[发明专利]移动机器人环境特征定位方法

权利要求书

1.一种移动机器人环境特征定位方法，其特征在于该方法通过激光传感器需定期提取环境特征，并构建多维数据空间，在构建多维数据空间的基础上，基于假设检验理论确定环境点特征；通过确定的点特征估计线段特征范围，结合概率模型方法估计线段特征，运用最小二乘法对估计的线段特征进行拟合，得到准确的线段特征。

2.如权利要求1所述的移动机器人环境特征定位方法，其特征在于所述方法首先通过高斯降采样的方法构建多维数据空间，在低维数据空间上，采用极值点搜索与假设检验的方法进行点特征提取；激光传感器在平面上按一定的角度分辨率进行距离扫描，扫描数据的极坐标表示为：SK＝(ρk,θk),K＝1…N,，其中N为扫描数据个数，原始数据带有噪声且服从高斯白噪声独立分布，即ρk～N(μρk,σ²)，θk～N(μθk,σ²θ)；激光传感器获得的原始数据具有噪声，按前述方法对数据进行预处理，然后对处理完的数据进行环境聚类，将激光传感器可能扫描到的同一物体扫描点聚集为一类；环境聚类后对采样点做降采样处理，构建多维数据空间。

3.如权利要求2所述的移动机器人环境特征定位方法，其特征在于环境特征提取流程，包括如下步骤：

步骤1，机器人启动，对数据进行预处理；

步骤2，环境聚类，即将激光传感器可能扫描到的同一物体扫描点聚集为一类；

步骤3，激光传感器进行激光扫描，并计算扫描点的统计量；

步骤4，进行特征搜索；

步骤5，分别进行点判断和线段判断；

步骤6，点提取、线段提取，并将不是点也不是线段的特征归入其它环境特征。

4.如权利要求3所述的移动机器人环境特征定位方法，其特征在于在第n维数据空间下，每个采样点所在的环境均由其左右邻域的若干点决定，算法拟对每个采样点左右邻域内的点进行检测，边界由单侧邻域决定，左右邻域的环境分为四种：线段、曲线、点及复杂环境，算法拟对左右邻域内的点做线段估计，然后采用假设检验的估计环境特征。

5.如权利要求4所述的移动机器人环境特征定位方法，其特征在于对于采样点的左右邻域内，定义对采样点影响的概率函数，概率函数应该服从与距离相关的正态分布，通过概率函数获得

接受域H₀：

拒绝域H₁：

满足拒绝域的点的左邻域或右邻域为可能存在点特征的区域，其他区域可能为线段特征。

6.如权利要求5所述的移动机器人环境特征定位方法，其特征在于对点特征进行提取，点特征表示为P:[ρ,θ]^T，其中ρ为点特征极径，θ为ρ的倾角，点特征分布在左右邻域统计量相对较大的区域，由此确定点特征的位置；点特征位置确定后，通过检验极值点邻域内点的分布情况，判断是否为点特征。

7.如权利要求4所述的移动机器人环境特征定位方法，其特征在于对线段特征进行提取，线段特征表示为：L：其中d为激光传感器所在直角坐标系原点到线段的距离，为d的倾斜角，p_s为线段的起点，p_l为线段的终点。

8.如权利要求7所述的移动机器人环境特征定位方法，其特征在于所述线段特征，通过带权值的约束最小二乘法的线段表示形式如下：

其中S，E分别为线段的两个端点，将上式改写为矩阵形式：

ε²＝J^TSJ

其中

由于α²+β²＝1，引入拉格朗日乘子λ，得：

ε²＝J^TSJ-λ(J^TCJ-1)

其中满足J^TCJ＝1，令得：

SJ-λCJ＝0

上式中S为正定矩阵，广义特征向量J对应最小的特征值λ，当α与β确定以后，求得：

最终求出线段特征d。