[发明专利]一种基于图像标志物识别的移动机器人SLAM方法

说明书

技术领域

本发明涉及机器人学领域，具体地说是用基于扩展卡尔曼滤波器的同步定位与地图构建(EKF-SLAM)方法结合计算机图像技术实现机器人对环境的探索，并构建环境地图。

背景技术

同步定位与地图构建(Simultaneous Localization and Mapping,简称SLAM)这一概念最早由Smith、Self和Cheeseman于1988年提出。这种方法描述了机器人从未知环境的未知地点出发，然后对未知环境进行探索的情境：机器人在运动过程中重复地观测环境，然后根据传感器感知的环境特征定位自身位置和姿态，再根据自身位置增量式的构建地图。这就提出了SLAM包含的两个目标：同时定位和地图构建。其中地图构建是把从传感器收集到的一系列信息，集成到一个一致性的模型(即地图)上，得到的地图被用来描述当前环境以及给机器人定位；而定位则是在地图上估测机器人的坐标和姿势形态。

实际中的SLAM应用一般有两种典型情境：追踪——这种情况下通常机器人的初始位置已知；全局定位——这种情况下通常只给出很少，甚至不给出有关于机器人起始位置或者环境特征的先验信息。因此，SLAM的核心被定义为一个关于机器人运动路径和所处环境特征的后验估计。要解决SLAM问题，就必须建立适当的模型，解出这个后验概率。

近十几年来，机器人学界涌现出了各种各样的针对SLAM问题的解决方案。其中，基于扩展卡尔曼滤波器(EKF)的EKF-SLAM方法获得了广泛的认可并被普遍应用。这种方法首先估计运动过程中某一时刻的状态，然后以(含噪声的)测量变量的方式获得反馈，最后根据反馈修正估计值。这样，EKF-SLAM就能在不需了解机器人详细性质的前提下，高效地对运动的过去、当前、甚至将来的状态进行估计。

在目前国内外公开的文献中，Durrant-Whyte H,Bailey T.Simultaneous localization and mapping:part I[J].Robotics&Automation Magazine,IEEE,2006,13(2):99-110.讨论了EKF-SLAM的模型建立。该模型基于对机器人运动进行描述，然后用EKF的状态更新及测量更新对机器人运动进行重复估计，从而得到SLAM问题的解。该模型不关注机器人机体特性，具有很强的平台迁移性。Thrun S,Burgard W,Fox D.Probabilistic robotics[M].Cambridge:MIT press,2006,309-336,149-187.详细讨论了将激光传感器、超声波传感器在SLAM中的应用。这种应用将传感器的测量值用作EKF-SLAM中测量方程的输入，用真实的环境特征修正状态方程的估计。同时，文章还详细分析了这类传感器的原理，讨论了传感器测量值与实际值的偏差特性，并且在隐马尔科夫链的基础上，提出了一个概率密度函数来衡量测量值准确度。这种应用方法对传感器的特点的深入分析使其具有很强的实用性，因此其模拟仿真和实验中对几种常见的环境噪声都表现出了较强的鲁棒性，能得到令人满意的结果。

但上述的EKF-SLAM方法有几点不足：

(1)机器人只能识别局部空间障碍物的有无，并不能感知环境的空间结构。如果环境结构高度对称(常见于人工建筑，如走廊、大厅等)，则机器人会受这一对称性的影响，使运动范围局限于环境中极小的空间内，无法构建全局地图，SLAM结果出错。

(2)测量方式单一。上述方法中机器人仅以一种类型的测量数据进行测量更新，尽管对常见的几种噪声进行了建模，但当环境中出现未知干扰时，测量值的错误依然很难被修正。考虑到EKF-SLAM方法完全依赖测量值对估计进行修正，测量值的错误会给计算结果带来严重影响。

发明内容

近年来，随着计算机技术、数字图像处理技术及图像处理硬件的进一步发展，计算机视觉在机器人领域中开始得到广泛关注。相比其他方法，基于计算机视觉的方法能够在同等条件下获取环境中的更大量的信息，同时还具备了精度高、不受电子干扰等优点。同时，开源的OpenCV(Open Computer Vision)函数库让主流的计算机视觉方法能被有效地实现。这样，如果在机器人上装载摄像头来拍摄环境，就可以捕获丰富的环境特征，从而机器人感知能力有限给SLAM带来的问题。

本发明的技术方案为：

所述一种基于图像标志物识别的移动机器人SLAM方法，其特征在于：采用以下步骤：