本发明涉及图像识别处理技术领域，尤其是一种用于SLAM的镂空障碍物检测装置和方法。
背景技术：
SLAM(Simultaneous localization and mapping)是即时定位与地图构建的英文简称，也称为CML(Concurrent Mapping and Localization)，并发建图与定位。SLAM要解决的问题是：将一个机器人放入未知环境中的未知位置，是否有办法让机器人一边逐步描绘出此环境完全的地图，同时一边决定机器人应该往哪个方向行进。
机器人SLAM技术是机器人领域的基础核心技术，基于激光雷达的SLAM技术是被广泛应用的一种方案，其中基于2D激光雷达的SLAM技术被广泛应用在家庭服务机器人领域。但现有基于2D激光雷达的SLAM技术的一个缺点是只能探测2D平面的障碍物，而且对障碍物的要求较高，一些特殊的障碍物，如含有镂空结构的桌椅等障碍物则不能通过现有2D激光雷达有效探测出来。这样，基于2D激光雷达所建立的全局地图有可能遗漏了大量的障碍物，这极大地限制了SLAM技术的应用。
技术实现要素：
为了解决上述技术问题，本发明的第一目的在于提供一种用于SLAM的镂空障碍物检测装置，第二目的在于提供一种用于SLAM的镂空障碍物检测方法。
本发明所采取的第一技术方案是：
一种用于SLAM的镂空障碍物检测装置，包括主机、激光雷达和深度相机，所述主机分别与激光雷达和深度相机连接；
所述激光雷达用于对空间进行探测，从而得到激光雷达数据；
所述深度相机用于对空间进行探测，从而获得模拟激光雷达数据；
所述主机用于在激光雷达与深度相机的重叠视野区域内，根据激光雷达数据和模拟激光雷达数据进行模糊逻辑判断，根据所述模糊逻辑判断的结果，得到对含有镂空结构的障碍物的探测结果。
进一步地，所述激光雷达为2D激光雷达，所述2D激光雷达的视角为240度。
进一步地，所述深度相机的水平视角为58度，垂直视角为45度。
本发明所采取的第二技术方案是：
一种用于SLAM的镂空障碍物检测方法，包括以下步骤：
S1.利用激光雷达对空间进行探测，从而得到激光雷达数据；
S2.利用深度相机对空间进行探测，根据探测得到的数据进行计算，从而获得模拟激光雷达数据；
S3.在激光雷达与深度相机的重叠视野区域内，根据激光雷达数据和模拟激光雷达数据进行计算和模糊逻辑判断，根据所述模糊逻辑判断的结果，得到对含有镂空结构的障碍物的探测结果。
进一步地，所述步骤S2具体包括：
S21.利用深度相机对空间进行探测，从而得到深度图像；
S22.根据深度图像，计算得到空间点云；
S23.在垂直高度上对空间点云进行截取；
S24.将截取得到的空间点云投影到水平面，从而得到模拟激光雷达数据。
进一步地，所述步骤S23中，截取的高度范围为-0.5m-0.5m。
进一步地，所述步骤S3之后还包括以下步骤：
S4.根据对含有镂空结构的障碍物的探测结果、激光雷达数据与在全局地图中的当前所处位置，利用图像匹配算法，从而计算得到所探测到的含有镂空结构的障碍物在全局地图中的坐标；
S5.根据含有镂空结构的障碍物在全局地图中的坐标，将含有镂空结构的障碍物加入到全局地图中。
进一步地，所述步骤S3具体包括：
S31.在所述重叠视野区域内，从激光雷达数据和模拟激光雷达数据中获取各距离点的数据，并根据各距离点的数据计算各距离点之间的距离差；
S32.根据各距离点的数据，计算距离点置信度；
S33.根据各距离点之间的距离差，计算距离差置信度；
S34.根据距离点置信度、距离差置信度和模糊逻辑，进行模糊逻辑判断，从而得到对含有镂空结构的障碍物的探测结果。
进一步地，所述距离点置信度包括激光雷达单个距离点置信度U1、模拟激光雷达单个距离点置信度U2，所述距离差置信度包括激光雷达单个距离点与模拟激光雷达单个距离点距离差置信度U3、激光雷达多个距离点与模拟激光雷达多个距离点距离差置信度U4。
进一步地，所述步骤S34中的模糊逻辑具体为：
如果U1、U2、U3和U4均在范围内，则判断存在含有镂空结构的障碍物；
如果U1和U2在范围内，U3和U4在范围内，则判断存在含有镂空结构的障碍物；
如果U1和U2在范围内，U3和U4在范围内，则判断存在含有镂空结构的障碍物；
其他情况，则判断不存在含有镂空结构的障碍物。
