基于Kinect传感器信息融合的机器人全局栅格地图构建方法
【专利摘要】一种基于Kinect传感器信息融合的机器人全局栅格地图构建方法，其特点是：1.移动机器人使用Kinect传感器采集环境信息并建立局部栅格地图；2.将地图中的栅格分为占用、空闲和未知三种状态，每种状态的不确定性用概率值来表示；3.对局部地图采用改进的D?S证据理论算法进行信息融合；4.使用改进的D?S对Kinect传感器信息进行融合得到机器人工作环境的全局栅格地图。本发明可以实现机器人对周围环境的检测并能够快速、精确地建立全局栅格地图。
【专利说明】
基于K i nect传感器信息融合的机器人全局栅格地图构建方法[0001 ]
技术领域
:本发明涉及移动机器人技术领域，具体设计一种基于Kinect传感器信息融合的移动机器人不确定性全局栅格地图构建方法。
[0002]【背景技术】:环境地图构建是目前移动机器人研究的重点和热点领域，移动机器人通过对环境地图的分析可以完成路径规划，自主导航等一系列的任务。环境地图构建的表达方式主要分为二维平面地图和三维立体地图，在移动机器人环境地图构建领域中，二维平面地图的应用范围比较常见和广泛。而栅格地图对环境的描述比较直观，便于创建和更新。Kinect传感器是微软与2010年推出的一款新型传感器，由于其可以同时采集彩色影像、 深度影像、声音信号等，自Kinect开始发行起就受到了研究者们的广泛关注。尽管Kinect传感器在检测环境方面有着诸多的优点，但是由于Kinect传感器本身技术限制会使得Kinect 所采集到的深度数据存在一定的误差。由于Kinect传感器自身的局限性和机器人工作环境的复杂性，使得使用Kinect传感器建立的环境栅格地图具有一定的不确定性以及不精确性。
【发明内容】
:
[0003]发明目的:本发明提供一种利用改进的D-S证据推理方法对Kinect传感器进行信息融合的移动机器人不确定性全局栅格地图构建方法，其目的在于解决以往所存在的问题，实现对周围环境的检测并构建出环境地图以便于移动机器人进行导航和执行其他工作任务。
[0004]技术方案:本发明是通过以下技术方案实施的:
[0005] —种基于Kinect传感器信息融合的移动机器人不确定性全局栅格地图构建方法: 其特征在于:该方法包括有以下步骤:
[0006]步骤(1):移动机器人使用Kinect传感器采集环境信息并建立局部栅格地图；
[0007]步骤(2):使用概率值表示地图中每个栅格占用状态、空闲状态和未知状态的置信度；
[0008]步骤(3):对利用Kinect传感器建立全局地图初期栅格状态特点对D-S证据理论进行改进并将其用于传感器信息融合；
[0009]步骤(4):使用改进的D-S对Kinect传感器信息进行融合得到机器人工作环境的全局栅格地图；
[0010]所述步骤(1)机器人对于Kinect传感器采集的深度数据采用深度数据地面去除方法检测障碍物。将去除地面后的深度数据进行扫描处理。扫描从首列开始，当扫描到第一个有效深度数据时，对其进行记录并作为首个障碍物的种子点。当扫描到第二个有效数据时， 和第一个比较，若两者之差小于一定的阈值则两者合并为一个种子点，若两者之差超过一定的阈值则记录后者为新的目标的种子点。直到扫描完一列为止。重复以上检测过程得到所有列的所有不同的障碍物的各项信息，并得到一个横坐标为图像的像素点位置，纵坐标为实际距离的坐标系，坐标系中每一个点代表障碍物。再将检测的障碍物图像坐标映射到实际工作环境坐标。根据检测的障碍物在实际环境中的位置信息，确定其归属于离散化栅格。
[0011]所述步骤(2)使用Kinect传感器建立局部栅格地图，栅格分为障碍、空闲和未知三种状态，每种状态的不确定性用概率值来表示。其中障碍区的各项置信度分别为:m(0)=p、 111(￡)=0、111(?) = 11。空闲区的各状态置信度分别设为:111(0)=0、111(￡)=0.99、111(?)= 0.01。未知区域的各项置信度分别为:111(0)=0、111(￡)=0、111(?) = 1。[〇〇12]所述步骤(3)根据Kinect传感器建立栅格地图的特点，利用改进的D-S证据理论算法对多幅局部地图进行融合，完成一次环境检测后得到的某栅格的状态为ml，原地图上该栅格的状态为m2。先判断栅格的整体状态，对其进行整体融合已提高融合效率，然后对部分栅格的融合采用Murphy方法解决冲突较大的问题。
