一种环境拓扑地图的构建方法与流程

本发明涉及一种机器人导航技术领域的方法，具体是一种机器人环境拓扑地图的构建方法。

背景技术：

近些年来，随着机器人学科的不断发展，使得机器人进入家庭成为了可能，典型的例子是扫地机器人价格越来越便宜而其实用性也越来越强，因为被人们广泛的关注，研究者的重点也逐渐转向未知环境下自主移动机器人的定位与导航。

机器人在室内环境中的定位与导航需要活动空间的环境作为前提，精确的地图表示和创建成为机器人自主移动的关键技术，同时也是完成其他室内任务的基础。地图的表示方式大概可分为3类：栅格地图、几何地图和拓扑地图。栅格法将整个环境分为若干相同大小的栅格，对于每个栅格指出其中是否存在障碍物，该方法已经在许多机器人系统中得到应用，是较为成功的一种方法，但是当栅格数量增大时(在大规模环境或对环境划分比较详细时)，对于地图的维护所需要占用的内存和CPU时间迅速增长，使计算机的实时处理变得很慢；几何地图是基于几何特征的地图表示方法，指机器人收集环境的感知信息，从中提取更为抽象的几何特征，例如线段或曲线，使用这些几何信息描述环境，几何地图用一个更简洁的方法表示环境，但是对于非常复杂的环境就难以表示；拓扑地图也是一种紧凑的地图表示方法，特别在环境大而简单时，这种方法将环境表示为一张拓扑图，图中的节点对应于环境中的一个特征状态、地点(由感知决定)，如果节点间存在直接连接的路径相当于图中连接的弧，这种表示方法可以实现快速的路径规划。

1982年，Kohonen建立了Kohonen模型，叫做自组织特征图(Self-Organzing Maps)，简称SOM图。SOM图如同生物神经系统大脑皮质中的有序特征，具有自组织的拓扑特征映射功能，能自组织的形成反应输入空间数据的拓扑结构，自组织的对输入空间的数据集或输入空间维数进行压缩。

本发明首先运用SOM图构建室内环境初步的拓扑地图，然后确定障碍物中的SOM图神经元和SOM神经元之间连线穿过障碍物的线段，最后删除这些多余的SOM神经元和线段得到表征该环境的拓扑地图。

技术实现要素：

本发明提供了一种环境拓扑地图构建方法，使得室内移动机器人导航的变得更加简单和高效。

本发明采用如下技术方案：

一种环境拓扑地图的构建方法，实现该构建方法的室内移动机器人带有测距传感器，室内移动机器人主体上安装有室内GPS系统，通过室内GPS系统能够实时获取室内移动机器人的室内位置信息。该方法具体包括如下步骤。

步骤A，编写室内移动机器人闲逛的程序，当室内移动机器人距离障碍物距离大于d时，室内移动机器人向前走；当室内移动机器人距离障碍物距离小于或等于d时，室内移动机器人向左或向右转动一定角度以避开障碍物。在室内移动机器人在闲逛过程中，每隔一定试件的采样间隔，获取室内移动机器人的室内位置坐标。室内移动机器人与障碍物之间的预设距离信息。

步骤B，设置SOM图横纵神经元数分别为m、n，运用步骤A采集的室内位置坐标对SOM图进行训练，进行若干次迭代，直到SOM图结构不发生变化时停止训练。

步骤C，给定阈值DistSumThre，计算每个神经元与周围神经元的欧式距离之和Dist，当Dist＞DistSumThre时，则记录该神经元为可疑神经元。

步骤D，给定阈值DistNeuronSampleThre，对于每个可疑神经元，计算该神经元与每个样本的欧式距离DistNeuronSample，记神经元与样本的欧式距离最小值为min(DistNeuronSample)，若min(DistNeuronSample)＞DistNeuronSampleThre时，则记录该神经元为障碍物中的神经元，此时可疑神经元集合为去掉障碍物神经元的集合。

步骤E，给定阈值DistLineThre，对于每个可疑神经元，计算该神经元与其周围神经元的距离DistLine，若发现其与周围某个神经元的距离DistLine＞DistLineThre，则记录该神经元与周围的某个神经元的连线为穿越障碍物的线段。

步骤F，通过上面的步骤，确定了障碍物中的神经元集合和穿越障碍物线段的集合。在绘制室内拓扑地图时，删除障碍物中神经元及其与周围神经元连线，删除穿越障碍物的线段即得到准确度更高的环境拓扑地图。

