[发明专利]一种基于关联概率语义地图的机器人目标搜索方法

权利要求书

1.一种基于关联概率语义地图的机器人目标搜索方法，其特征在于所述方法包括步骤如下：

步骤一：栅格地图的构建

使用激光雷达对当前环境的结构信息进行描述，生成一张二维栅格地图作为底层架构，并使用定位算法确定机器人在栅格地图中的位置；

步骤二：栅格-语义地图的构建

2-1目标识别；

使用目标识别算法对深度相机获得的RGB彩色图像进行检测，获得包围检测物体的矩形框，利用矩形框得到物体的中点像素坐标；

2-2三维坐标解算得到物体在全局地图坐标系下的坐标；

2-3根据物体在全局地图坐标系下的坐标，对物体进行语义信息标注，完成物体语义到二维栅格地图的映射，进而得到栅格-语义地图；

步骤三：关联概率语义地图的构建

3-1提取两物体关联关系；

3-2基于贝叶斯的关联概率更新；

对于环境中的某两个物体，使用a表示关联状态，p(a＝1)表示两个物体的关联概率，p(a＝0)表示两个物体的非关联概率，且满足公式(3)；

p(a＝1)+p(a＝0)＝1 (3)

对于尚未观测到的两个物体，初始化关联概率和非关联概率均为0.5；

采用关联概率p(a＝1)与非关联概率p(a＝0)的概率之比A(a)来描述物体间的关联状态；若A(a)＞1代表物体间关联性较强，A(a)＜1代表物体间关联性较弱；

假设在t时刻两物体间的关联状态A_t(a)，下一时刻t+1时得到了一次新的观测w_t+1∈{0,1}，w_t+1表示对深度相机的信息进行关联关系提取后的结果，即物体关联或非关联。此时相关物体间的关联关系A_t(a)得到更新，将其写为条件概率的形式：

其中w_1:t+1表示初始时刻到t+1时刻的观测叠加；

则关联概率的更新公式为：

根据贝叶斯公式可得：

其中p(a＝1|w_1:t)表示先验概率，p(a＝1|w_1:t+1)表示后验概率，是计算的中间变量；

将公式(7)和公式(8)代入公式(5)可得关联概率的更新模型：

其中表示更新系数；

3-3构建关联概率语义地图

使用基于快速随机树算法的观测点生成方法在栅格-语义地图中随机生成观测点；观测点生成后，对环境中的语义点和观测点按欧式距离进行归属分类，赋予观测点语义信息，并基于物体的语义信息将物体-物体间的关联概率与观测点结合，得到基于实时关联信息更新的关联概率语义地图；

步骤四：基于概率语义地图的目标搜索

4-1在关联概率语义地图中，根据机器人当前位置，根据公式(10)计算观测点的关联概率与机器人和观测点之间距离d_ro的比值作为当前观测点的收益值gain；根据各个观测点的收益值gain，使用贪心策略确定观测点的遍历序列；

其中，p_o为观测点的关联概率；

4-2根据观测点的遍历序列，采用离散搜索的方式，在所选取的观测点处进行目标搜索，在当前观测点到下一个观测点的路程中不进行目标检测，当机器人到达观测点后在原地旋转一周再进行目标搜索；根据机器人目标搜索中深度相机获取的信息，结合公式(9)，对物体间的关联概率进行更新，重复步骤四。