本发明的有益效果是：通过本发明，可以根据深度相机探测得到的模拟激光雷达数据与激光雷达数据分析判断视野范围内是否存在含有镂空结构的障碍物，从而探测到仅靠激光雷达无法探测的障碍物，弥补了传统SLAM技术仅使用激光雷达进行探测的不足，使应用本发明的机器人适应能力更强、应用范围更广。
附图说明
图1为本发明一种用于SLAM的镂空障碍物检测装置中激光雷达和深度相机的视角示意图；
图2为本发明一种用于SLAM的镂空障碍物检测方法的流程图；
图3为本发明一种用于SLAM的镂空障碍物检测方法的原理图；
图4为一种U1-R1图象；
图5为一种U2-R2图象；
图6为一种U3-E1图象；
图7为一种U4-E2图象。
具体实施方式
实施例1
本实施例公开了一种用于SLAM的镂空障碍物检测装置，包括主机、激光雷达和深度相机，所述主机分别与激光雷达和深度相机连接；
所述激光雷达用于对空间进行探测，从而得到激光雷达数据；
所述深度相机用于对空间进行探测，从而获得模拟激光雷达数据；
所述主机用于在激光雷达与深度相机的重叠视野区域内，根据激光雷达数据和模拟激光雷达数据进行模糊逻辑判断，根据所述模糊逻辑判断的结果，得到对含有镂空结构的障碍物的探测结果。
SLAM技术应用于机器人领域，因此主机、激光雷达和深度相机都可以安装在机器人上。激光雷达和深度相机均对空间进行探测，其中激光雷达所探测到的数据在现有SLAM技术中用于建立全局地图。而深度相机所探测到的数据包括了空间的深度信息，其可以用来修补基于激光雷达数据所建的地图，由于深度相机所探测到的数据具有上述对于建立地图的辅助作用，因此称为模拟激光雷达数据。
所述主机用于对探测到的激光雷达数据和模拟激光雷达数据进行处理，具体为在激光雷达与深度相机的重叠视野区域内，根据激光雷达数据和模拟激光雷达数据进行模糊逻辑判断，模糊逻辑判断的结果便是对含有镂空结构的障碍物的探测结果，也就是视野内存在或不存在含有镂空结构的障碍物。将这个探测结果可以与基于2D激光雷达所建立的全局地图结合起来，增强全局地图的完整性，使得应用本发明的机器人能够更有效地探测到障碍物，有利于机器人的进一步判断和操作。
进一步作为优选的实施方式，所述激光雷达为2D激光雷达，如图1所示，所述2D激光雷达的视角为240度。
进一步作为优选的实施方式，如图1所示，所述深度相机的水平视角为58度，垂直视角为45度。
由图1可以知道激光雷达和深度相机的安装关系，两者的视野区域存在重叠部分，优选地可以调整深度相机的方向，使得其两者的视野区域所形成的空间具有对称性。
实施例2
本实施例将说明一种用于SLAM的镂空障碍物检测方法，其可以用实施例1所述的一种用于SLAM的镂空障碍物检测装置实现。
一种用于SLAM的镂空障碍物检测方法，如图2所示，包括以下步骤：
S1.利用激光雷达对空间进行探测，从而得到激光雷达数据；
S2.利用深度相机对空间进行探测，根据探测得到的数据进行计算，从而获得模拟激光雷达数据；
S3.在激光雷达与深度相机的重叠视野区域内，根据激光雷达数据和模拟激光雷达数据进行计算和模糊逻辑判断，根据所述模糊逻辑判断的结果，得到对含有镂空结构的障碍物的探测结果。
进一步作为优选的实施方式，所述步骤S2具体包括：
S21.利用深度相机对空间进行探测，从而得到深度图像；
S22.根据深度图像，计算得到空间点云；
S23.在垂直高度上对空间点云进行截取；
S24.将截取得到的空间点云投影到水平面，从而得到模拟激光雷达数据。
由于深度相机所探测到的信息本身是深度图像，为了得到可以用于与激光雷达数据所建地图结合的模拟激光雷达数据，需要进行相关的计算和变换操作。首先将深度相机探测到的深度图像计算得到空间点云，截取保留空间点云在垂直高度方向上的一部分，将截取保留的这一部分空间点云投影到水平面，投影结果便为所需获得的模拟激光雷达数据。
进一步作为优选的实施方式，所述步骤S23中，截取的高度范围为-0.5m-0.5m。
也就是说，步骤S23中截取保留的这一部分空间点云为垂直高度方向-0.5m-0.5m范围内。
进一步作为优选的实施方式，所述步骤S3之后还包括以下步骤：
S4.根据对含有镂空结构的障碍物的探测结果、激光雷达数据与在全局地图中的当前所处位置，利用图像匹配算法，从而计算得到所探测到的含有镂空结构的障碍物在全局地图中的坐标；
S5.根据含有镂空结构的障碍物在全局地图中的坐标，将含有镂空结构的障碍物加入到全局地图中。
