本發(fā)明涉及機器人編程系統(tǒng)的領(lǐng)域。更具體地，本發(fā)明適用于創(chuàng)建障礙物的不存在和存在中的一種的概率的本地圖。這種圖特別地但非排他性地適用于碰撞避免技術(shù)。

背景技術(shù)：

當(dāng)機器人能夠以高度的自主性執(zhí)行行為或任務(wù)時，機器人可以取得自主的資格，甚至是在最初未知的環(huán)境中。為了安全地移動并執(zhí)行行為，自主式機器人需要定位并收集關(guān)于潛在有危險的障礙物的信息。

因此，自主地收集關(guān)于本地障礙物的信息的問題是在機器人技術(shù)的領(lǐng)域中的關(guān)鍵性問題。

根據(jù)現(xiàn)有技術(shù)，用于障礙物檢測的最佳已知的技術(shù)屬于被稱為“同步定位與構(gòu)圖”(SLAM)的方法的類別。這些方法提供了對障礙物的同步檢測和機器人相對于其環(huán)境的定位。SLAM技術(shù)由下列資料公開：THRUN、S.BURGARD、W.FOX D.的Probabilistic Robotic.MIT Press,2005；MONTEMERLO、M.THRUN、S.KOLLER、D.WEGBREIT B的FastSLAM:A factored solution to the simultaneous localization and mapping problem,AAAI/IAAI,2002,第593到598頁。

當(dāng)機器人從其具有某些人類外觀屬性：頭、軀干、雙臂、雙手等的時刻起有資格為人形。然而，人形機器人可能或多或少是復(fù)雜的。人形機器人的肢體可以具有較多或較少數(shù)量的關(guān)節(jié)。人形機器人可以靜態(tài)和動態(tài)地控制其自身的平衡并且用下肢行走，可能是以三維的形式行走或僅是滾動底座。人形機器人可以從環(huán)境中提取信號(“聽”、“看”、“觸摸”、“感測”等)，并且根據(jù)或多或少復(fù)雜的行為作出反應(yīng)，并且通過談話或通過手勢與其它機器人或人類進(jìn)行交互。

可以特別為了人類交互作用來設(shè)計這種機器人。然而，這些交互(包括面部和情感識別以及手勢和對話)是高度CPU密集的。這些交互作用是人形機器人的核心。因此，機器人設(shè)計者必須解決的一個問題是將所有其它機器人功能設(shè)計成以最低可能的CPU使用率來進(jìn)行操作。這些其它功能尤其包括必須在從機器人被通電時的時刻起連續(xù)地執(zhí)行的定位、碰撞避免和障礙物檢測。

當(dāng)機器人發(fā)現(xiàn)其環(huán)境的新部分時，在SLAM技術(shù)中由機器人使用的環(huán)境圖的尺寸增加。由于SLAM技術(shù)使用環(huán)境的所有已知的部分來計算機器人位置，所以提供障礙物檢測復(fù)雜度的上限并且從而在具有未知尺寸的環(huán)境中使用SLAM技術(shù)提供CPU使用率幾乎是不可能的。而且，SLAM實施方式使用CPU密集的技術(shù)，例如用于EKF-SLAM(或擴展卡爾曼濾波SLAM)的協(xié)方差矩陣。SLAM技術(shù)估計機器人位置以及一組路標(biāo)的位置。當(dāng)機器人發(fā)現(xiàn)其環(huán)境時，它將新路標(biāo)添加到這個組。在EKF SLAM中，每個新路標(biāo)被添加到狀態(tài)向量和協(xié)方差矩陣。因此，具有大量潛在路標(biāo)的大環(huán)境可能產(chǎn)生非常高的復(fù)雜度。因此，SLAM技術(shù)的使用可能導(dǎo)致用于腳底定位(sole localization)和障礙物檢測的關(guān)鍵CPU使用率，從而威脅用于人類交互的CPU可用性。同時，SLAM技術(shù)被設(shè)計為使用靜止路標(biāo)來定位處于靜態(tài)的機器人。因此，這在檢測移動障礙物時是低效的。C.-C Wang在“Simultaneous localization,mapping and moving object tracking”中公開了用于同時使用SLAM和移動對象追蹤(MOT)的方法。然而，這種技術(shù)基本上在于SLAM和MOT的同時執(zhí)行以克服一個SLAM限制，因而增加了甚至額外的復(fù)雜度。

