[发明专利]一种基于垂足点线特征结合的EKF-SLAM算法的机器人定位与构图方法

说明书

本发明公开了一种基于垂足点线特征结合的EKF‑SLAM算法的机器人定位与构图方法。步骤1：将激光雷达获取的点云数据进行区域划分，使得激光雷达的点云能够分割开；步骤2：对分割开的点云进行线段特征的提取，作为EKF算法的观测值；步骤3：将观测值进行数据融合处理，进行一个特征的匹配；步骤4：里程计的信息输入作为EKF的预测阶段，而匹配之后的数据信息作为EKF的更新阶段，完成一次完整的预测更新；步骤5：输出机器人的位姿和地图的信息。本发明采用线段特征作为环境特征，提出了端点迭代的算法进行线段的拟合，基于EKF算法进行优化，利用几何地图作为地图表示，得到基于线段特征的激光雷达SLAM算法，经验证，该算法在实际运用中价值高。

技术领域：

本发明涉及一种基于垂足点线特征结合的EKF-SLAM算法的机器人定位与构图方法。

背景技术：

随着自动化和智能化时代的到来，移动机器人作为一个日益普遍的智能体，已经在不断充斥在人们的科技和生活领域，小到家庭扫地机，大到无人驾驶和星球表面探测，移动机器人都扮演着十分重要的作用；不论处于什么样的环境中，定位与构图是自主移动机器人相对导航的两个重要问题，能够在各种位置的复杂环境中进行自主定位和导航是完成任务的前提，在某些封闭场景中，环境相对单一化，结构化，视觉特征点少，信息不充分，而且在黑暗环境下无法正常工作。

传统的激光雷达SLAM方法有：基于卡尔曼滤波器的KF-SLAM、基于扩展卡尔曼滤波的EKF-SLAM算法、基于粒子滤波的PF-SLAM算法，以及基于图优化的graph-SLAM算法等；卡尔曼滤波(Kalman Filter，KF)的导航算法，该方法是一种线性离散状态估计滤波器，通过系统的观测数据实现对机器人位姿的最优估计，该方法假设系统状态模型噪声、控制输入的噪声以及传感器的噪声均满足高斯分布，但是实际的过程中，大多数机器人的运动都是非线性的，因此，卡尔曼滤波存在着一定的局限性，故而推出了扩展卡尔曼滤波器的算法，这样会比KF得到更加精确的位姿估计；基于粒子滤波器(Particle Filter，PF)算法的导航方式，这种方法则基于贝叶斯估计的后验概率估计，使用非高斯分布的随机样本来近似表示状态，之后通过加权来确定最终的状态向量的概率分布；这种方法在上述噪声非高斯分布的非线性系统定位估计中得到大量的使用；图优化的SLAM算法通过位姿节点和节点之间的约束来构建一个位姿图，最后采用最小二乘的优化方法来优化整个图结构，进而完成对位姿和地图的优化；在以上方法中，KF-SLAM和EKF-SLAM多采用点特征作为地图表示，而PF-SLAM和graph-SLAM多采用占据栅格地图作为地图标识，点特征的地图只有稀疏的路标点，不能作为导航的依据，而栅格地图需要维护庞大的网格，除此之外，这两种SLAM方法都需要对点云数据进行匹配处理，点云数据相对巨大，而且粒子滤波需要维护大量的粒子。

发明内容：

本发明的目的是提供一种基于垂足点线特征结合的EKF-SLAM算法的机器人定位与构图方法，采用线段特征作为环境特征，提出了端点迭代的算法进行线段的拟合，基于EKF算法进行优化，利用几何地图作为地图表示，得到基于线段特征的激光雷达SLAM算法，经验证，该算法在实际运用中价值高。

上述的目的通过以下的技术方案实现：

一种基于垂足点线特征结合的EKF-SLAM算法的机器人定位与构图方法，所述算法包括以下步骤：

步骤1：将激光雷达获取的点云数据输入到区域分割模块进行区域划分，使得激光雷达的点云能够分割开；

步骤2：对分割开的区域里的点云进行线段特征的提取，作为EKF算法的观测值；

步骤3：将观测值进行数据融合处理，进行一个特征的匹配；

步骤4：里程计的信息输入作为EKF的预测阶段，而匹配之后的数据信息作为EKF的更新阶段，完成一次完整的预测更新；

步骤5：输出机器人的位姿和地图的信息。