[发明专利]一种基于无极FastSLAM算法和匹配优化目标定位方法及机器人

权利要求书

1.一种基于无极FastSLAM算法和匹配优化目标定位方法，其特征在于，包括：

视频采集，由专用的视频采集卡捕获声频和视频信息，然后将其进行数据化处理，再经过软件的压缩进行处理；

图像预处理，对采集到的视频流每一帧的图像进行前期处理；

基于颜色信息的目标识别，以图像的颜色信息作为依据，将采集的RGB格式的图像转化成目标物体的识别结果及其图像坐标位置；

目标定位，给出指定目标和机器人自身所处的位置。

2.根据权利要求1所述的方法，其特征在于，所述图像预处理进一步包括包括：

柱面图像变换，采集到的圆形全景图像经过柱面图像变换；

颜色空间变换，将图像由各颜色分量相关性高、分散性大的RGB颜色空间转换为各颜色分量相关性较小、分散性较小的YUV颜色空间。

3.根据权利要求1所述的方法，其特征在于，所述基于颜色信息的目标识别进一步包括以下步骤：

基于颜色的像素聚类；

基于连通性分析的目标区域提取；

对提取出的目标区域进行生长；

基于先验知识的目标识别。

4.根据权利要求1所述的方法，其特征在于，所述目标定位进一步采用

基于全维视觉的无极FastSLAM粒子滤波定位算法和匹配优化定位算法；使用无极FastSLAM粒子滤波进行机器人的初始化全局定位，初始化分布的粒子点坐标为电子罗盘的输出值；判断FastSLAM是否收敛，若收敛，则使用匹配优化定位方法来实现机器人的精确跟踪定位；若不收敛则返回上一步。

5.根据权利要求4所述的方法，其特征在于，所述匹配优化定位算法将机器人观测到的特征点与环境信息作匹配，定义误差函数，并通过优化算法寻找机器人自定位的最优解以使误差函数最小化。

6.根据权利要求4所述的方法，其特征在于，所述基于全维视觉的无极FastSLAM粒子滤波定位算法包括以下步骤：

全维视觉采集的图像经过拉伸变形和畸变矫正后，进行SURF特征提取，当前帧提取的特征与前一帧提取的特征进行匹配，如匹配成功则定义为环境路标，通过时域特征匹配确定当前观测值，区分新观测量和已关联部分，再利用无极FastSLAM算法完成摄像机状态和环境路标位置的同时估计，根据机器人的初始运动估计和时域匹配结果将当前的感知信息加入到FastSLAM框架下的提议分布中，使用无极变换，采样新位姿来扩展机器人的新路径，使先验分布采样粒子向后验高概率区移动，同时构造Sigma点集估计环境特征的位置，更新路标，采用自适应重采样计算粒子的权重，完成基于全维视觉系统下的同时自定位与地图创建。

7.一种采用权利要求1所述方法进行定位的机器人，所述机器人包括一感知系统、核心控制模块、人机交互系统、电机驱动系统，所述核心控制模块对机器人内部各单元进行控制，并根据感知系统反馈的信息，以及外界获得交互信号控制电机驱动系统，以控制机器人的移动。

8.根据权利要求7所述的机器人，其特征在于，所述机器人还包括全维视觉自定位模块，以及环境感知模块、语音采集模块、视频采集模块、超声波测距模块、里程计信息模块中的一个或多个模块；感知系统接收所述一个或多个模块的信号。

9.根据权利要求7所述的机器人，其特征在于，其中所述电机驱动系统包括底盘控制器、电机驱动器，并装有移动所需的电池模块、自主充电功能模块、轮子；其中，所述轮子为2个驱动轮和1个万向轮，核心控制模块通过串口向底盘控制器发送控制命令，控制电机驱动器进行相应动作，并对障碍信号进行处理。

10.一种基于无极FastSLAM算法和匹配优化目标定位的系统，其特征在于，包括：

视频采集模块，由专用的视频采集卡捕获声频和视频信息，然后将其进行数据化处理，再经过软件的压缩进行处理；

图像预处理模块，对采集到的视频流每一帧的图像进行前期处理；

基于颜色信息的目标识别模块，以图像的颜色信息作为依据，将采集的RGB格式的图像转化成目标物体的识别结果及其图像坐标位置；

目标定位模块，给出指定目标和机器人自身所处的位置。