歐洲專利申請n°14305543.2公開了用于與SLAM技術(shù)相比較用減少的CPU使用率在導(dǎo)致機器人的精確定位的定位平面中定位機器人的方法。

這種方法解決了機器人定位問題。但仍然存在對用足夠的可靠性檢測障礙物以避免碰撞而是最不復(fù)雜且最不CPU密集的需要。

技術(shù)實現(xiàn)要素：

為了這個效果，本發(fā)明公開了用于由自主式機器人上的計算機確定在機器人的環(huán)境中的障礙物不存在和存在中的至少一種的概率的像素圖的方法，所述方法的特征在于，其包括下列步驟：在機器人上的存儲器中初始化在機器人周圍限定并實質(zhì)上關(guān)聯(lián)到(attached to)所述機器人的初始圖，所述圖預(yù)先確定限制并被預(yù)定尺寸的像素鋪設(shè)(pave)，其中在每個像素中的障礙物不存在和存在中的至少一種的概率的值被設(shè)置為預(yù)定值；從至少感測過程獲取表示在機器人的環(huán)境中的障礙物不存在和存在中的至少一種的數(shù)據(jù)；將用于至少下列操作的過程同時應(yīng)用于初始圖程序：更新在所述數(shù)據(jù)的初始圖的至少一個像素中的障礙物不存在和存在中的至少一種的概率的值；將先前觀察的障礙物的不存在或存在的概率修改為更接近預(yù)定值的值。

有利地，只要機器人保持在預(yù)定數(shù)量的像素內(nèi)，初始圖就在固定參考系中保持靜止，并且在機器人移動到這個預(yù)定數(shù)量的像素之外時隨著機器人移動。

有利地，初始圖的限制被預(yù)先確定為所述機器人可能面對即時碰撞威脅所處于的區(qū)域的尺寸的函數(shù)。

有利地，像素的預(yù)定尺寸被選擇為碰撞避免距離的函數(shù)。

有利地，初始圖限定正方形。

有利地，在修改先前觀察的障礙物不存在和存在中的一種的概率和用于初始化圖的過程中的預(yù)定值是表示確定的障礙物存在的值與表示確定的障礙物不存在的值的平均值。

有利地，計算不存在的概率的圖，其中障礙物不存在的概率是在0與1之間的數(shù)字，其中0表示確定的障礙物的存在，1表示確定的障礙物的不存在，并且0.5表示未知的障礙物的存在。

有利地，用于給障礙物和未知像素定界的閾值Ts_obs被限定為在區(qū)間[0；0.5]中的數(shù)字，并且用于給無障礙物和未知像素定界的閾值Ts_free被限定為在區(qū)間[0.5；1]中的數(shù)字。

有利地，根據(jù)所述障礙物閾值和預(yù)定的收斂時間Τ_conv通過以下公式來限定用于修改障礙物不存在的概率的時間演變比R_temp：R_temp＝exp(ln(1-2.0^*Ts_obs)/(Τ_conv^*更新頻率))。

有利地，修改先前觀察的障礙物不存在的概率的過程使用了用于根據(jù)其在先前圖中的值計算每個像素的值的幾何分布定律，并且使用公式：VC₃₂₀＝R_temp^*(VC₃₁₀-0.5)+0.5，其中VC320是像素的已修改值，并且V310是其先前值。

有利地，為多個補充的感測過程初始化多個初始圖，并且多個圖同時被合并成融合圖。

有利地，合并多個初始圖滿足：障礙物不存在的概率低于在至少一個初始圖中的閾值Ts_obs的每個像素是融合圖中的障礙物；不是融合圖中的障礙物且障礙物不存在的概率高于在至少一個初始圖中的閾值Ts_free的每個像素是融合圖中的無障礙物像素。

