基于支持向量机的激光SLAM帧间匹配自适应切换方法

基于支持向量机的激光slam帧间匹配自适应切换方法
技术领域
1.本发明涉及机器人定位技术领域，尤其涉及一种基于支持向量机的激光slam帧间匹配自适应切换方法。


背景技术：

2.在仓库环境中，传统的gps、二维码、磁带和超宽带等定位方式虽然精度较高，但这些定位方式容易受到应用环境等因素的影响，定位灵活性差。slam(simultaneous localization and mapping)技术主要解决在未知环境下只通过本体搭载的传感器就能实现定位与建图的问题，因其具有定位精度高、定位方式灵活等特点，被广泛地应用在agv定位领域。
3.在基于slam的定位技术中，激光slam是较为成熟的一种，该技术首先对里程计和imu的测量数据进行计算获得估计位姿，然后通过帧间匹配方法对激光雷达相邻帧的点云数据进行计算来校正估计位姿，从而获得精确的位姿信息。因此，帧间匹配方法是影响定位精度的关键因素之一。
4.现有的2d激光slam帧间匹配方法存在一定的缺陷，在复杂环境中无法提供准确、稳定的匹配信息。近年来，自适应切换定位技术被广泛的应用在定位导航领域，该技术通过切换方法在不同的定位方式之间切换，从而提高在复杂环境中的定位精度。因此，在仓库环境中使用相同的技术对激光slam帧间匹配方法进行切换，可以解决激光slam算法在复杂环境中匹配效果差的问题，但现有的切换定位技术大多在gps和wifi定位方式之间进行切换，在仓库环境中存在信号差、设备安装困难等问题，无法满足对激光slam帧间匹配方法自适应切换的要求。


