专利汇可以提供一种基于视觉信息校正的室内移动机器人实时导航方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于视觉信息校正的室内移动 机器人 实时导航方法,包括步骤一:初始化机器人 导航系统 ,启动 里程计 和视觉 传感器 ;步骤二:里程计和视觉传感器得到机器人当前位资,构造卡尔曼 滤波器 ,获得里程计滤波估计值和视觉传感器滤波估计值;步骤三:里程计滤波估计值和视觉传感器滤波估计值融合;步骤四:参数重置;本发明充分利用了视觉信息和里程计信息的各自优点,将视觉信息的精确性和里程计信息的实时性相结合起来,在大部分时间下,利用里程计自身信息进行递推计算,获得导航数据,保证了导航系统的实时性要求,同时利用视觉信息来矫正里程计航迹推算过程中产生的累积误差,从而大大提高了导航系统的准确性。,下面是一种基于视觉信息校正的室内移动机器人实时导航方法专利的具体信息内容。
1.一种基于视觉信息校正的室内移动机器人实时导航方法,其特征在于,包含以下步骤:
步骤一:初始化机器人导航系统,启动里程计和视觉传感器;
初始化包括确定移动机器人的初始位置、初始化导航系统中所有滤波器的参数;
步骤二:里程计和视觉传感器得到机器人当前位姿,构造卡尔曼滤波器,获得里程计滤波估计值和视觉传感器滤波估计值;
(1)里程计测量通道;
利用里程计获得移动机器人左、右轮的移动距离和移动速度,采用航迹递推的方法获得当前机器人位姿;
(2)视觉传感器测量通道;
通过全局运动目标检测算法检测移动机器人在图像中的位置,并通过离线的标定建立图像位置与实际空间的映射关系,获得移动机器人当前位姿,具体步骤如下:
①采用基于混合高斯背景建模的运动目标检测方法获得移动机器人在图像中的位置;
用K个不同均值与方差的高斯分布描述非完全静止条件下的背景图像;设像素点(u,v)的噪声强度z(u,v)服从混合高斯分布,则该点的概率密度函数为:
其中:η(zuv|μj,uv,∑j,uv)表示采集到的图像中(u,v)点的第j个高斯分布,其均值为μj,uv,方差为∑j,uv,该点当前灰度值为zuv,wj,uv为第j个高斯分布的加权权重,P(zuv)为图像中(u,v)点的概率分布函数;
基于混合高斯背景建模的过程包括以下步骤:
i)初始化模型;
视觉传感器采集的第一幅图像中每个像素点的像素值作为均值,方差和权值任取,建立一个高斯模型;
ii)模型学习;
视觉传感器采集到新图像,将新图像中的每个像素与该像素的已有的k个高斯模型相比较,其中k≤K;
若满足|zuv-μj,uv|<2.5∑j,uv,采用EM算法估计第j个高斯参数和权重;
若不满足,且k<K,则增加一个高斯模型,若k=K,则用新的高斯分布代替优先级最低的高斯分布,新的高斯分布取zuv的值为均值、并赋予新的方差和权值;
视觉传感器继续采集图像,不断地训练初始化模型,最终得到K个|zuv-μj,uv|<2.5∑j,uv的高斯分布函数时,停止训练过程,得到高斯混合分布的背景图像模型;
iii)前景图像评估;
去除背景模型中用噪声或运动目标建立的高斯分布模型;将K个高斯分布模型按照优先级高低次序排列,前B个分布作为背景模型,B的定义如下:
M是预先定义的阈值,其中b<K;
对每一幅采集到的新图像,将图像的每一个像素点与该像素点对应的高斯混合模型的各个高斯模型进行比较,若有|zuv-μj,uv|<2.5∑j,uv,则该点属于背景,否则属于前景;所有属于前景的点组成了图像中运动目标,从而获得了移动机器人在图像中的位置;
②离线的标定建立图像位置与实际空间的映射关系,从而测量获得移动机器人当前位姿;
根据步骤①获得移动机器人在图像中的位置,利用全局摄像机的离线标定所获得的图像坐标系到实际空间坐标系的映射关系,计算得到移动机器人在实际空间中的位姿信息;