有利地，合并多個初始圖包括下列步驟：產(chǎn)生第一預(yù)融合圖和第二預(yù)融合圖；將第一預(yù)融合圖中的像素中的障礙物不存在的概率的值設(shè)置為在多個初始圖中的同一像素中的不存在的概率的值的最小值；將第二預(yù)融合圖中的像素中的障礙物不存在的概率的值設(shè)置為在多個初始圖中的同一像素中的不存在的概率的值的最大值；將值低于障礙物的閾值Ts_obs的在第一預(yù)融合圖中的像素中的障礙物不存在的概率的值設(shè)置為0；將值高于障礙物的閾值Ts_obs的在第一預(yù)融合圖中的像素中的障礙物不存在的概率的值設(shè)置為1；將在融合圖(360)中的像素中的障礙物不存在的概率的值設(shè)置為在第一和第二預(yù)融合圖中的同一像素中的不存在的概率的值的最小值。

有利地，使用從不同的傳感器組獲取的數(shù)據(jù)來更新在多個初始圖當(dāng)中的每個圖，所述數(shù)據(jù)對觀察相同類型的障礙物的傳感器進(jìn)行分組。

有利地，第一組傳感器對在機器人上的激光傳感器進(jìn)行分組；第二組傳感器對在機器人上的3D相機進(jìn)行分組；第三組傳感器對在機器人上的超聲傳感器進(jìn)行分組；第四組傳感器對在機器人上的接觸傳感器進(jìn)行分組。

有利地，至少從感測過程獲取表示在機器人的環(huán)境中的障礙物不存在和存在中的至少一種的數(shù)據(jù)的步驟至少包括：從傳感器獲取原始數(shù)據(jù)值；使用機器人運動關(guān)節(jié)模型和角關(guān)節(jié)傳感器來創(chuàng)建與傳感器相關(guān)聯(lián)的6D傳感器變換；使用所述6D傳感器變換和所述原始數(shù)據(jù)來創(chuàng)建表示由傳感器觀察的障礙物的一組3D點。

有利地，更新初始圖中的至少一個像素中的障礙物不存在和存在中的至少一種的概率的值至少包括：填充至少一個2D像素，其中至少一個3D點被找出有表示確定的障礙物存在的值；填充在所述至少一個像素與具有表示確定的障礙物不存在的值的傳感器的位置之間的每條線。

本發(fā)明還公開了自主式機器人，其包括至少多個定向距離傳感器；機器人運動關(guān)節(jié)模型；機載存儲器，其用于存儲在機器人周圍限定的、具有預(yù)定的限制并由預(yù)定尺寸的像素鋪設(shè)的初始圖，障礙物存在和不存在中的至少一種的概率的值被存儲在該存儲器中；用于通過將每個像素的值設(shè)置為預(yù)定值來初始化所述圖的模塊；用于從至少一個所述定向距離傳感器獲取表示在機器人的環(huán)境中的障礙物不存在和存在中的至少一種的數(shù)據(jù)的模塊；用于將用于至少下列操作的過程同時應(yīng)用于所述圖的模塊：根據(jù)所述數(shù)據(jù)更新在初始圖的至少一個像素中的障礙物不存在和存在中的至少一種的概率的值；將先前觀察的障礙物不存在或存在的概率修改為更接近預(yù)定值的值。

本發(fā)明還公開了存儲在計算機可讀介質(zhì)上的計算機程序產(chǎn)品，其包括用于使計算機實現(xiàn)確定在機器人的環(huán)境中的障礙物不存在和存在中的至少一種的概率的像素圖的方法的代碼單元，所述計算機程序產(chǎn)品的特征在于，其至少包括：用于在存儲器中初始化在自主式機器人周圍限定并實質(zhì)上關(guān)聯(lián)到所述機器人的初始圖的模塊，所述圖預(yù)先確定限制并被預(yù)定尺寸的像素鋪設(shè)，其中在每個像素中的障礙物不存在和存在中的至少一種的概率的值被設(shè)置為預(yù)定值；用于從至少第一類型的感測過程獲取表示在機器人的環(huán)境中的障礙物不存在和存在中的至少一種的數(shù)據(jù)的模塊；用于將用于至少下列操作的過程同時應(yīng)用于初始圖的模塊：根據(jù)所述數(shù)據(jù)更新在初始圖的至少一個像素中的障礙物不存在和存在中的至少一種的概率的值；將先前觀察的障礙物不存在和存在中的一種的概率修改為更接近預(yù)定值的值。

