[发明专利]基于先验信息启发式的室内环境机器人探索方法及系统

权利要求书

1.一种基于先验信息启发式的室内环境机器人探索方法，其特征在于，包括以下步骤：

S1、机器人通过自身携带的传感器采集周围环境信息的数据；

S2、基于周围环境信息的数据更新一部分地图为已知区域，获得更新后的地图；

S3、使用两棵快速搜索随机树对更新后的地图进行边界提取，获得RRT边界点，包括：

S31、在初始化阶段，将起点添加到树结构中作为根节点，其中，两棵树的起点都是人为在地图的空闲区域内设定的；

S32、在地图区域内随机撒点作为候选点；

S33、若候选点在已知区域内，遍历树结构上的所有已有的节点，选取距离候选点最近的节点作为最邻近点，最邻近点到候选节点的连线作为生长方向，若最邻近点与候选节点的距离超过预先设定的步长，则由最邻近点沿着生长方向生长一个步长，到达的点作为生长点，若距离不超过步长，则该候选点作为生长点；

若候选点在未知区域内，则先找到该候选点的最邻近树节点，最邻近点到候选点的连线作为生长方向，由最邻近点沿着生长方向向前生长，到达边界的地方作为边界点；

S34、将生长点和候选节点的连线在地图上做碰撞检测，具体包括：

遍历生长点和候选节点的连线上所有的栅格点，判断栅格点的栅格状态；

若栅格点的状态是被占据的，则碰撞检测不通过，返回S32重新进行采点；

若生长点和候选节点的连线没有碰到障碍物，将候选点、生长点和候选节点的连线添加到树结构中；

S4、识别启发式物体并对其进行位置估计，以启发式物体的位置为基准构建先验区域，在先验区域内提取边界点，获得房间边界点；其中，启发式物体为门；

其中，识别启发式物体并对其进行位置估计，包括：

构建轻量级网络，基于深度学习的方法完成启发式物体的识别，获取启发式物体的坐标信息；其中，所述轻量级网络包括卷积层、逆残差块、池化层和SSP层；

其中，以启发式物体的位置为基准构建先验区域，包括：

在机器人识别到启发式物体时，若机器人位置在启发式物体的下方，则预估的房间区域在启发式物体的位置的上方，若机器人位置在启发式物体的上方时，预估的房间区域在启发式物体的位置的下方；

其中，所述预估的房间区域的长度为启发式物体的位置向两侧延伸长度a，预估区域的宽度为启发式物体的位置向后延伸长度2b；其中，参数a，b由经验设定；

其中，在先验区域内提取边界点，获得房间边界点，包括以下步骤：

对先验区域的图像做二值化处理，获得二值化图像，其中，二值化图像的障碍物为白色，其余区域为黑色；

对所述二值化图像进行颜色翻转，获得颜色翻转后的图像，其中，颜色翻转后的图像的障碍物为黑色，其余区域为白色；

采用Canny算子对二值化图像做边缘检测，检测结果中将图像的边缘设置为白色，其余区域为黑色；

将二值化图像和颜色翻转后的图像进行按位与操作以去除多余的白色边缘，获得最终图像，其中，最终图像中的已知区域与未知区域之间的边界由一条条直线组成；

提取直线的重心，即为房间边界点；

S5、基于RRT边界点和房间边界点，机器人进行室内环境探索，包括：

S51、当房间边界点存在时，选择收益值最大的房间边界点作为目标点，当没有房间边界点存在时，则选取收益值最大的RRT边界点作为目标点，其中，边界点的收益值R1_f＝w₁*I_f-w₂*N_f，