其中映射关系的如下:
式中(Xi,Yi)为机器人在空间中的实际位置,(xi,yi)为机器人在图像中的坐标位置,在地面上选取48个控制点,利用最小二乘法对式(3)进行标定,获得多项式系数ai,bi,i=1,2...9;得到了该映射关系后,每次检测到移动机器人在图像中的位置后,都将它映射到实际空间中,得到其在实际空间中的位置,从而获得视觉传感器测量的位姿;
(3)构造卡尔曼滤波器,获得里程计滤波估计值和视觉传感器滤波估计值;
结合机器人运动学方程,构造卡尔曼滤波器,将视觉传感器测量通道和里程计测量通道所得到的测量值,通过卡尔曼滤波得到里程计滤波估计值和视觉传感器滤波估计值,具体步骤如下:
根据移动机器人运动模型以及各个噪声统计信息构造扩展卡尔曼滤波器,结合移动机器人的非完整运动学方程,卡尔曼滤波器的滤波方程组如式(4)~式(8):
Pk+1/k=ΦPk/kΦT+Q (7)
Pk+1=[I-Kk+1Hk+1]Pk+1/k (8)
其中:Q为导航系统噪声的方差矩阵,R为测量噪声的方差矩阵,两者均为零均值时的高斯噪声,P为估计误差的协方差矩阵,Pk/k为k时刻P的估计值,Pk+1/k为k+1时刻P的预测值;为系统状态, 为k时刻的状态估计值, 为k+1时刻的状态预测值,K为卡尔曼滤波增益,Kk为k时刻的卡尔曼滤波增益,Kk+1为k+1时刻的卡尔曼滤波增益,Φ为线性化的状态转移矩阵;
通过式(4)~式(8)得到的滤波估计值为
步骤三:里程计滤波估计值和视觉传感器滤波估计值融合;
(1)在未获得视觉传感器滤波器滤波估计值时;
利用里程计滤波器滤波估计值与移动机器人模型公共参考系统进行信息融合,获得最优滤波值
(2)当获得视觉传感器滤波器滤波估计值后;
利用里程计滤波器滤波估计值,视觉传感器滤波器滤波估计值与移动机器人模型公共参考系统进行信息融合,获得最优滤波值
按照最优融合公式(9),将各滤波器的滤波估计值进行融合:
式中:表示最优滤波值,Pg为融合后的估计误差方差矩阵,Pii为第i个滤波器的估计误差方差矩阵,为第i个滤波器的滤波估计值,N为自然数,表示包括滤波器的个数;
步骤四:参数重置;
判断导航是否结束,若导航未结束,则将获得的最优滤波值 或者 重置到里程计滤波器和视觉传感器滤波器,返回步骤二,进行下一次的滤波;
同时根据获得的最优滤波值 或者 利用移动机器人运动模型,预测下一步移动机器人的位姿信息,从而确定在下一帧图像中移动机器人目标所在的位置,以该位置作为下一次运动目标检测时的搜索启发点;
若导航结束,则本方法结束。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种并联轮足式机器人腿结构及移动机器人 | 2020-05-11 | 411 |
一种老年人室内活动搀扶机器人系统及其应用方法 | 2020-05-13 | 608 |
一种基于FPGA的田间视频图像实时分割系统及方法 | 2020-05-20 | 340 |
工业应用服务处理方法和系统 | 2020-05-08 | 334 |
超前预报底板探测智能雷达搭载系统及探测方法 | 2020-05-15 | 584 |
具有广泛使用性的三维图形用户界面的系统及方法 | 2020-05-16 | 186 |
一种利用搬运机器人与位置区块链实现隐私保护的配送方法 | 2020-05-21 | 943 |
用于铁路客运车站巡更机器人的巡更方法及系统 | 2020-05-14 | 312 |
一种切削加工机器人的动态误差补偿与控制方法 | 2020-05-11 | 25 |
一种无人驾驶交通导航信号设备和其管理系统 | 2020-05-12 | 420 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。