本發(fā)明公開了用于利用在自主式機器人的封閉環(huán)境中的所有威脅和障礙物來構(gòu)建圖的方法。這可以本質(zhì)上但不僅僅用于碰撞避免。其也可用于軌跡計算。

根據(jù)本發(fā)明的方法具有非常低的CPU使用率。實際上，這使用簡單的操作(如像素值比較和填充)在具有有限和有界數(shù)量的像素的像素圖上進(jìn)行操作。

由于圖的有限的數(shù)量和尺寸，其也具有低內(nèi)存占用量。而且，根據(jù)本發(fā)明的方法的內(nèi)存占用量被定界。

本方法還檢測移動障礙物出現(xiàn)和消失而沒有任何額外的復(fù)雜度。

在多個實施例中，本發(fā)明還利用在機器人中的所有種類的傳感器來使用所有類型的障礙物的較精細(xì)的檢測。

因此，根據(jù)本發(fā)明的方法以足夠的可靠性檢測障礙物以對機器人和環(huán)境(人、周圍物體……)確保安全，而為了人形機器人的人類交互節(jié)省CPU和內(nèi)存。

附圖說明

根據(jù)多個示例性實施例及其附圖的以下描述，本發(fā)明將被更好地理解并且其各種特征和優(yōu)點將出現(xiàn)，在附圖中：

-圖1顯示在本發(fā)明的多個實施例中的人形機器人的物理架構(gòu)；

-圖2顯示在本發(fā)明的多個實施例中的機器人的軟件模塊的功能架構(gòu)；

-圖3顯示本發(fā)明的多個實施例的全局流程圖；

-圖4顯示在本發(fā)明的多個實施例中的利用來自一個傳感器的觀察來更新傳感器族圖的流程圖；

-圖5提供像素區(qū)域的示例，其中在本發(fā)明的多個實施例中對圖進(jìn)行計算；

-圖6提供在本發(fā)明的多個實施例中的障礙物不存在的概率的時間演變的示例；

-圖7顯示在本發(fā)明的多個實施例中的利用未知概率來進(jìn)行初始化并利用單個傳感器觀察來進(jìn)行更新的傳感器族圖的示例；

-圖8a、8b、8c、8d顯示在本發(fā)明的多個實施例中的具有較早的觀察的同時更新和根據(jù)新觀察的像素的修改的傳感器族圖的演變；

-圖9a、9b、9c提供在本發(fā)明的多個實施例中的多個傳感器族圖的融合的示例。

具體實施方式

圖1顯示在本發(fā)明的多個實施例中的人形機器人的物理架構(gòu)。

在附圖上的特定機器人100僅被當(dāng)作可以實施本發(fā)明的人形機器人的示例。在附圖上的機器人的下肢不是為行走而設(shè)計的，但可以用其底座140在任何方向上移動，底座140在其置放的表面上滾動。本發(fā)明可以容易在適合于行走的機器人(例如Nao^TM)機器人中實現(xiàn)。通過示例的方式，這個機器人具有可以是大約120cm的高度110、大約65cm的深度120和大約40cm的寬度130。在特定的實施例中，本發(fā)明的機器人具有平板電腦150，利用平板電腦150機器人可以將消息(音頻、視頻、網(wǎng)頁)傳送到其周圍環(huán)境，或通過平板電腦的觸覺界面從用戶接收輸入。除了平板電腦的處理器以外，本發(fā)明的機器人還使用其自身的母板的處理器，處理器可以例如是來自Intel^TM的ATOM^TMZ530。在本發(fā)明的特定實施例中，本發(fā)明的機器人還有利地包括專用于在母板且尤其是容納磁性旋轉(zhuǎn)編碼器(MRE)的板與傳感器之間的數(shù)據(jù)流的處理，所述傳感器控制在肢體中的關(guān)節(jié)的發(fā)動機和機器人用作輪子的球體。根據(jù)明確的關(guān)節(jié)所需的最大轉(zhuǎn)矩的大小，發(fā)動機可以是不同的類型。例如，可以使用來自e-minebea^TM的有刷DC無核發(fā)動機(例如SE24P2CTCA)，或來自Maxon^TM的無刷DC發(fā)動機(例如EC45_70W)。MRE是具有12位或14位準(zhǔn)確度的使用霍爾效應(yīng)的優(yōu)選類型。