在执行步骤S1-S3后，机器人即可判断到视野中是否存在含有镂空结构的障碍物。执行步骤S4，可以得到含有镂空结构的障碍物在全局地图中的坐标，执行步骤S5，则是将含有镂空结构的障碍物按照对应的坐标加入到全局地图中去，这样所得的全局地图，便能包括仅用2D激光雷达所探测不到的障碍物的信息，具有更好的完整性和更丰富的信息。
步骤S3-S5更加详细的流程为：如图3所示，执行步骤S3后，如果探测到存在含有镂空结构的障碍物，那么，就将此障碍物与激光雷达数据和机器人当前所处的位置信息一起组成关键数据帧，然后用图像匹配算法根据关键数据帧，将此障碍物加入到全局地图中。
图像匹配算法的匹配对象，也就是待匹配数据，包括全局地图的图像信息和激光雷达数据。图像匹配算法可以使用通用匹配算法(ICP，Iterative Closest Point)。
进一步作为优选的实施方式，所述步骤S3具体包括：
S31.在所述重叠视野区域内，从激光雷达数据和模拟激光雷达数据中获取各距离点的数据，并根据各距离点的数据计算各距离点之间的距离差；
S32.根据各距离点的数据，计算距离点置信度；
S33.根据各距离点之间的距离差，计算距离差置信度；
S34.根据距离点置信度、距离差置信度和模糊逻辑，进行模糊逻辑判断，从而得到对含有镂空结构的障碍物的探测结果。
步骤S3中所用的模糊逻辑判断的处理对象是距离点置信度和距离差置信度，模糊逻辑判断的判断根据是模糊逻辑。距离点置信度由各距离点的数据计算得到，距离差置信度由各距离点之间的距离差计算得到。各距离点的数据是激光雷达数据和模拟激光雷达数据中各特定的距离点所对应的数据，根据各距离点的数据，便可以进一步计算出各距离点之间的距离差。模糊逻辑判断的结果便为对含有镂空结构的障碍物的探测结果，其反映机器人的视野内是否存在含有镂空结构的障碍物。
进一步作为优选的实施方式，所述距离点置信度包括激光雷达单个距离点置信度U1、模拟激光雷达单个距离点置信度U2，所述距离差置信度包括激光雷达单个距离点与模拟激光雷达单个距离点距离差置信度U3、激光雷达多个距离点与模拟激光雷达多个距离点距离差置信度U4。
其中，激光雷达单个距离点置信度U1可由激光雷达单个距离点R1计算得到，模拟激光雷达单个距离点置信度U2可由模拟激光雷达单个距离点R2计算得到，激光雷达单个距离点与模拟激光雷达单个距离点距离差置信度U3可由激光雷达单个距离点与模拟激光雷达单个距离点距离差E1计算得到，激光雷达多个距离点与模拟激光雷达多个距离点距离差置信度U4可由激光雷达多个距离点与模拟激光雷达多个距离点距离差E2计算得到。上述计算过程可以使用公知的算法，图4、图5、图6和图7是其中一种算法计算出来的各量的函数关系。U1与R1的关系如图4所示，U2与R2的关系如图5所示，U3与E1的关系如图6所示，U4与E2的关系如图7所示。
在同一时间内激光雷达和深度相机分别做一次周期性扫描探测，一系列激光雷达单个距离点组成本次扫描的激光雷达数据，一系列模拟激光雷达单个距离点(深度相机数据到模拟激光雷达数据的转换已在上述给与了说明)组成本次扫描的模拟激光雷达数据。在重叠视野区域内，每一个激光雷达单个距离点与模拟激光雷达单个距离点组成一一对应的点对，为了方便表述，按顺序分别给每个点对取序号1、2、...、k、…，每个序号对应重叠视野区域的一个观测方向。计算每个观测方向的U1、U2、U3、U4，从而依据模糊逻辑判断该观测方向是否存在含有镂空结构的障碍物。以序号k对应的观测方向为例，R1和R2可以直接从激光雷达数据和模拟激光雷达数据中获取；E1可以根据下式计算得到：E1＝R1-R2；E2可以根据下式计算得到：式中E1(N)为序号为N的点对求得的E1值，E2的物理意义为在序号为k的点对及其前后2m个相邻点对分别求得E1值的累加和，m可以取经验值7。
进一步作为优选的实施方式，所述步骤S34中的模糊逻辑具体为：
如果U1、U2、U3和U4均在范围内，则判断存在含有镂空结构的障碍物；
如果U1和U2在范围内，U3和U4在范围内，则判断存在含有镂空结构的障碍物；
如果U1和U2在范围内，U3和U4在范围内，则判断存在含有镂空结构的障碍物；
其他情况，则判断不存在含有镂空结构的障碍物。
以上是对本发明的较佳实施进行了具体说明，但对本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。