[发明专利]一种用于移动机器人的多尺度地图构建方法及构建装置

权利要求书

1.一种用于移动机器人的多尺度地图构建方法，其特征在于，包括以下步骤，

步骤1，初始化，以机器人当前位置为原点建立网格地图和拓扑地图；

步骤2，扫描并移动，采集原始数据经换算后，根据空间环境获取周围物体的测量当前位置信息，记录网格地图原始数据；机器人移动到当前位置，记录网格地图的当前位置数据，重复扫描；机器人持续移动直到全部网格地图建立；

步骤3，生成局部子地图，将网格地图当前位置数据进行卷积后，使用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；遍历全部矩形空间，生成全部局部子地图后组成网格地图；

步骤4，设置关键节点，包括隐形墙、充电点、多个目标点、调度区域、电梯或楼梯；关键节点存储在网格地图和拓扑地图上；

步骤5，生成拓扑地图，将网格地图上已识别的关键节点记录到拓扑地图中，并预计算出所有网格地图上的行动路径。

2.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤1，建立空白网格地图，该网格地图为多层多尺度网格地图，多层多尺度网格地图中每一层网格地图面积比上一层网格地图面积大。

3.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤1，建立空白拓扑地图，在空白的网格地图建立后，以机器人自身位置为初始节点、机器人移动获得节点位置为目标节点及相关连线，通过预计算生成对应的拓扑地图。

4.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤2，当前位置，相对于当前位置所有障碍物的角度和距离；根据周围物体的距离和机器人的位移数据，定位地图新位置和方向，机器人实时扫描并记录的数据。

5.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤3，识别网格地图，使用卷积神经网络的卷积算法识别网格地图当前位置数据，通过使用预先训练的卷积神经网络模型，从生成的多尺度网格地图中，分析识别网格地图数据，提取网格地图特征。

6.根据权利要求5所述一种用于移动机器人的多尺度地图构建方法，其特征在于，重复使用卷积神经网络模型的卷积算法处理多尺度网格地图中的网格地图数据，构造多层卷积数据，并存储每层卷积神经网络数据，即网格地图的多尺度化；同时，多尺度地图每个尺度生成一个卷积神经网络。

7.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤4，隐形墙，机器人不允许走过的区域。

8.根据权利要求1所述一种用于移动机器人的多尺度地图构建方法，其特征在于，步骤5，预计算，多层网格地图从上而下，针对操作人员手工设置的充电点、目标点、电梯或楼梯、调度区域，生成对应的拓扑地图。

9.根据权利要求1所述一种用于移动机器人的多尺度地图构建装置，其特征在于，包括初始化模块，以机器人位置为原点建立网格地图和拓扑地图；

扫描并移动模块，采集原始数据经换算后，根据空间环境获取周围物体的测量当前点信息，记录网格地图原始数据；机器人移动到当前位置，记录网格地图的当前位置数据，重复扫描；机器人持续移动直到全部网格地图建立；

生成局部子地图模块，将网格地图当前位置数据进行卷积后，用卷积神经网络识别网格地图的矩形空间，判断矩形空间是否识别，生成一个局部子地图；遍历全部矩形空间，生成全部局部子地图后组成网格地图；

设置关键节点模块，包括隐形墙、充电点、多个目标点、调度区域、电梯或楼梯；关键节点存储在网格地图和拓扑地图上；

生成拓扑地图模块，将网格地图上已识别的关键节点记录到拓扑地图中，并预计算出所有网格地图上的行动路径。