在本發(fā)明的實施例中，圖1上顯示的機器人還包括各種類型的傳感器。這些傳感器中的一些傳感器用于控制機器人的位置和移動。這是例如位于包括3軸陀螺儀和3軸加速度計的機器人的軀干中的慣性單元的情況。機器人還可以包括位于片上系統(tǒng)(SOC)類型的機器人(頂部和底部)的前額上的兩個2D彩色RGB相機，例如來自深圳V-Vision技術(shù)有限公司^TM的相機(OV5640)，其具有以每秒5幀的5百萬像素分辨率以及大約57°水平和44°垂直的視場(FOV)。在機器人眼睛的后方還可以包括一個3D傳感器，例如具有以每秒20幀的30萬像素的分辨率的ASUS XTION_TM SOC傳感器，其具有大約與2D相機相同的FOV。本發(fā)明的機器人還可以配備有激光線發(fā)生器，例如在頭部180a中有三個并且在底座180b中有三個，從而能夠在機器人的周圍環(huán)境中感測到其相對于對象/人的位置。本發(fā)明的機器人還可以包括能夠感測其周圍環(huán)境中的聲音的麥克風(fēng)。在實施例中，具有以1kHz和300Hz到12kHz(-10dB相對于1kHz)的頻率范圍的300mv/Pa+/-3dB的靈敏度的四個麥克風(fēng)可以植入在機器人的頭部上。本發(fā)明的機器人還可以包括可能位于其底座的正面和背面的兩個聲納傳感器，這兩個聲納傳感器用于測量到機器人周圍環(huán)境中的對象/人的距離。

機器人還可以包括位于其頭部和手上的觸覺傳感器，該觸覺傳感器用于允許與人的交互。機器人還可以包括位于其底座上的緩沖器1B0以感測在機器人的路線上機器人遇到的障礙物。

機器人還可以通過計算在所規(guī)劃的軌跡與實際軌跡之間的差異來感測其上部構(gòu)件與它們接觸的對象的接觸。

為了解釋機器人的情感并且在其周圍環(huán)境中與人進(jìn)行溝通，本發(fā)明的機器人還可以包括：

-LED，例如在機器人的眼中、耳中和機器人的肩膀上；

-揚聲器，例如位于機器人耳中的兩個。

本發(fā)明的機器人可以通過以太網(wǎng)RJ45或WiFi 802.11連接與基站進(jìn)行或者其它機器人進(jìn)行通信。

可以通過具有大約400Wh的能量的磷酸鐵鋰電池來對本發(fā)明的機器人進(jìn)行供電。機器人可以接入適于其包括的電池類型的充電站。

圖2是在本發(fā)明的若干實施例中允許本發(fā)明的實施方式的物理和功能架構(gòu)的圖。

在本發(fā)明的實施例中，機器人(例如NAO)有利地被賦予允許機器人的功能的引導(dǎo)的高級軟件。尤其在2009年10月15日公布的專利申請WO2009/124955中公開了被稱為NAOQI的這種類型的軟件架構(gòu)。其包括用于管理在機器人和PC或遠(yuǎn)程站點之間的通信并交換軟件的基本功能，該軟件提供本發(fā)明的實施方式所必需的軟件基礎(chǔ)設(shè)施。

NAOQI是對機器人應(yīng)用優(yōu)化的框架；其支持幾種語言，尤其是C++、Python和Urbi。

在本發(fā)明的背景下，NAQQI的以下模塊是特別有用的：

-模塊ALMemory 210，管理在NAOQI的各種模塊之間共享的存儲器；

-模塊DCM 220，管理與物理機器人(發(fā)電機、傳感器)的通信；

-模塊ALMotion 230，在參考系中計算機器人的各個部分的移動并且從而計算傳感器的位置/定向。

這三個模塊有利地用C++進(jìn)行編碼。附圖還指示在模塊之間的數(shù)據(jù)流。

具體而言，障礙物功能的不存在和存在中的一種的概率的圖的實施方式所必需的輸入是：

-傳感器的值(例如腳壓力傳感器、激光器、超聲傳感器)；

-機器人的姿勢。

在有規(guī)律的時間間隔處，障礙物不存在圖構(gòu)建功能更新障礙物不存在和存在中的一種的概率的圖。為了這么做，其提取來自DCM模塊220的傳感器值和來自ALRobotPosture模塊230的機器人姿勢值。