其中，I_f为信息增益，信息增益指在质心点的信息增益半径r＝1内未知的栅格的个数，

N_f为路径成本，路径成本指机器人当前位置与质心点位置的欧式距离；

w₁和w₂为自定义权重，为一个常量；

S52、引导机器人向目标点导航。

2.根据权利要求1所述的基于先验信息启发式的室内环境机器人探索方法，其特征在于，所述S5之后还包括：

S6、当先验区域内检测不到边界点时，表示该区域已经探索完成，则销毁先验区域的模型以便下一个启发式区域的形成；

S7、循环S1-S6，直至机器人探索完整个环境，获得栅格地图。

3.一种基于先验信息启发式的室内环境机器人探索系统，其特征在于，包括：

数据采集模块，所述数据采集模块用于机器人通过自身携带的传感器采集周围环境信息的数据；

定位与建图模块，所述定位与建图模块基于周围环境信息的数据更新一部分地图为已知区域，获得更新后的地图；

RRT边界点提取模块，所述RRT边界点提取模块使用两棵快速搜索随机树对更新后的地图进行边界提取，获得RRT边界点，包括：

S31、在初始化阶段，将起点添加到树结构中作为根节点，其中，两棵树的起点都是人为在地图的空闲区域内设定的；

S32、在地图区域内随机撒点作为候选点；

S33、若候选点在已知区域内，遍历树结构上的所有已有的节点，选取距离候选点最近的节点作为最邻近点，最邻近点到候选节点的连线作为生长方向，若最邻近点与候选节点的距离超过预先设定的步长，则由最邻近点沿着生长方向生长一个步长，到达的点作为生长点，若距离不超过步长，则该候选点作为生长点；

若候选点在未知区域内，则先找到该候选点的最邻近树节点，最邻近点到候选点的连线作为生长方向，由最邻近点沿着生长方向向前生长，到达边界的地方作为边界点；

S34、将生长点和候选节点的连线在地图上做碰撞检测，具体包括：

遍历生长点和候选节点的连线上所有的栅格点，判断栅格点的栅格状态；

若栅格点的状态是被占据的，则碰撞检测不通过，返回S32重新进行采点；

若生长点和候选节点的连线没有碰到障碍物，将候选点、生长点和候选节点的连线添加到树结构中；

房间边界点提取模块，所述房间边界点提取模块用于识别启发式物体并对其进行位置估计，以启发式物体的位置为基准构建先验区域，在先验区域内提取边界点，获得房间边界点；其中，识别启发式物体并对其进行位置估计，包括：构建轻量级网络，基于深度学习的方法完成启发式物体的识别，获取启发式物体的坐标信息；其中，所述轻量级网络包括卷积层、逆残差块、池化层和SSP层；其中，以启发式物体的位置为基准构建先验区域，包括：在机器人识别到启发式物体时，若机器人位置在启发式物体的下方，则预估的房间区域在启发式物体的位置的上方，若机器人位置在启发式物体的上方时，预估的房间区域在启发式物体的位置的下方；其中，所述预估的房间区域的长度为启发式物体的位置向两侧延伸长度a，预估区域的宽度为启发式物体的位置向后延伸长度2b，其中，参数a，b由经验设定；其中，在先验区域内提取边界点，获得房间边界点，包括以下步骤：对先验区域的图像做二值化处理，获得二值化图像，其中，二值化图像的障碍物为白色，其余区域为黑色；对所述二值化图像进行颜色翻转，获得颜色翻转后的图像，其中，颜色翻转后的图像的障碍物为黑色，其余区域为白色；采用Canny算子对二值化图像做边缘检测，检测结果中将图像的边缘设置为白色，其余区域为黑色；将二值化图像和颜色翻转后的图像进行按位与操作以去除多余的白色边缘，获得最终图像，其中，最终图像中的已知区域与未知区域之间的边界由一条条直线组成；提取直线的重心，即为房间边界点；

环境探索模块，所述环境探索模块基于RRT边界点和房间边界点，机器人进行室内环境探索：当房间边界点存在时，选择收益值最大的房间边界点作为目标点，当没有房间边界点存在时，则选取收益值最大的RRT边界点作为目标点；引导机器人向目标点导航，其中，边界点的收益值R1_f＝w₁*I_f-w₂*N_f，其中，I_f为信息增益，信息增益指在质心点的信息增益半径r＝1内未知的栅格的个数，N_f为路径成本，路径成本指机器人当前位置与质心点位置的欧式距离；w₁和w₂为自定义权重，为一个常量。