[發(fā)明專利]一種語義柵格地圖生成方法及其裝置

有效

• 申請?zhí)枺?/td>: 201810664562.4
• 申請日: 2018-06-25
• 公開（公告）號: CN108920584B
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計）人: 陳明建
• 申請（專利權(quán)）人: 廣州視源電子科技股份有限公司
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06K9/62;G06K9/72;G01C21/32
• 代理公司: 北京知元同創(chuàng)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11535
• 代理人: 張祖萍;張?zhí)镉?/td>

本發(fā)明涉及一種語義柵格地圖生成方法及其裝置，其中方法包括：通過視覺傳感器獲取環(huán)境的圖像數(shù)據(jù)，通過激光雷達傳感器獲取環(huán)境的2D掃描數(shù)據(jù)；將獲取的圖像數(shù)據(jù)和2D掃描數(shù)據(jù)進行融合，生成語義掃描數(shù)據(jù)；將生成的語義掃描數(shù)據(jù)與環(huán)境的格柵地圖進行融合，生成語義格柵地圖。本發(fā)明實施例提出的語義柵格地圖生成方法及其裝置，引入視覺傳感器，通過視覺傳感器獲取的圖像數(shù)據(jù)，對激光雷達傳感器獲取的2D掃描數(shù)據(jù)賦予語義信息；在地圖融合的過程中，去除動態(tài)物體減少噪聲點，同時對確定柵格添加語義信息，生成語義格柵地圖，為構(gòu)圖、定位和導航提供可靠地路標信息，從而提高移動機器人在動態(tài)環(huán)境中的構(gòu)圖和定位的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于移動機器人技術(shù)領(lǐng)域，具體涉及一種語義柵格地圖生成方法及其裝置。

背景技術(shù)

移動機器人，例如在地面移動的移動機器人、飛行器等，其智能性主要體現(xiàn)在能構(gòu)建一致性的環(huán)境地圖、魯棒的定位和導航功能。其中環(huán)境地圖的可靠性以及包含的信息量是移動機器人定位和導航的關(guān)鍵前提。柵格地圖是將環(huán)境劃分為一系列格柵制成的環(huán)境地圖，每一個格柵給定一個可能值，表示該格柵被占據(jù)的概率，可以使用一組格柵描述環(huán)境要素，每一個格柵的值代表一個現(xiàn)實的環(huán)境要素或者環(huán)境要素的一部分。如圖1所示，圖中的每個像素對應一個柵格，圖中的顏色深度代表了該格柵處有障礙物的概率，顏色越深，概率越大；顏色越淺，概率越小。當格柵地圖的分辨率為0.05m/cell(米/柵格)時，代表了每個柵格映射物理上0.05米見方的一個區(qū)域。基于2D掃描數(shù)據(jù)的傳統(tǒng)地圖生成方法，基本上生成的是普通的柵格地圖，普通的柵格地圖在移動機器人定位導航過程中存在以下問題：

1.普通的柵格地圖無法表達每個柵格在實際環(huán)境中具體表示的是什么物體(例如桌子、凳子、花瓶等)；

2.普通的柵格地圖無法剔除環(huán)境地圖中的動態(tài)物體(例如行人、車等)，導致由于動態(tài)物體的影響，生成的格柵地圖會存在很多噪聲點。

3.普通柵格地圖無法為導航和定位方法提供可靠的路標。

以上這些因素都會導致移動機器人在動態(tài)環(huán)境中，不能生成一張可靠的環(huán)境地圖，并且基于普通柵格地圖的定位在動態(tài)環(huán)境中很可能會失效或者有較大的誤差。

發(fā)明內(nèi)容

為了解決上述普通的格柵地圖存在的無法表達實際環(huán)境物體、無法去除動態(tài)物體帶來的噪聲以及無法提供可靠路標的技術(shù)問題，本發(fā)明實施例提出了一種語義柵格地圖生成方法及其裝置。

一種語義柵格地圖生成方法，該方法包括以下步驟：

通過視覺傳感器獲取環(huán)境的圖像數(shù)據(jù)，通過激光雷達傳感器獲取環(huán)境的2D掃描數(shù)據(jù)；

將獲取的圖像數(shù)據(jù)和2D掃描數(shù)據(jù)進行融合，生成語義掃描數(shù)據(jù)；

將生成的語義掃描數(shù)據(jù)與環(huán)境的格柵地圖進行融合，生成語義格柵地圖。

進一步地，所述將獲取的圖像數(shù)據(jù)和2D掃描數(shù)據(jù)進行融合，生成語義掃描數(shù)據(jù)的步驟包括：

對激光雷達傳感器獲取的2D掃描數(shù)據(jù)進行粒子群聚類；

對視覺傳感器獲取的圖像數(shù)據(jù)進行物體檢測，為圖像數(shù)據(jù)中的物體加上語義標簽；

將獲取的圖像數(shù)據(jù)和2D掃描數(shù)據(jù)對齊，建立圖像數(shù)據(jù)和2D掃描數(shù)據(jù)的對應關(guān)系；

根據(jù)所述圖像數(shù)據(jù)和2D掃描數(shù)據(jù)的對應關(guān)系，將所述圖像數(shù)據(jù)的物體檢測結(jié)果與聚類后的2D掃描數(shù)據(jù)進行融合，生成語義掃描數(shù)據(jù)。

進一步地，在所述對視覺傳感器獲取的圖像數(shù)據(jù)進行物體檢測，為圖像數(shù)據(jù)中的物體加上語義標簽的步驟中，對圖像數(shù)據(jù)的物體檢測方法使用基于深度學習的檢測和分類方法，為圖像數(shù)據(jù)中的物體加上語義標簽。