[0013]当ml为未知时，若m2为未知，则融合结果为未知;若m2为空闲，则融合结果为未知。 若m2为障碍，则融合结果为障碍；即当完成一次环境检测后，检测到某栅格为未知区，那么将保留原地图中该栅格的状态。
[0014]当ml为空闲时，若m2为未知，则融合结果为空闲;若m2为空闲，则融合结果为空闲； 若m2为障碍，则融合结果需要调用改进的D-S证据理论的信息融合算法。即当完成一次环境检测后，检测到某栅格为空闲区，当原地图中该栅格为未知区时，则将该栅格改为空闲区； 当原地图中该栅格为空闲区时，则保持不变；当原地图中该栅格为障碍区时，则说明检测结果发生冲突，需要用改进的D-S证据理论的信息融合算法进行融合。[〇〇15]当ml为障碍时，若m2为未知，则融合结果为障碍;若m2为空闲，则融合结果为障碍， 则融合结果需要调用改进的D-S证据理论的信息融合算法;若m2为障碍，则融合结果需要调用D-S证据理论的信息融合算法。即当完成一次环境检测后，检测到某栅格为障碍区，当原地图中该栅格为未知区时，则将该栅格改为障碍区；当原地图中该栅格为空闲区时，则说明检测结果发生冲突，需要用改进的D-S证据理论的信息融合算法进行融合；当原地图中该栅格为障碍区时，因为不同距离检测到的障碍区置信度也不同，为提高障碍区的置信度，采用改进的D-S证据理论的信息融合算法进行融合。
[0016] 改进的D-S证据理论融合算法如下:采用Murphy方法先对几条规则进行平均，用平均证据代替原来的证据，最后再利用Dempster规则组合这些证据。[〇〇17]所述步骤(4)使用改进的D-S对Kinect传感器信息进行融合得到机器人工作环境的全局栅格地图。移动机器人搭载Kinect传感器首先在办公室内环境中移动并进行环境检测和构建局部地图，构建完局部地图后再利用改进的D-S证据理论算法与全局地图进行融合并更新全局地图。随着机器人对工作环境的探索，不断重复融合过程，最终得到全局栅格地图。[〇〇18]优点效果:
[0019]本发明机器人使用Kinect传感器构建全局环境地图，将Kinect传感器多次检测的数据进行融合来得到更为精确的全局环境地图。与视觉传感器相比，本发明不但能获取环境的颜色信息还能获取距离信息，可以更好的构建地图；与超声传感器相比，本发明获得的环境信息更加精细，精度更高；与激光传感器相比，本发明所检测的范围更大，且性价比更尚。
[0020]本发明使用Kinect传感器信息融合的方法实现全局栅格地图的构建工作，将环境分为三部分空闲区，障碍区和未知区；机器人可以在空闲区运动，无法在障碍区运动，对应未知区需要重新检测;通过使用改进的D-S证据方法对传感器信息进行融合能够减小传感器自身的误差和不确定性，也能减少由于环境复杂性对构建地图的影响，从而得到更为精确的机器人工作环境描述。【附图说明】:[0021 ]图1为移动机器人工作环境示意图；[〇〇22]图2为办公室环境检测示意图组；[〇〇23]图3为走廊环境检测示意图组；[〇〇24]图4为全局地图融合结果图；[〇〇25]【具体实施方式】:下面结合附图对本发明加以具体描述:[〇〇26] 如图1所示，本发明一种基于Kinect传感器信息融合的移动机器人不确定性全局栅格地图构建方法，包括如下步骤:[〇〇27]步骤一:机器人对于Kinect传感器采集的深度数据采用深度数据地面去除方法检测障碍物。将去除地面后的深度数据进行扫描处理。扫描从首列开始，当扫描到第一个有效深度数据时，对其进行记录并作为首个障碍物的种子点。当扫描到第二个有效数据时，和第一个比较，若两者之差小于一定的阈值则两者合并为一个种子点，若两者之差超过一定的阈值则记录后者为新的目标的种子点。直到扫描完一列为止。重复以上检测过程得到所有列的所有不同的障碍物的各项信息，并得到一个横坐标为图像的像素点位置，纵坐标为实际距离的坐标系，坐标系中每一个点代表障碍物。