[发明专利]一种基于约束引导和空间优化策略的场景主动式建图方法

说明书

本发明属于机器人感知和计算机视觉领域，提出一种基于约束引导和空间优化策略的场景主动式建图方法，其包括全局规划阶段和局部规划阶段；全局规划阶段中计算机器人的下一探索目标点，用于引导机器人探索场景；当下一探索目标点确定后，局部规划阶段根据该下一探索目标点、机器人所在位置以及构建的占用地图，生成具体动作，驱动机器人前往下一探索目标点，同时收集观测数据，用于更新占用地图信息。本发明的方法可以有效地避免探索过程中的长距离往返，使得机器人在探索过程中能够兼顾信息增益和移动损耗，找到探索效率的平衡，实现主动建图效率的提升。

技术领域

本发明涉及机器人感知和计算机视觉领域，尤其涉及一种基于约束引导和空间优化策略的场景主动式建图方法。

背景技术

对复杂未知室内场景进行扫描并构建完整地图对于计算机视觉和机器人领域中的许多应用是至关重要的。如果该扫描过程是人为控制的话，则既费时又不方便，同时建图效果严重依赖于扫描者的经验，对新手用户并不友好。因此如何设计一个探索策略，能够引导机器人自主地完成对整个场景的探索扫描，以最短的探索路径实现对场景区域的最大化扫描，成为了一个至关重要的研究问题，该问题通常被称为主动建图。与主动建图相关的方法大致可以分为三类：

(a)传统启发式方法

“Yamauchi B.Afrontier-based approach for autonomous exploration[C]//Proceedings 1997IEEE International Symposium on Computational Intelligence inRobotics and Automation CIRA'97.'Towards New Computational Principles forRobotics and Automation'.IEEE,1997:146-151.”中所述传统启发式方法，主动建图领域的开创性工作提出了边界(frontier)的概念，网格地图被定义为自由(free)、未知(unknown)和占用(occupy)三种类型，通过将机器人移动到占用地图中最近的边界点，驱动机器人探索扫描整个场景，直至地图中不再有边界点的存在，即认为整个场景被完整扫描，探索结束。这类方法对于场景探索效果很好，然而，它们对于边界点的选取通常是基于贪心策略，因此很难获得近似的全局最优解。

(b)基于学习的方法

“Chaplot D S,Gandhi D,Gupta S,et al.Learning to explore using activeneural slam[J].arXiv preprint arXiv:2004.05155,2020”和“Ye K,Dong S,Fan Q,etal.Multi-robot active mapping via neural bipartite graph matching[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2022:14839-14848”中所述基于学习的方法，与上述传统启发式方法使用短视策略从一组边界点中选择目标不同，基于学习的方法直接使用卷积神经网络(CNN)或者图神经网络(GNN)，通过强化学习最大化长期价值来回归目标位置，这使得探索策略可以接近全局最优，同时减少了决策过程的计算时间。然而，这类工作通常只使用原始数据作为强化学习的状态输入，没有对其进行进一步的数据处理以提高探索效率。

(c)基于信息论的方法