采用激光器自定义环境特征的交叉式分区建图与质量评估方法与流程

本发明涉及激光建图领域，具体涉及一种采用激光器的自定义环境特征的交叉式分区建图与质量评估方法。

背景技术：

传统技术采用激光传感器扫描场地内人工布置的多个反光板，将其位置记录在地图上作为特征点，后续搭载激光传感器的机器人在场地内运动，通过扫描环境与地图对比，通过三角定位等技术得到自身实时定位，具有地图特征稳定可控等优点，但有反光板布置工作量大、成本高、对场地稳定安装位置有严格要求等缺点。如果利用环境现有特征来建图，如墙壁直线、货架腿等，可降低反光板使用数量，但同时由于每个场地环境自身的多样性和复杂性，会带来新的挑战：建图过程缺乏对环境信息是否充足、是否鲜明等质量评估步骤，因而难以保证地图信息质量，进而影响后续定位的成功率，也限制了应用激光定位技术的机器人推广应用。

此外，在建图时虽然激光传感器不间断旋转扫描一定范围的圆形区域，并移动扩展其视野以覆盖整个场地，但是由于数据量存储和计算量过大，通常只选取其中一些关键帧。关键帧可在扫描圆与上一圆相切时选取，但是由于激光扫描范围是圆形，圆与圆之间一定会有无法覆盖的面积；同时，当边缘特征稀疏时，即使相邻两个分区里都有足够的特征、质量为优良，实际定位时如果激光传感器恰好运动到两个分区边缘，也可能无法扫描到足够的特征而定位失败。

技术实现要素：

本发明目的是解决现有技术在多特征激光扫描情况下，激光扫描特征值质量不够高、致使定位不准确，以及传统激光扫描区域边缘特征稀疏无法扫描到足够的特征而定位失败的问题，提供一种采用激光器的自定义特征及交叉式建图与质量评估方法。

本发明技术方案：

一种采用激光器自定义环境特征的交叉式分区建图与质量评估方法，包含以下步骤：

步骤一，以相邻覆盖方式对目标建图场地进行交叉式分区；

具体过程如下：

⑴根据目标建图场地大小建立一个横向长m米，纵向宽n米的长方形全图区域，建立以长方形全图区域一角为原点，横向为x轴，纵向为y轴的坐标系。

⑵从原点开始沿x轴扫描，完成一个半径为r米的圆形区域扫描后，沿x轴平移r米运动至圆形区域的边上，其中r＜m，在传感器离开圆形前启动下一次区域扫描，如此循环直至到达步骤一(1)建立的长方形全图区域的边界完成一行的分区覆盖；

⑶沿y轴移动r米到达上一行最后一个圆形的边缘启动下一次区域扫描，然后重新沿x轴反方向重复步骤一(2)中的过程，继续新一行的分区扫描。

⑷循环步骤一中(2)和(3)的过程直至完整覆盖整个长方形全图区域。

步骤二，自定义环境特征建图与质量评估。

通过自定义一种或多种环境特征，充分利用高反光物体、墙壁直线、货架腿等稳定环境自身特征作为地图标识物，通过自定义质量评估函数对环境特征质量进行评估，保障地图质量。

具体过程如下：

⑴自定义一种或多种环境特征模型及其质量评估函数；

⑵导入环境特征模型与评估函数，扫描场地分区并建立环境特征地图；

⑶计算分区环境特征质量评估值；

⑷对比预设环境特征质量阈值，判断是否合格；

⑸统计所有分区合格数量和合格率，作为全地图质量评估值。

所述步骤二中过程⑶的计算分区环境特征质量评估值，包含以下过程：

a)、统计自定义特征的数量。将步骤一(1)建立的长方形区域进行分区，分区总数为n，分区序号记为k(k＝1,…,n)，高反光物体数量记为hk，直线线段数量记为lk,分区内自定义特征总数量记为nk，计算方法为(以下公式中的省略号代表其他自定义特征)：

nk＝hk+lk+...；

b)、分别根据自定义特征质量评估函数，计算每种自定义特征的质量。

例如，对于高反光物体特征的计算方法如下，分区内高反光物体数量为hk,每个高反光物体强度记为ak(i),(i＝1,…,hk)，区域背景反射强度记为bk，则高反光物体与背景对比度作为质量评估函数ck，函数定义为