再将检测的障碍物图像坐标映射到实际工作环境坐标。根据检测的障碍物在实际环境中的位置信息，确定其归属于离散化栅格。 [〇〇28]步骤二:使用Kinect传感器建立局部栅格地图，栅格分为占用、空闲和未知三种状态，每种状态的不确定性用概率值来表示。其中障碍区的各项置信度分别为:m(0)=p、m(E) =0、111(?) = 11。空闲区的各状态置信度分别设为:111(0)=0、111(￡)=0.99、111(?) = 0.01。未知区域的各项置信度分别为:111(0)=0、111(￡)=0、111(?) = 1。[〇〇29] 步骤三:对局部地图采用改进的D-S证据理论算法进行信息融合，改进的D-S证据理论算法完成一次环境检测后得到的某栅格的状态为ml，原地图上该栅格的状态为m2。首先判断栅格的整体状态。
[0030]当ml为未知时，若m2为未知，则融合结果为未知;若m2为空闲，则融合结果为未知。 若m2为障碍，则融合结果为障碍；即当完成一次环境检测后，检测到某栅格为未知区，那么将保留原地图中该栅格的状态。
[0031]当ml为空闲时，若m2为未知，则融合结果为空闲;若m2为空闲，则融合结果为空闲； 若m2为障碍，则融合结果需要调用改进的D-S证据理论的信息融合算法。即当完成一次环境检测后，检测到某栅格为空闲区，当原地图中该栅格为未知区时，则将该栅格改为空闲区； 当原地图中该栅格为空闲区时，则保持不变；当原地图中该栅格为障碍区时，则说明检测结果发生冲突，需要用改进的D-S证据理论的信息融合算法进行融合。
[0032]当ml为障碍时，若m2为未知，则融合结果为障碍;若m2为空闲，则融合结果为障碍， 则融合结果需要调用改进的D-S证据理论的信息融合算法;若m2为障碍，则融合结果需要调用D-S证据理论的信息融合算法。即当完成一次环境检测后，检测到某栅格为障碍区，当原地图中该栅格为未知区时，则将该栅格改为障碍区；当原地图中该栅格为空闲区时，则说明检测结果发生冲突，需要用改进的D-S证据理论的信息融合算法进行融合；当原地图中该栅格为障碍区时，因为不同距离检测到的障碍区置信度也不同，为提高障碍区的置信度，采用改进的D-S证据理论的信息融合算法进行融合。[〇〇33]改进的D-S证据理论融合算法如下:采用Murphy方法先对几条规则进行平均，具体公式如下:
[0034]m( ? ) = (mi( ? )+m2( ? ))/2(1)
[0035]m(E) = (mi(E)+m2(E))/2(2)
[0036]m(0) = (mi(0)+m2(0) )/2(3)
[0037]上述公式中m( ? )表示栅格为未知状态的概率值，m(E)表示栅格为空闲状态的概率值，m(0)表示栅格为障碍状态的概率值。[〇〇38]用平均证据代替原来的证据，这样就可以降低证据体之间的较大冲突。最后再利用Dempster规则组合这些证据。公式如下:
[0039]K=m(0)m(E)*2(4)
[0040]m(E) = (m(E)m(E)+m(E)m( ? )*2)/(l-K)(5)
[0041]m(0) = (m(0)m(0)+m(0)m( 0 )*2)/(l-K)(6)
[0042]m(0) = l-m(E)-m(O)(7)[〇〇43]上述公式中K表示冲突因子，K的大小反映了证据之间的冲突程度。[〇〇44] 通过改进的D-S证据理论数据融合算法，使得地图构建更加快速，并且解决了当证据体之间冲突较大时，融合效果不理想的问题。
[0045]步骤四:基于以上提出的不确定性栅格地图构建方法进行实验验证与分析。移动机器人工作环境示意图如图1所示。从图中可以看出移动机器人实验环境比较宽广，其中包含两个房间(办公室和实验室)和一条狭长的走廊。移动机器人在工作环境中不断运动进行环境检测并构建局部不确定性栅格地图，再通过融合算法和全局栅格地图进行数据融合并更新全局地图。全局栅格地图初始化为每个栅格的状态都是未知的。