技术实现要素：

5.针对上述问题，本发明目的在于提供一种基于支持向量机的激光slam帧间匹配自适应切换方法，即首先利用2d激光雷达建立工作环境的栅格地图，然后在已经建立好的地图上采用自适应切换的方法在icp算法和csm算法之间进行切换。
6.本发明包括以下步骤：
7.步骤1，在远程监控终端上，手动控制agv在工作环境中进行移动，利用激光slam算法对所处环境构建二维栅格地图；
8.步骤2，输入agv目标点的位姿信息，利用导航算法中的路径规划算法规划出一条最优的运行路线；
9.步骤3，当agv启动运行时，同步采集惯性测量单元和激光雷达的数据，其中环境特征点数目η和周围环境与agv之间的距离λ，都是通过激光雷达扫描周围环境经过处理后获得；
10.将η和λ的值代入支持向量机模型进行判断，根据输出的值来判断agv在该时刻所处的环境状态，从而来适应性切换为icp算法或csm算法。
11.本发明的有益效果：该自适应切换方法克服了仓库环境表征数据非线性的、低维的难点，能够较大程度保留特征的信息，易于操作，可以满足大部分应用环境的需求。
附图说明
12.图1为本发明切换方法框图。
具体实施方式
13.以下结合附图并通过具体实施方式来进一步说明本发明的技术方案。
14.如图1所示，本发明提供了一种基于支持向量机的激光slam帧间匹配自适应切换方法，步骤如下：
15.步骤1，在远程监控终端上，手动控制agv在工作环境中进行移动，利用激光slam算法对所处环境构建二维栅格地图。
16.步骤2，在远程监控终端上输入agv目标点的位姿信息，利用导航算法中的路径规划算法规划出一条最优的运行路线。
17.步骤3，建立了一种能够把低维空间中无法线性分类的数据样本转化为高维空间中线性可分的非线性模型，模型表示如下：
18.f(x)＝w
t
φ(x)+b
ꢀꢀꢀꢀꢀ
公式(1)
19.公式(1)中，φ(x)表示为x映射后的特征向量，w,b为待求解的参数；
20.得到最小化函数：
[0021][0022]
s.t.yi(w
t
φ(x)+b)-1≥0
[0023]
最小化函数的对偶问题为：
[0024][0025][0026]
αi≥0
[0027]
公式(3)中，样本xi和xj映射到到特征空间的时候，如果此时的特征变量非常多，那么在高维空间中计算内积φ(xi)
t
φ(xi)的运算量巨大，于是采用函数κ(xi,xj)来解决这个问题把内积的值转变成由函数κ(xi,xj)得到的值，于是对偶问题便可转化为
[0028][0029][0030]
αi≥0
[0031]
最后求解可以得到：
[0032][0033]
公式(5)中，函数κ(xi,xj)就是核函数。核函数定义：假设输入空间为χ，特征空间为h，若存在从χ到h的映射φ(x):χ
→
h，使得对于所有的xi,xj∈χ，函数κ(xi,xj)满足条件κ(xi,xj)＝φ(xi)φ(xj)，那么就可以得到内积为φ(xi)*φ(xj)，κ(xi,xj)为核函数，φ(x)映射函数。本发明采用的核函数为高斯核函数。
[0034]
在线性支持向量机学习的对偶问题中，用核函数κ(xi,xj)替代内积，求解得到的就是非线性支持向量机。
[0035]
在仓库的开阔环境与狭窄环境中，根据环境的不同选择不同的匹配算法可以提高算法的匹配精度与agv的定位精度。这个切换算法问题本质上是一个二分类问题，目前主流的分类方法有神经网络与svm方法，但是神经网络方法需要大量的训练样本，而svm方法不需要过多的数据样本，就能够达到相同的二分类效果，得出svm方法具有更强的泛化能力。因此，本发明确定采用svm方法。
[0036]
步骤4，当agv启动运行时，同步采集惯性测量单元和激光雷达的数据，其中环境特征点数目η和周围环境与agv之间的距离λ，都是通过激光雷达扫描周围环境经过处理后获得的。将η和λ的值代入模型即公式(1)中进行判断，根据输出的值来判断agv在该时刻所处的环境状态。
[0037]
步骤5，根据输入的η值与λ值的大小来判断agv此时所处的环境，并且根据输出的标识值来判断此时采用的算法。例如输入的η值小、λ值大，输出的标识值为0，说明此时agv处于宽阔的环境中，四周障碍物少，采用csm算法，该方法适用于大场景的环境，如agv工业生产中的上下料区、物流仓库中的货物中转区。
[0038]
进一步地，上述步骤4中，
[0039]
环境特征点数目η由特征点提取算法确定。针对agv工作的仓储货架环境，货物因其摆放整齐、规律，在激光雷达扫描之后，货物与货物之间呈现出由物体边缘形成的一系列断点，货架与地面接触的位置也会形成角点。结合仓库货架区域的环境特点，使用特征提取算法对断点、角点这些特征点进行提取。
[0040]
周围环境与agv之间的距离λ由激光雷达测距算法确定。使用激光雷达对环境进行扫描时，在一个扫描周期会返回一组包含距离数据li，取距离激光雷达最近的点所对应的长度值，作为当前一帧数据中环境与激光雷达的距离：
[0041]
进一步地，上述步骤5中，将激光雷达扫描环境中获取的特征点数目η和agv车体与周围物体的距离值λ输入至支持向量机模型中，以获取输出的标识包括：
[0042]
步骤5-1，激光雷达扫描得到的特征点数目η和agv车体与周围物体的距离值λ作为分类特征输入至模型中；
[0043]
步骤5-2，将η与λ这两个输入值与支持向量机模型中的预设值进行比较，当η值小于相对应的预设值时，λ值大于相对应的预设值时，说明此时agv周围的障碍物较少，并且处于开阔环境，此时模型输出的标识值为0，采用csm算法，该方法适用于大场景的环境，例如物流仓库中的货物中转区；当η值大于相对应的预设值时，λ值小于相对应的预设值时，说明此时agv周围的障碍物较多、处于狭窄环境中，此时模型输出的标识值为1，采用icp算法，该
范围被认定为货架区，其空间过道较为狭小。
[0044]
实施例：
[0045]
步骤1，agv在运动过程中，激光雷达不停地扫描周围环境。
[0046]
步骤2，扫描周围环境获取特征点数目η与周围物体的距离值λ带入进建立的模型公式(1)中。
[0047]
步骤3，在agv获取的数值带入支持向量机的模型中，该模型会对以下两种情况的输入进行分类并且标识：1.η值大、λ值小，赋予标识值为1；2.η值小、λ值大，赋予标识值为0，并通过不同的标识值与不同的算法进行匹配。因此本发明采用自适应的切换方法以此来提高agv的定位精度，该自适应切换方法过程如下：
[0048]
步骤3.1，agv搭载的传感器检测数据，将激光雷达扫描得到的特征点数目η和周围物体的距离值λ代入建立的非线性模型公式(1)中进行判断，若模型输出的标识值为1，说明此时agv周围的障碍物较多、处于狭窄环境中，上位机将匹配算法切换为icp算法，可以充分利用环境结构特征进行匹配，也能避免agv因处于弯道环境车轮打滑导致的匹配误差，从而提高agv的定位精度和速度。
[0049]
步骤3.2，若模型输出的标识值为0，说明此时agv周围的障碍物较少、处于宽阔的环境中，上位机则将匹配的算法切换为csm算法，从而保证agv在大场景环境下的定位精度。