[发明专利]一种基于熵和灰关联度的室内环境特征提取方法

说明书

技术领域

本发明涉及移动机器人导航技术领域，尤其涉及一种基于熵和灰关联度的室内环境特征提取方法。

背景技术

随着人工智能的发展，机器人从不具备思维能力、沟通能力的只能按照预先编制的程序运行的简单劳动者逐渐转变为“能够在环境中感知并提取信息，并且可以利用环境知识，以有目的、有意义、安全的方式工作的机器”。智能体对于环境知识的表示是目前人工智能研究的核心和热点，主要是寻求环境空间知识与空间实体表示之间的映射，需要解决的问题有：1)怎样定性地表述知识；2)怎样反映表述中的信息不完备性和不确定性；3)怎样实现定性定量知识的相互转换；4)怎样体现智能体的推理能力。

目前，国内外对于环境知识表示方法的研究主要分为：基于概率的度量地图，基于符号表示的拓扑地图以及基于空间分层的认知地图。

其中，基于概率的度量地图使用定量手段描述环境中的不确定性，应用递归的方法对环境实现逐步认知，用更新概率分布的方式实现知识的扩充，存在计算量大、数据关联获取困难、无法在线绘制大规模地图等问题。通常应用于对精确性要求较高的领域，属于人类最原始的对未知环境的知识表达方法。

基于符号表示的拓扑地图从连续、带噪的环境中可靠地提取有用的符号，由于其对环境的离散化，因此不存在度量地图中的误差累计问题。拓扑地图是对环境知识经过初步处理后的表达，通常应用于对环境的整体粗略表示。

基于空间分层的认知地图模拟人类对于环境的宏观描述将环境结构化，使目标地图比度量地图更加简洁、明确，比拓扑地图更具鲁棒性，更接近于人对环境几何结构的感知。不仅能够对机器人的可靠导航提供依据还能提供对环境空间的抽象和交叉推理、规划和认知存储的依据以及人机交流的共同基础，该表示符合人类认知模式的发展过程。

综观目前认知地图的表示方法，一般是将局部环境表示为一组线段的集合，并将其用于进一步提取环境更高层次的特征。移动机器人对室内环境进行直线特征提取的方法主要有分裂与合并算法，递增算法，霍夫变换算法，直线回归算法，随机采样一致算法以及期望最大化算法。其中，霍夫变换能够在大量不确定信息中有效地找出特征信息，是检测直线或圆弧的有效方法，但对线段特征进行提取容易产生特征混淆，通常需要对数据点进行聚类后再提取线段特征，因此只能用于离线处理距离数据。

发明内容

本发明的目的是提供一种基于熵和灰关联度的室内环境特征提取方法，提高了数据处理的实时性、精确度及鲁棒性，同时，提取出的特征还可提高机器人导航任务的精度及鲁棒性。

本发明的目的是通过以下技术方案实现的：

一种基于熵和灰关联度的室内环境特征提取方法，该方法包括：

对机器人静止状态时获取的初始数据进行预处理，再基于灰关联度的主方向提取方法从预处理后的数据中提取若干直线特征，并基于最特殊法确定线段端点，从而从所述若干直线特征中提取出对应的线段，组成初始线段特征集；

对机器人移动时获取到的新数据进行预处理，采用基于熵的方法从预处理后的新数据中提取新的线段特征并加入到初始线段特征集中，再基于灰关联度的方法利用预处理后的新数据对已有线段特征集进行更新；

基于熵的方法对更新后的线段特征集中的线段进行融合；

利用几何计算融合后线段之间的交点，得到环境的关键特征点，并将关键特征点按照先后顺序两两连接，获得室内环境的特征表示。

进一步的，所述对机器人静止状态时获取的初始数据进行预处理包括：

根据声纳传感器的最大测量距离R过滤由于测量盲区或超出声纳测量范围而产生的测量值(x,y,θ，r)，其中，(x,y)表示目标的笛卡尔坐标，θ为目标相对机器人的方位，r为目标到机器人的距离；

过滤后的数据集记为c，利用自组织映射对数据集c进行聚类，获得聚类后的数据集C＝{C₁,C₂,…,C_n}，完成初始数据的预处理。

进一步的，所述基于灰关联度的主方向提取方法从预处理后的数据中提取若干直线特征，并基于最特殊法确定线段端点，从而从所述若干直线特征中提取出对应的线段，组成初始线段特征集包括：