[0046]移动机器人搭载Kinect传感器首先在办公室内环境中移动并进行环境检测和构建局部地图，构建完局部地图后再利用改进的D-S证据理论算法与全局地图进行融合并更新全局地图。办公室环境检测部分示意图组如图2所示。当移动机器人检测完办公室环境并生成地图后，随着机器人的不断移动并依次检测走廊环境信息并更新全局环境地图，走廊环境检测部分示意图组如图3所示。
[0047]随着移动机器人不断的移动，遍历整个工作环境并建立局部的栅格地图，使用自身定位系统确定移动机器人在全局地图中的位置，基于此就可以将局部的不确定性栅格地图和全局地图进行融合，通过不断的融合可以增加全局栅格地图中障碍物栅格和空闲栅格的区域，并提高障碍物栅格的置信度，使地图更加精确。最后融合得到的地图如图4所示。
【主权项】
1.一种基于Kinect传感器信息融合的机器人全局栅格地图构建方法，其特征在于:该 方法包括有以下步骤:步骤(1):移动机器人使用Kinect传感器采集环境信息并建立局部栅格地图；步骤(2):使用概率值表示每个栅格占用状态、空闲状态和未知状态的置信度；步骤(3):对利用Kinect传感器建立全局地图初期栅格状态特点对D-S证据理论进行改 进并将其用于传感器信息融合；步骤(4):使用改进的D-S证据理论对Kinect传感器信息进行融合得到机器人工作环境 的全局栅格地图。2.根据权利要求1所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:所述步骤(1)机器人对于Kinect传感器采集的数据，首先采用深度数据地面去 除方法检测障碍物;然后通过对其进行列扫描处理得到每个障碍物的种子点；再将检测的 障碍物图像坐标映射到实际工作环境坐标;最后根据检测的障碍物在实际环境中的位置信 息，确定其归属于离散化栅格。3.根据权利要求2所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:所述步骤(1)机器人对于Kinect传感器采集的深度数据采用深度数据地面去 除方法检测障碍物;将去除地面后的深度数据进行扫描处理;扫描从首列开始，当扫描到第 一个有效深度数据时，对其进行记录并作为首个障碍物的种子点；当扫描到第二个有效数 据时，和第一个比较，若两者之差小于一定的阈值则两者合并为一个种子点，若两者之差超 过一定的阈值则记录后者为新的目标的种子点；直到扫描完一列为止;重复以上检测过程 得到所有列的所有不同的障碍物的各项信息，并得到一个横坐标为图像的像素点位置，纵 坐标为实际距离的坐标系，坐标系中每一个点代表障碍物;再将检测的障碍物图像坐标映 射到实际工作环境坐标;根据检测的障碍物在实际环境中的位置信息，确定其归属于离散 化栅格。4.根据权利要求1所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:所述步骤(2)使用Kinect传感器建立局部栅格地图，再将栅格地图分为障碍 区、空闲区和未知区；每个栅格分为障碍、空闲和未知三种状态，每种状态的不确定性用概 率值来表示;对于检测障碍区中各栅格的各状态置信度为:m(0)=p、m(E)=0、m(?) = l-p， 分别表示该栅格被占用的置信度概率，空闲置信度概率和未知状态置信度概率;对于空闲 区的栅格占用、空闲和未知的状态置信度分别为:m(O)=O、m(E)=0.99，m(0)=0.0l。5.根据权利要求1所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:所述步骤(3)对Kinect传感器建立全局地图开始阶段大部分栅格状态处于未 知状态的而导致融合效率低下的特点，对基本D-S证据理论算法进行改进，使用平均证据代 替原来的证据来减低证据体之间的冲突;再将改进的D-S证据理论算法用于信息融合。6.