圖3顯示本發(fā)明的多個實施例的全局流程圖。

在本發(fā)明的多個實施例中，傳感器被分組成傳感器族。每個傳感器族可以包括一個或多個傳感器。有利地，在每個族中的傳感器包括被設(shè)計成觀察同一類型的障礙物的傳感器。例如，機器人100可以包括3D相機傳感器170、具有三個激光線發(fā)生器180a和三個激光線發(fā)生器180b的第二族、具有兩個聲納傳感器190的第三族和具有觸覺傳感器、緩沖器1B0和感測接觸的任何傳感器的第四族，其包括通過在所規(guī)劃的軌跡和實際軌跡之間的差異的計算來感測接觸的邏輯傳感器。

在以下示例中，計算具有[0；1]的范圍的障礙物不存在的概率的圖，其中1的概率指示確定的障礙物的不存在，0的概率指示確定的障礙物的存在，并且0.5指示未知的障礙物不存在的概率。本發(fā)明不限于這樣的示例和概率的表示，并且以障礙物的另一種表示嵌入本發(fā)明對技術(shù)人員而言是簡單的任務(wù)。例如，障礙物存在概率的圖可以替代地被計算，其中1表示確定的障礙物存在，并且0表示確定的障礙物的不存在。概率的[0；1]區(qū)間可以由百分比、具有離散值的占有的狀態(tài)、表示障礙物存在或不存在的布爾值或表示障礙物存在或不存在的任何其它標(biāo)度進(jìn)行替換。

從每個傳感器族中，創(chuàng)建傳感器族圖(310,320,330,340)。在描述的其余部分中，傳感器族圖可以被稱為“傳感器族圖”或“初始圖”。通過合并來自每個傳感器組圖340、350的信息來形成(360)融合圖。這些圖中的每一個圖關(guān)聯(lián)到機器人，并且具有預(yù)定尺寸和像素尺寸。在本發(fā)明的多個實施例中，所有圖具有相同的尺寸、像素尺寸和原點。因此，具有給定坐標(biāo)的像素表示在每個圖中的相同區(qū)域，這使在圖像素之間的比較和操作變得非常容易。在其余部分中，對圖3的參考將指示過程和在該過程結(jié)束時創(chuàng)建或修改的圖。例如，330可以標(biāo)示更新傳感器族圖的過程以及被更新的圖。預(yù)定像素尺寸可以被設(shè)置為作為機器人的最小停止距離的函數(shù)的值，當(dāng)以其最慢速度(例如10cm)移動時，使得當(dāng)障礙物被檢測到在最接近的像素內(nèi)時，機器人在要停止的位置上。圖尺寸隨后可以被確定為限制的函數(shù)，該函數(shù)被設(shè)置為由本發(fā)明的方法使用的處理能力例如預(yù)定10cm尺寸的30×30(900)像素，其給出3m的圖的預(yù)定尺寸和在機器人和圖的限制之間的1.5m的距離。還可以首先將圖的預(yù)定尺寸確定為在機器人的環(huán)境中的可能障礙物的函數(shù)，并且可以將像素的數(shù)量或它們的尺寸或這兩者的組合確定為被分配給本發(fā)明的方法的處理能力的函數(shù)。這些折衷可以由普通技術(shù)人員確定并且隨后使用普通技術(shù)人員已知的過程在機器人的軟件模塊中進(jìn)行編程。

