[发明专利]一种基于深度学习的激光导航AGV重定位方法和装置

权利要求书

1.一种基于深度学习的激光导航AGV重定位方法，其特征在于，包括：

构建AGV运行场景的全局轮廓地图；

采集AGV在运行场景中各位置处的周边障碍物信息构成训练数据集，使用该数据集获得重定位卷积神经网络；

采集AGV周边物体的距离信息，形成局部地图，输入所述重定位卷积神经网络，计算得到AGV位于全局轮廓地图中的最大可能位置；

在所述最大可能位置附近的局部范围内进行特征匹配，以产生精确定位位置。

2.根据权利要求1所述的一种基于深度学习的激光导航AGV重定位方法，其特征在于，所述全局轮廓地图记录了AGV运行场景中激光雷达能够检测到的物体位置信息。

3.根据权利要求1所述的一种基于深度学习的激光导航AGV重定位方法，其特征在于，构建AGV运行场景的全局轮廓地图的方法为采用激光SLAM方法。

4.根据权利要求1所述的一种基于深度学习的激光导航AGV重定位方法，其特征在于，所述激光SLAM方法，包括：

控制AGV在运行场景中巡走一圈，在该过程中安装在AGV上的激光雷达实时采集AGV周边的障碍物信息，每一次采集到的数据信息定义为一激光帧，根据这些激光帧计算得到每一帧采集时刻AGV相对位置移动，并将这些帧中记录下来的环境中障碍物信息合成进入地图，完成全局轮廓地图的构建。

5.根据权利要求1所述的一种基于深度学习的激光导航AGV重定位方法，其特征在于，所述重定位卷积神经网络主要由多个交替的卷积层与池化层组成，之后添加一个全连接层，最后添加一个SOFTMAX层。

6.根据权利要求1所述的一种基于深度学习的激光导航AGV重定位方法，其特征在于，所述重定位卷积神经网络的训练过程，包括：

将二维轮廓地图进行栅格化处理，得到M×N二维栅格地图；

收集所采集到的各激光帧f₁,f₂,…,f_n，并且记录下这个激光帧采集时对应AGV所在地图的位置，判断这些位置位于所述二维栅格地图中的具体栅格位置，记录为p₁,p₂,…,p_n，这里任意一个p₁(i＝0,1,…,n)中存储一个数据对j,k(j≤M,k≤N)，表示其在二维栅格地图中位于第j行第k列个栅格；

将f₁,f₂,…,f_n作为训练输入样本集，p₁,p₂,…,p_n作为输出标签集，生成共n个训练样本，训练重定位卷积神经网络，得到一组优化好的网络权重，完成重定位卷积神经网络的训练。

7.根据权利要求1所述的一种基于深度学习的激光导航AGV重定位方法，其特征在于，采用梯度反向传播方法训练重定位卷积神经网络。

8.根据权利要求1所述的一种基于深度学习的激光导航AGV重定位方法，其特征在于，在所述最大可能位置附近的局部范围内进行特征匹配，以产生精确定位位置，包括：

将最大可能位置在全局轮廓地图的坐标作为精定位计算的初始位置p；

使用激光雷达采集一个激光帧，记录所能感知的所有局部轮廓特征集合记为Ec；

基于初始位置p，设定p周边的一定范围为搜索区域p_search，以预设搜索步长step确定搜索范围内的所有可能位置集合Ф＝{p₁,p₂,p₃,…p_n}；

对于任意一个可能位置p′∈Ф，将Ec根据坐标转换关系投射到二维轮廓地图的坐标系下，得到坐标变换后的轮廓特征集为Ect，比较Ect与二维轮廓地图中所有轮廓特征集合Emap的匹配程度，计算该位置p′的匹配得分；

将包括初始位置p在内的Ф集合中匹配得分最高的位置作为当前AGV的精确定位位置。