[发明专利]一种机器人建图方法、装置及计算设备

说明书

本申请公开一种机器人建图方法、装置及计算设备，机器人可将预设时间段内采集的连续多帧图像数据、惯性测量单元IMU数据以及轮速里程计数据进行集束优化，获取当前帧图像中预设标签在机器人的相机坐标系的优化位姿及优化位姿的方差值；对当前帧图像对应的IMU数据、轮速里程计数据进行扩展卡尔曼EKF的状态递推，确定机器人的位姿和机器人的位姿的方差值；之后将优化位姿、优化位姿的方差值、机器人的位姿和机器人的位姿的方差值进行EKF测量的状态更新，获取预设时间段内采集的连续多帧图像中预设标签在世界坐标系的目标位姿和目标位姿的方差值。该方式通过集束优化和EKF的松紧融合来进行机器人建图，可以提高建图精度。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种机器人建图方法、装置及计算设备。

背景技术

随着制造灵活性需求的提高、产品周期缩短或加快、人力成本上升以及安全的需求增加，移动机器人正在快速发展，以满足人们日益增长的需求。如今，自主导引车（automated guided vehicles，AGV）已广泛应用于自动化仓库，工厂物料传输系统，物流拣配系统，柔性装配系统和其他智能运输站点。自主导引车导航的核心技术为同步定位与建图（simultaneous localization and mapping，SLAM），通过SLAM导引车可以获悉环境地图，以及导引车自身的实时位置，以便在没有人为干预的情况下，高效智能移动到达目的地。

目前主要采用激光SLAM和视觉SLAM。但是，视觉SLAM的摄像头成本远低于激光传感器。此外，相对于2维激光SLAM而言，视觉SLAM能获得待定位目标对象的6自由度位姿。故此，成本相对低廉的视觉SLAM得以快速发展。

但是，单纯依赖视觉SLAM，存在累计误差，基于视觉特征点的视觉SLAM精度会大幅降低，为了提高机器人定位的鲁棒性，在机器人落地时可加入二维码标签进行辅助定位。相关技术需要预先获取二维码标签的全局位姿及其方差，但通过测绘等方式无法精确获取标签的全局位姿及其方差。此外，针对单次二维码标签的观测出现的图像模糊、位姿歧义、噪声等位姿估计不稳定性情况，基于传统松耦合算法，无法准确的计算二维码位姿。在多传感器融合过程，各传感器的外参精度和时间偏置会极大影响SLAM效果。

发明内容

本申请提供了一种机器人建图方法、装置及计算设备，用以提高视觉建图的可靠性和准确度。

第一方面，本申请实施例提供一种机器人建图方法，该方法可通过机器人来执行，也可通过与机器人通讯连接的服务器（机器人采集数据后传输给服务器）来执行，本申请在此不作具体限定。在此仅以执行主体为机器人为例进行说明，机器人可将预设时间段内采集的连续多帧图像数据、惯性测量单元（inertial measurement，IMU）数据以及轮速里程计数据进行集束优化，获取当前帧图像中预设标签在机器人的相机坐标系的优化位姿及优化位姿的方差值；对当前帧图像对应的所述IMU数据、轮速里程计数据进行扩展卡尔曼（extended kalman filter，EKF）的状态递推，确定机器人的位姿和机器人的位姿的方差值；将优化位姿、优化位姿的方差值、机器人的位姿和机器人的位姿的方差值进行EKF测量的状态更新，获取预设时间段内采集的连续多帧图像中预设标签在世界坐标系的目标位姿和目标位姿的方差值。

本申请实施例中，机器人在建图时，在采用连续多帧的图像的同时，参考了IMU数据以及轮速里程计数据，通过该方式也可以保证建图过程中预设标签位姿的精确度。另外，本申请在建图时还融合了集束优化与EKF的状态预测的方法，使得机器人建图精确度更高，且有助于更快地计算出预设标签在世界坐标系中的目标位姿和目标位姿的方差值。

在一种可能的实现方式中，机器人在EKF的测量状态更新过程中对各传感器之间的外参和时间偏置进行在线优化，并将优化后的外参和时间偏置用于集束优化；所述外参包括：IMU与相机的相对位姿，以及轮速里程计与相机的相对位姿。