傳感器族圖340和350以及融合圖360在有規(guī)律的基礎(chǔ)上被更新。在機器人100中，3D相機170、激光線發(fā)生器180a和180b以及聲納傳感器190都在它們自身的頻率下生成度量。有利地，傳感器族圖和融合圖在來自所有傳感器的最低頻率下被更新。在實施例中，在10fps下更新傳感器和圖。這個頻率將被稱為“更新頻率”。這個示例不是限制性的，并且可以選擇任何更新頻率，如果沒有新的度量可用于更新頻率，則可以從任何傳感器使用舊的度量。

在每次更新時，使用這個族的傳感器310的先前圖以及來自屬于這個族的傳感器的新觀察331、332為每個傳感器族產(chǎn)生傳感器族圖340。在步驟320，過程適用于更新先前圖310的像素值。在示例中，這樣的過程使每個像素中的值更接近值0.5，因而將更小的價值給予先前的觀察。在這個過程結(jié)束時，先前的圖310被轉(zhuǎn)換成具有降低的置信度320的傳感器族圖。具有降低的置信度320的這個圖以后在步驟330用來自傳感器331和332的新觀察被更新。這個更新過程用1的障礙物不存在的概率填充傳感器觀察到障礙物不存在的每個像素，并且通過0的障礙物不存在的概率填充傳感器觀察到障礙物存在的每個像素。一旦用來自屬于其傳感器族的每個傳感器的觀察更新圖320，其就被轉(zhuǎn)換成包含在來自傳感器的一個族的時間可得到的所有信息的傳感器族圖340。

在多個實施例中，機器人中的傳感器具有不同程度的可靠性。例如，較老的傳感器可被認(rèn)為是比新的傳感器更不可靠。關(guān)于觀察的可靠性的信息因此在更新330期間被添加到更新像素。這可以通過對于較不可靠的傳感器將值設(shè)置為更接近0.5或除了障礙物不存在的概率以外還添加可靠性信息來完成?？煽啃赃€可以被設(shè)置為傳感器的類型的函數(shù)，例如取決于機器人的環(huán)境。通過示例的方式，普通技術(shù)人員已知激光線發(fā)生器在存在多個透明的障礙物的環(huán)境中更易于出錯。相反，在這種類型的環(huán)境中，聲納傳感器將更可靠。

對于全局過程的第一次執(zhí)行，圖310在存儲器中以預(yù)定值被初始化。在優(yōu)選實施例中，所述預(yù)定值指示未知的障礙物存在。在示例中，在過程的第一次執(zhí)行時，圖310在其所有的像素中以值0.5被初始化。對于所有其它的執(zhí)行，圖310是在先前更新期間產(chǎn)生的傳感器族圖340。在機器人的位置改變的情況下，圖的像素可以被轉(zhuǎn)變。這可以發(fā)生在機器人不再在圖的中心處時。例如，如果在該過程的開始時機器人是遠(yuǎn)離圖的中心的幾個像素，或如果機器人離圖的中心的距離接近機器人的尺寸，則圖的像素可被轉(zhuǎn)變。如果機器人離圖的中心高于預(yù)定值，例如30cm，則也可以轉(zhuǎn)變像素。在轉(zhuǎn)變的情況下，圖的原點在水平和/或垂直方向上或在機器人的運動的方向上移動了整數(shù)個像素。因此，所有像素的值在那個方向上移動。例如，如果機器人在圖的中心以上30cm并且像素尺寸是10cm，則圖的位置可以在固定參考中的垂直軸的頂部中移動30cm，并且所有每個像素的值可以被設(shè)置為位于3個像素以下的先前像素的值。位于圖(其中在先前圖中沒有找到先前值)的邊界上的所有像素被設(shè)置為未知值0.5。

在每次更新時，傳感器族圖340和350被融合以創(chuàng)建融合圖360。在本發(fā)明的多個實施例中，這個融合過程被設(shè)計成保持由至少一個傳感器族檢測的障礙物。這個融合圖360包含來自先前的觀察和對每個傳感器族的傳感器的新觀察的所有信息。因此這適合于在需要障礙物不存在的最完整描述的應(yīng)用(例如軌跡計算)中使用。

圖4顯示在本發(fā)明的多個實施例中的利用來自一個傳感器的觀察來更新傳感器族圖的流程圖。

每個傳感器提供表示其觀察的類型的原始數(shù)據(jù)400。例如，激光傳感器180a和180b提供在它們面向的方向上最接近的非透明表面的距離，而緩沖器1B0指示在它們的位置上的接觸的出現(xiàn)。