对于直线线段的计算方法如下，分区内激光扫描点数量记为sk,其中归属于直线的激光扫描点数量记为dk,则归属于直线的激光扫描点占比作为质量评估函数fk，函数定义为

对于其他类型的自定义特征，可以仿照上述方法确定各自定义特征的质量评估函数，并据此计算每种自定义特征的质量，

c)、计算分区评估数值总值。记为mk，计算方法为：

步骤二中⑷所述对比预设环境特征质量阈值是，当分区评估数值总值mk大于等于预设阈值m，则标记为该分区合格，否则不合格。

步骤二中⑸所述统计所有分区合格数量和合格率的方法是，计算目标场地的合格率以评估目标场地环境特征质量。合格区域数量记为x(x≤n)，合格率记为f，计算方法为：

如果合格率f大于等于80％，说明场地环境特征质量良好，能保证定位稳定性和连续性；如果合格率小于80％则不达标，则需要对不合格区域增加人工反光板等特征使之达到质量指标，为机器人在物流领域的应用提供安全保障。

本发明的优点和有益效果：

1、本发明通过自定义环境特征模型，可充分利用墙壁直线、货架腿等稳定环境自身特征作为地图标识物，降低部署难度和成本，降低对场地稳定安装位置的要求。

2、通过对每种环境特征设立质量评价函数，可对建图场地进行环境特征质量评估，解决激光扫描特征值质量不够高、致使定位不准确的问题。

3、交叉式分区建图与质量评估方法可提供完整的特征覆盖和评价，解决传统激光扫描区域边缘特征稀疏无法扫描到足够的特征而定位失败的问题。

附图说明

图1为采用激光器的自定义环境特征的交叉式分区建图与质量评估方法步骤；

图2为自定义特征建图与质量评估流程图；

图3为以相邻覆盖方式对目标建图场地进行交叉式分区；

图4为实施例中扫描场区分区并建立的包含钢支柱和墙面直线的环境特征地图。

具体实施方式

本发明设计原理

1、以相邻覆盖方式建立交叉式分区的原理：

激光传感器的检测距离有限，只能扫描一定圆半径内，不能单次扫描获取整个场地所有的特征，所以需分区扫描，逐渐扩展地图；逐渐扩展地图过程中，新分区环境特征的位置计算依赖原有的分区特征，所以为了保证分区交接处地图的连续性，分区与分区之间有部分重合面积，即以相邻覆盖方式建立交叉式分区。

2、自定义环境特征建图与质量评估：

激光传感器通过激光测距器件扫描获取环境中的物体点云数据，点云数据包含距离与反射能量信息；通过自定义的环境特征模型，如高反光物体模型、墙壁直线模型，可从物体点云数据中解析出与自定义的环境特征模型匹配的特征及其位置，记录在地图中，同时使用自定义的环境特征模型对应的质量评估函数对地图质量进行评估，保证地图质量。

基于以上原理，本发明设计了一种采用激光器自定义环境特征的交叉式分区建图与质量评估方法，如图1所示，具体包含以下步骤：

步骤一，以相邻覆盖方式对目标建图场地进行交叉式分区；

如图3所示，具体过程如下：

⑴根据目标建图场地大小建立一个横向长100米，纵向宽80米的长方形全图区域，建立以长方形全图区域一角为原点，横向为x轴，纵向为y轴的坐标系。

⑵从原点开始沿x轴扫描，完成一个半径为20米的圆形区域扫描后，沿x轴平移20米运动至圆形区域的边上，在传感器离开圆形前启动下一次区域扫描，如此循环直至到达步骤一(1)建立的长方形全图区域的边界完成一行的分区覆盖；