通过本发明提供的技术方案可以看出，本发明表示的环境拓扑地图记录了障碍物中的神经元和穿越障碍物线段，在机器人导航进行路径规划时更加准确。

附图说明

图1一种环境拓扑地图的构建方法的流程图

图2室内环境示意图；

图3机器人采集的样本点集合；

图4初步的拓扑地图；

图5最终的拓扑图；

图6加上桌子和墙以后的效果图

图中：1、桌子，2、墙，3、采集的样本点，4、神经元，5、神经元与神经元之间连接的线段。

具体实施方式

下面结合附图和具体实施方式对于本发明作进一步的说明。

如图1所示，一种环境拓扑地图的构建方法流程图，室内移动机器人首先在室内闲逛，每隔一定采样时间获得机器人的位置坐标，得到位置坐标点的集合；接着运用这些位置坐标点对SOM算法进行训练，得到初步表征环境的拓扑图；最后找到不合适的神经元和线段，即在障碍物中的神经元以及穿越障碍物的线段，去掉不合适的神经元和线段就可以得到最终的环境拓扑地图。

图2为环境示意图，黑色区域为障碍物区域，为机器人不可达区域。

步骤A，机器人闲逛阶段，当室内移动机器人距离障碍物距离大于d时，机器人向前走；当机器人距离障碍物距离小于或等于d时，机器人向左或向右转动一定角度以避开障碍物。在机器人闲逛过程中，每隔一定的采样间隔，获取机器人的位置坐标。让机器人闲逛足够的时间以便使其遍历整个室内，最后得到位置坐标集合如图3所示。

步骤B，运用位置坐标训练SOM神经元阶段，设置SOM图横纵神经元数m，n，进行若干次迭代，直到SOM图结构不发生变化时停止训练。训练好的SOM图如图4所示，图中点代表SOM神经元4，线段为相邻的神经元与神经元连接线段5，神经元在图中的位置由其前馈权值决定，SOM神经元4为机器人可以到达的点，相邻的神经元与神经元连接线段5为机器人可以循迹的线，从图中可以看出该图可以初步表征环境的拓扑结构，但是障碍物中存在神经元为机器人不可达点，穿越了障碍物的线段为机器人不可循迹的线。

关于SOM算法的详细介绍请参阅Kohonen T.The self-organizing map[J].Neurocomputing，1998，21(1–3):1-6.

步骤C，给定阈值DistSumThre，计算每个神经元与周围神经元的欧式距离之和Dist，当Dist＞DistSumThre时，则记录该神经元为可疑神经元NS_n。可疑神经元集合为NSSum＝{NS₁，NS₂，…，NS_n}。

步骤D，给定阈值DistNeuronSampleThre，对于每个可疑神经元，计算该神经元与每个样本的欧式距离DistNeuronSample，记神经元与样本的欧式距离最小值为min(DistNeuronSample)，若min(DistNeuronSample)＞DistNeuronSampleThre时，则记录该神经元为障碍物中的神经元NSO_m。障碍物中的神经元集合即为NSOSum＝{NSO₁，NSO₂，…，NSO_m}。此时可疑神经元集合NSSum＝NSSum-NSOSum。

步骤E，给定阈值DistLineThre，在可以神经元集合NSSum中，对于每个可疑神经元，计算该神经元与其周围神经元的距离DistLine，若发现其与周围某个神经元的距离DistLine＞DistLineThre，则记录该神经元与周围的某个神经元的连线为穿越障碍物的线段，记录该神经元NSL_i，并记录该神经元与周围第j神经元连线的欧式距离大于DistLineThre，记录该神经元和线段为<NSL_i，j>，穿越障碍物的线段集合为NSLSum＝{<NSL₁，j₁>，<NSL₂，j₂>，…，<NSL_p，j_p>}。

步骤F，通过上面的步骤，确定了障碍物中的神经元集合NSOSum和穿越障碍物线段的集合NSLSum。在绘制室内拓扑地图时，删除障碍物中神经元及其与周围神经元连线，删除穿越障碍物的线段即可得到准确度更高的环境拓扑地图如图5所示。

加上桌子和墙以后的效果图如图6所示。可以看出，该拓扑图能够很好的表征环境信息，为机器人导航进行路径规划提供了更加准确的地图。

最后要说明的是：以上实施例仅用于说明本发明而并非限制本发明所描述的技术方案；因此尽管本说明书参照上述实施例已经进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明精神和范围的技术方案及其改进，均应涵盖在本发明的权利要求范围当中。