[发明专利]同步定位与地图构建slam中的增量建图方法和装置

权利要求书

1.一种同步定位与地图构建slam中的增量建图方法，其特征在于，包括：

实时采集机器人周边环境的激光数据，对各采集时刻下的激光数据进行特征提取，获得所述激光数据中用于表征环境反馈结果的特征数据；

利用所述特征数据和各采集时刻下机器人的位姿对预先构建的神经网络模型进行训练；

在启动slam增量建图时，对机器人在当前时刻采集到的激光数据进行特征提取，将提取到的特征数据输入到训练好的神经网络模型中，获得所述神经网络模型输出的位姿数据；

根据当前时刻采集的激光数据构建原始地图，并根据所述位姿数据与所述原始地图进行增量建图。

2.如权利要求1所述的方法，其特征在于，对各采集时刻下的激光数据进行特征提取，获得所述激光数据中用于表征环境反馈结果的特征数据，包括：

从所述激光数据中抽取出环境反馈结果；

根据所述环境反馈结果从所述激光数据中分离出机器人与所述环境反馈结果之间的距离信息；

根据所述距离信息进行特征提取，获得所述特征数据。

3.如权利要求2所述的方法，其特征在于，根据所述距离信息进行特征提取，包括：

根据激光数据对应的采集时刻与所述距离信息，生成时间序列数据；

对所述时间序列数据进行相关性分段处理，得到一段或多段子数据；

基于各段子数据的特征回归处理结果，得到所述特征数据。

4.如权利要求3所述的方法，其特征在于，基于各段子数据的特征回归处理结果，得到所述特征数据，包括：

对分段后的每段子数据进行线性或多项式拟合处理，在拟合误差在阈值范围内时，确定该子数据符合线性特征；

对符合线性特征的子数据进行特征回归处理，得到所述特征数据。

5.如权利要求3所述的方法，其特征在于，在获得所述激光数据中用于表征环境反馈结果的特征数据之后，还包括：

根据特征数据中各数据点与机器人激光器之间的距离，过滤掉特征数据中的干扰数据点；或者，

在对各采集时刻下的激光数据进行特征提取之前还包括：

根据各采集时刻下的激光数据中各激光点与机器人激光器之间的距离，过滤掉特征数据中的干扰数据点。

6.如权利要求5所述的方法，其特征在于，在过滤掉干扰数据点之后，还包括：

将过滤掉干扰数据点的特征数据作为一组数据保存，如果相邻时刻的两组数据相同，从该两组数据中去除一组数据；

或者，将过滤掉干扰数据点的每帧激光数据作为一组数据保存，如果相邻时刻的两帧激光数据相同，从该相邻两帧激光数据中去除一帧激光数据。

7.如权利要求1所述的方法，其特征在于，利用所述特征数据和各采集时刻的机器人的位姿对预先构建的神经网络模型进行训练，包括：

将所述特征数据对应采集时刻下的机器人的位姿写入配置文件中，并建立配置文件中机器人的位姿与特征数据之间的对应关系；

将由特征数据构成的数据集划分为测试集和训练集；

利用YOLOV3卷积神经网络的darknet53网络结构读取配置文件与训练集数据，利用配置文件与训练集数据对所述YOLOV3卷积神经网络进行训练，并基于测试集数据对训练后的YOLOV3卷积神经网络进行测试，直至得到稳定的YOLOV3卷积神经网络。

8.如权利要求1所述的方法，其特征在于，根据当前时刻采集的激光数据构建原始地图，包括：

根据所述激光数据计算得到机器人的位姿，所述位姿包括机器人的位置与角度；

根据所述机器人的位置与角度，以及根据机器人朝向与机器人激光器发射出的激光束之间的夹角，计算障碍物位置；

根据所述障碍物位置在原始栅格地图中绘制出障碍物区域和通行区域，完成原始地图的构建。