根据权利要求5所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:所述步骤(3)根据Kinect传感器建立栅格地图的特点，利用改进的D-S证据理 论算法对多幅局部地图进行融合，完成一次环境检测后得到的某栅格的状态为ml，原地图 上该栅格的状态为m2;先判断栅格的整体状态，对其进行整体融合已提高融合效率，然后对 部分栅格的融合采用Murphy方法解决冲突较大的问题；当ml为未知时，若m2为未知，则融合结果为未知;若m2为空闲，则融合结果为未知;若m2为障碍，则融合结果为障碍;即当完成一次环境检测后，检测到某栅格为未知区，那么将保 留原地图中该栅格的状态；当ml为空闲时，若m2为未知，则融合结果为空闲;若m2为空闲，则融合结果为空闲；若m2 为障碍，则融合结果需要调用改进的D-S证据理论的信息融合算法；即当完成一次环境检测 后，检测到某栅格为空闲区，当原地图中该栅格为未知区时，则将该栅格改为空闲区；当原 地图中该栅格为空闲区时，则保持不变;当原地图中该栅格为障碍区时，则说明检测结果发 生冲突，需要用改进的D-S证据理论的信息融合算法进行融合；当ml为障碍时，若m2为未知，则融合结果为障碍;若m2为空闲，则融合结果为障碍，则融 合结果需要调用改进的D-S证据理论的信息融合算法;若m2为障碍，则融合结果需要调用D-S证据理论的信息融合算法；即当完成一次环境检测后，检测到某栅格为障碍区，当原地图 中该栅格为未知区时，则将该栅格改为障碍区；当原地图中该栅格为空闲区时，则说明检测 结果发生冲突，需要用改进的D-S证据理论的信息融合算法进行融合；当原地图中该栅格为 障碍区时，因为不同距离检测到的障碍区置信度也不同，为提高障碍区的置信度，采用改进 的D-S证据理论的信息融合算法进行融合。7.根据权利要求6所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:改进的D-S证据理论融合算法如下:采用Murphy方法先对几条规则进行平均， 用平均证据代替原来的证据，最后再利用Dempster规则组合这些证据。8.根据权利要求7所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:改进的D-S证据理论融合算法如下:采用Murphy方法先对几条规则进行平均， 具体公式如下:m( ? ) = (mi( ?)+m2( ?))/2(1)m(E) = (mi(E)+m2(E) )/2 (2) m(0) = (mi(0)+m2(0) )/2 (3)上述公式中m( ? )表示栅格为未知状态的概率值，m(E)表示栅格为空闲状态的概率值， m(0)表示栅格为障碍状态的概率值；用平均证据代替原来的证据，这样就可以降低证据体之间的较大冲突，最后再利用 Dempster规则组合这些证据;公式如下:K=m(0)m(E)*2(4)m(E) = (m(E)m(E)+m(E)m( ? )*2)/(l-K)(5)m(0) = (m(0)m(0)+m(0)m( ? )*2)/(l-K)(6)m( 0 ) = l-m(E)-m(0) (7)上述公式中K表示冲突因子，K的大小反映了证据之间的冲突程度。9.根据权利要求1所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:所述步骤(4)首先初始化全局栅格地图，然后利用Kinect传感器对环境进行检 测并得到局部地图各个栅格状态的置信度概率信息，通过改进的D-S证据推理融合方法将 新获取的栅格状态置信度和当前栅格信息进行融合，得到更新栅格地图；通过机器人不断 地对工作环境进行探索，重复以上信息融合过程，最终形成全局栅格地图。10.根据权利要求9所述基于Kinect传感器信息融合的机器人全局栅格地图构建方法， 其特征在于:所述步骤(4)使用改进的D-S对Kinect传感器信息进行融合得到机器人工作环境的全局栅格地图；移动机器人搭载Kinect传感器首先在办公室内环境中移动并进行环境 检测和构建局部地图，构建完局部地图后再利用改进的D-S证据理论算法与全局地图进行 融合并更新全局地图；随着机器人对工作环境的探索，不断重复融合过程，最终得到全局栅 格地图。
【文档编号】G09B29/00GK105955258SQ201610286193
【公开日】2016年9月21日
【申请日】2016年4月29日
【发明人】段勇, 盛栋梁
【申请人】沈阳工业大学