[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

说明书

本发明公开了一种基于深度学习的激光导航AGV重定位方法和装置，包括：构建AGV运行场景的全局轮廓地图；采集并使用AGV在运行场景中各位置处的周边障碍物信息构成数据集，训练获得重定位卷积神经网络；采集需要重定位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。本发明采用重定位卷积神经网络一次正向计算耗费的时间很短，且精定位只进行局部的搜索特征匹配，计算复杂度不大，因此，计算速度极快，可避免传统重定位方法进行全局特征匹配面临的计算复杂度问题，能够极大的降低整个重定位过程所需耗费的时间。

技术领域

本发明涉及激光定位技术领域，尤其涉及一种基于深度学习的激光导航AGV重定位方法和装置。

背景技术

目前工业上较为成熟的移动机器人(AGV)自主导航定位技术是激光定位技术，通过在AGV上安装激光雷达，能够扫描得到AGV运行环境中的物体(比如墙面，设备等)与AGV之间的精确距离，在精确计算AGV移动路径的同时将这些物体按照位置关系映射至一个地图中，即可建立机器人运行环境的二维轮廓地图，而在机器人自主导航行走过程中则通过测量周边环境的轮廓特征与地图作匹配以计算得到机器人自身的位置。

移动机器人进行激光定位的第一步操作是重定位，产生移动机器人的初始位置，该初始位置必须准确的与机器人实际位置相吻合，否则的话，会导致后续的地图匹配根本无法正确进行，或产生不可预估的错误位置值。

重定位问题是采用激光定位移动机器人的技术难点之一，其原因是移动机器人运行的场景往往很大，可能达到10000平方米(100米*100米)，重定位时需要作全地图的特征匹配，即遍历搜索整张地图所有可能的位置，与这些位置附近所能看到的地图特征进行依次匹配，这个计算量十分巨大，可能需要耗费数十秒，导致系统实用性非常差。

基于上述原因，目前实际工程上往往需要操作人员预先判断机器人位于地图中的大致位置，输入机器人作为重定位的初始值，然后移动机器人启动无标记定位算法与该大致位置附近的场景特征进行匹配，进而得到准确的初始定位值后开始自主导航行走，上述方法属于人工辅助的重定位，该方法从本质上分析是用人工操作代替了重定位中最耗费时间的全地图遍历搜索过程，转化成一个局部的搜索匹配问题，可以极大的提升重定位的速度。然而，该方法对于操作人员给定的大致位置具有较高的精度要求，如果操作人员由于经验不足或粗心大意输入位置有误，往往导致机器人计算得到的初定位值完全错误，引起自主导航行走故障。

综上，目前在移动机器人激光定位领域，缺少一种快速、精准的自动重定位方法。

发明内容

本发明的目的是提供一种基于深度学习的激光导航AGV重定位方法和装置，以解决传统初定位方法进行全局特征匹配面临的计算复杂度问题。

为了达到上述目的，本发明所采用的技术方案如下：

第一方面，本发明实施例提供一种基于深度学习的激光导航AGV重定位方法，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。

进一步地，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。

进一步地，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。

进一步地，所述激光SLAM方法，包括：