个小方块组成的模型为机器人所探索构建得到的环境模型。

该建模方法与传统的方法相比，能够显著提高建图效率和建图的精度。重要的是，在建图过程中，该方法不需要遍历整个环境得到探索路径，只需要查询拓扑路图即可获得一条从机器人位置到目标位置的路径，从而实现对目标节点的快速评估，进而提高了决策的有效性，能够用较短的能量获得更多的信息，从而实现对环境的快速有效监控。

以上内容是结合具体的优选实施方式对本实施例所作的进一步详细说明，不能认定本实施例的具体实施只局限于这些说明。对于本实施例所属技术领域的技术人员来说，在不脱离本实施例构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本实施例的保护范围。

Claims (10)

1.一种未知环境下的机器人环境探索方法，其特征在于包括如下步骤：

S1、环境点云表达建模：对所建立的增量式环境点云模型，构建该模型下的点云拓扑环境表达；

S2、传感可视范围内拓扑地图构建：基于上述点云拓扑环境表达，构建拓扑地图表达，即：在机器人所携带传感器的可视范围内，随着探测过程的进行，建立拓扑表达的路径图；

S3、拓扑地图表达下探索结果增益评估：即拓扑环境表达下的信息增益评估；

S4、基于信息增益与规划路径长度的运动决策：包括探索目标点决策生成与运动规划，在获得所规划探索位置的信息增益值后，将基于该信息增益以及到达该目标点的运动代价，进行运动规划决策。

2.如权利要求1所述的机器人环境探索方法，其特征在于：步骤S2中，于传感器范围内生成空间位置随机点。并基于空间无障碍连接准则，连接这些随机点，从而构建一个所要探索复杂环境的拓扑图结构；该图结构由所产生的空间随机节点，以及节点间连接边构成。

3.如权利要求1所述的机器人环境探索方法，其特征在于：步骤S3中，各个所产生节点的信息增益以信息熵变的程度作为评估标准。

4.如权利要求3所述的机器人环境探索方法，其特征在于：首先根据香农熵公式，计算环境已有模型的熵，同时计算在所评估探索位置以及该位置下相应所得到观察条件下的条件熵，从而计算已有模型熵与所计算得到条件熵之差，并以该差值作为所评估探索规划的信息增益值。

5.如权利要求1所述的机器人环境探索方法，其特征在于：步骤S4中，所述运动代价以机器人当前位置与目标位置之间的距离作为度量标准，通过步骤S2所构建的拓扑地形图，避免机器人在整个空间中搜索路径，提高了路径搜索的效率。

6.如权利要求5所述的机器人环境探索方法，其特征在于：在规划决策中，以最大化信息增益以及最小化路程距离作为优化目标函数，将二者进行线性叠加，通过在不同环境中的调试确定线性叠加的系数，从拓扑节点中寻找待探索位置以最优化代价函数，从而实现机器人环境自主探索。

7.如权利要求2所述的机器人环境探索方法，其特征在于：步骤S2具体包括：首先于传感器范围内生成空间位置随机点，再这个空间中随机采一些点，获得空间随机位置点，并基于空间无障碍连接准则，连接这些随机点，从而构建一个所要探索复杂环境的拓扑图结构，该拓扑图结构由所产生的空间随机节点，以及节点间连接边构成。

8.如权利要求2所述的机器人环境探索方法，其特征在于：步骤S3具体包括：首先根据香农熵公式，计算环境已有模型的熵Entropy(i)；环境中每个点云的位置i都有一定的占据概率p,则地图的熵可以通过香农公式获得Entropy(i)，同时计算在所评估探索位置以及该位置下相应所得到观察条件下的条件熵Entropy(i,x)，x为希望探索的位置，从而计算已有模型熵与所计算得到条件熵之差，并以该差值作为所评估探索规划的信息增益值

I＝Entropy(i)-Entropy(i,x)。

9.如权利要求5所述的机器人环境探索方法，其特征在于：步骤S4具体包括：

通过查询拓扑路图获得所述运动代价，该运动代价以机器人当前位置与目标位置之间的距离作为度量标准；

在拓扑路图上查询，以寻找从机器人当前位置到目标点的路线，获得一条由多个节点和线段组成的线段，则该线段的长度就是从机器人当前位置到目标位置的运动代价,标记为τ；

在规划决策中，以最大化信息增益以及最小化路程距离作为优化目标函数，从拓扑节点中寻找待探索位置以最优化代价函数cost＝Ie^(λτ),其中λ为可调节系数，从而实现机器人环境自主探索。

10.一种未知环境下的机器人环境探索***，其特征在于：采用如权利要求1-9所述的机器人环境探索方法。

Images