[发明专利]一种基于改进点云匹配算法的室内移动机器人视觉导航方法

说明书

本发明涉及基于改进点云匹配算法的室内移动机器人视觉导航方法，属于机器人视觉导航领域。该方法包括：S1：校准Kinect相机，通过外部参数对齐多个点云；S2：得到离线校准的外部参数形成的变换矩阵，计算出多视点变换矩阵；S3：获取周围环境的ORB特征点进行特征提取和匹配；S4：估算相邻图像间相机运动构建局部地图，使用RANSAC算法消除误匹配，对获取的特征点进行PNP求解；S5：引入闭环检测机制确保机器人得到全局一致的轨迹和地图；S6：结合闭环检测机制，采用基于局部与全局特征点的相机位姿闭环约束点云优化算法，抑制系统的累积误差。本发明能够降低计算量，实现机器人对实时性的要求。

技术领域

本发明属于室内移动机器人视觉导航领域，涉及一种基于改进点云匹配算法的室内移动机器人视觉导航方法。

背景技术

随着机器人技术的不断发展，人类对移动机器人要求也在不断提高。同时定位和映射(Simultaneous Localization and Mapping，SLAM)是机器人能否真正实现智能化的关键技术之一。视觉传感器可以获得更加丰富的环境信息，其中，三维场景重建是机器人视觉应用中的一个重要问题，比如地图构建、环境识别、增强现实、以及SLAM等。在点云匹配中，局部匹配已被证明能够生成准确的重建模型，已经提出了几种精度更高的局部匹配方法。有三种类型的局部配准方法：迭代最近点(ICP)，陈氏方法和遗传算法。

现在常用的局部匹配方法是ICP方法，ICP方法由Besl等人提出有效匹配三维形状，包括自由曲线和曲面。随后的时间内研究人员对ICP方法的进行改进。Rusinkiewicz等人基于法线空间的均匀采样得出ICP变体，这可以为相对较小的场景和稀疏特征提供相对较好的收敛结果。Low提出线性最小二乘问题逼近非线性最小二乘优化问题来解决点到面的ICP算法，使用近似方法来提高确定最优解的效率。Serafin和Grisetti提出了一种新的优化成本函数，不仅包括点到点距离，还包括表面法线或切线；不仅增加了收敛速度，而且具有更好得鲁棒性。李恒宇等人提出了一种基于图像的RGB-D图像拼接方法，首先进行校准找出深度图和彩色图像之间的变换矩阵，然后对齐深度图和彩色图像。但是上述方法计算量大并且难以满足机器人实时性。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进点云匹配算法的室内移动机器人视觉导航方法，用于降低计算量，从而实现机器人对实时性的要求。

为达到上述目的，本发明提供如下技术方案：

一种基于改进点云匹配算法的室内移动机器人视觉导航方法，具体包括以下步骤：

S1：使用平面棋盘格校准Kinect相机，通过Kinect相机的外部参数对齐多个点云；

S2：得到离线校准的外部参数形成的变换矩阵，计算出多视点变换矩阵，用于全局匹配；

S3：使用Kinect相机获取周围环境的ORB特征点进行特征提取和匹配；

S4：估算相邻图像间相机运动构建局部地图，使用消除误匹配，对获取的特征点进行PNP求解，用于机器人相邻位姿的增量估计；

S5：引入闭环检测机制确保机器人得到全局一致的轨迹和地图；

S6：结合闭环检测机制，采用基于局部与全局特征点的相机位姿闭环约束点云优化算法，用于抑制系统的累积误差。

进一步，所述步骤S1具体包括：通过旋转RGB-D相机或平移机器人位置得到棋盘不同角度的对应参数，变换矩阵从正向运动学中分析得到：