⑶沿y轴移动20米到达上一行最后一个圆形的边缘启动下一次区域扫描，然后重新沿x轴反方向重复步骤一(2)中的过程，继续新一行的分区扫描。

⑷循环步骤一中(2)和(3)的过程直至完整覆盖整个长方形全图区域。

步骤二，自定义环境特征建图与质量评估。

通过自定义高反光物体和墙壁直线两种环境境特征，充分利用高反光物体、墙壁直线稳定环境自身特征作为地图标识物，通过自定义质量评估函数对环境特征质量进行评估，保障地图质量。

如图2所示，所述步骤二具体过程如下：

⑴自定义两种环境特征模型及其质量评估函数；本实施例将两种环境特征分别定义为高反光的钢支撑柱和水泥墙壁墙面扫描形成的直线。

⑵导入特征模型与评估函数，扫描场地分区并建立包含钢支柱和墙面直线的环境特征地图；

⑶计算分区环境特征质量评估值；

⑷对比预设环境特征质量阈值，判断是否合格；

⑸统计所有分区合格数量和合格率，作为全地图质量评估值。

所述步骤二过程⑵扫描场区分区并建立的包含钢支柱和墙面直线的环境特征地图见图4，分区序号按所述步骤一扫描顺序递增。

所述步骤二过程⑶的计算分区环境特征质量评估值，包含以下过程：

a)、统计自定义特征的数量。分区总数为n＝12,分区序号记为k(k＝1,…,12)，每个分区内高反光钢支撑柱数量记为hk，墙壁直线线段数量记为lk,分区内自定义特征总数量记为nk,计算方法为：

nk＝hk+lk；

实施例如图4，12个分区各个数据列举如下：

h1＝2；l1＝3；n1＝2+3＝5；

h2＝2；l2＝3；n2＝2+3＝5；

h3＝4；l3＝3；n3＝4+3＝7；

h4＝4；l4＝2；n4＝4+2＝6；

h5＝2；l5＝3；n5＝2+3＝5；

h6＝3；l6＝3；n6＝3+3＝6；

h7＝2；l7＝6；n7＝2+6＝8；

h8＝1；l8＝4；n8＝1+4＝5；

h9＝1；l9＝5；n9＝1+5＝6；

h10＝1；l10＝3；n10＝1+3＝4；

h11＝3；l11＝5；n11＝3+5＝8；

h12＝4；l12＝2；n12＝4+2＝6；

b)、分别根据自定义特征质量评估函数，计算每种自定义特征的质量。分区内高反光物体数量为hk,每个高反光物体强度记为ak(i),(i＝1,…,hk)，区域背景反射强度记为bk，则高反光物体与背景对比度作为质量评估函数ck，函数定义为分区内激光扫描点数量记为sk,其中归属于直线的激光点数量记为dk,则归属于直线的激光点占比作为质量评估函数fk，函数定义为实施例中，以第1个分区为例说明，钢支撑柱数量h1＝2,反光强度分别为a1(1)＝1.399，a1(2)＝1.527,背景反射强度b1＝1.0,则钢支撑柱与背景对比度质量评估函数为

第一分区内激光扫描点数量为s1＝360，归属于直线的激光点数量为d1＝255.则归属于直线的激光点占比作为质量评估函数f1,计算方法为

c)、计算分区评估数值总值。记为mk，其特征在于，计算方法为

实施例中，同样以第1分区为例，第1分区评估数值总值为

步骤二过程⑷中，实施例预设环境特征质量阈值为m＝2.7，该值为能保证稳定定位的环境特征质量经验值，然后可根据mk,(k＝1…12)是否大于等于m,判断每个分区是否合格。实施例中第1个分区m1＝3.005>m，故标记为合格；在所有的分区中，只有第10分区m10＝2.429<m，故标记为不合格。

步骤二过程⑸所述统计所有分区合格数量和合格率的方法是，包含以下过程：

计算目标场地的合格率以评估目标场地环境特征质量。合格区域数量x＝11，合格率记为f,计算方法为

实施例中，合格率f达到91.7％，说明场地环境特征质量良好，能保证定位稳定性和连续性；此外，如果合格率不达标，则需要对不合格区域增加人工反光板特征，重复步骤二过程⑶至⑸，使不合格分区达到质量指标，从而使合格率大于等于80％，为机器人在物流领域的应用提供安全保障。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例。