使用機器人運動關(guān)節(jié)模型410和關(guān)節(jié)的角傳感器420來推斷出傳感器的3D位置和定向，其包含關(guān)于在機器人坐標(biāo)系統(tǒng)中的傳感器的6D位置和定向以及在固定坐標(biāo)系統(tǒng)中的機器人的6D位置和定向的信息。這個信息允許6D傳感器變換430的創(chuàng)建，6D傳感器變換430將由傳感器檢測到的3D點轉(zhuǎn)變成在固定坐標(biāo)系中表示的一組3D點440。例如，可以容易地利用運動關(guān)節(jié)模型410和指示在機器人坐標(biāo)系統(tǒng)中的傳感器的相對位置的機器人角關(guān)節(jié)傳感器420的知識來在固定3D坐標(biāo)系中對在離激光傳感器180a 3米的距離處觀察到的障礙物進(jìn)行定位。在另一示例中，如果緩沖器1B0中的一個檢測到接觸的出現(xiàn)，則可以使用機器人模型410和關(guān)節(jié)傳感器420將表示障礙物的3D點放置在緩沖器的確切的3D位置中。

最后，傳感器模型450用于使用3D點440在步驟330期間更新傳感器族圖。例如，激光傳感器180a的模型可以解釋以下事實：障礙物在其定向上在由激光傳感器返回的距離處被觀察到，并且沒有障礙物在激光傳感器與這個障礙物之間被觀察到。因此，由激光傳感器返回的3D點障礙物可以通過首先在圖330中、在固定坐標(biāo)系中位于這個3D點處的像素中設(shè)置0的障礙物不存在的概率并且在固定坐標(biāo)系中位于3D點與激光傳感器之間的線中的所有像素處設(shè)置1的障礙物不存在的概率來更新傳感器族圖330。在使用緩沖器傳感器180a的示例中，如果3D點存在，則可以通過在3D點所位于的圖330的像素中將障礙物不存在的概率設(shè)置為0來放置障礙物。如果對于這個傳感器沒有3D點存在，則沒有接觸出現(xiàn)在其位置上。因此可以通過在圖330中緩沖器傳感器所位于的像素中將障礙物不存在的概率設(shè)置為1來更新圖。

圖5提供像素區(qū)域的示例，其中在本發(fā)明的多個實施例中對圖進(jìn)行計算。

正方形500表示環(huán)境的限制，其中機器人進(jìn)行演變。這個環(huán)境可以是單個房間。機器人100位于位置520上。在多個實施例中，這個區(qū)域被設(shè)計為覆蓋機器人可能面對與障礙物的碰撞的即時威脅所處于的所有區(qū)域。

有利地，在實質(zhì)上以機器人520的位置為中心的正方形區(qū)域510中對圖進(jìn)行計算。盡管在所有過程期間圖保持實質(zhì)上關(guān)聯(lián)到機器人，機器人520的位置可以稍微不同于圖的中心。實際上，使機器人的位置精確地在圖的中心上將涉及在幾乎每個循環(huán)時轉(zhuǎn)變先前圖310的像素而移動非整數(shù)的像素，這將不是合乎需要的。因此，機器人位于圖510的中心附近，并且對圖進(jìn)行轉(zhuǎn)變，以便于使圖的中心在每個循環(huán)開始時接近機器人520的位置，其中機器人位置520離圖的中心比預(yù)定距離更遠(yuǎn)。

圖510的寬度530和像素尺寸540在圖尺寸和計算復(fù)雜度之間是折衷的。在多個實施例中，像素尺寸是碰撞避免距離的函數(shù)。其可以是感測障礙物和停止機器人的最小距離的函數(shù)。在多個實施例中，這個最小距離比最小機器人尺寸小幾倍。例如，可以為機器人100限定10cm的像素尺寸540。使用這樣的像素尺寸，機器人占據(jù)幾個像素的表面。因此，對于這種類型的機器人，像素尺寸540對障礙物的精細(xì)檢測是足夠的，同時限制像素的數(shù)量。圖的寬度530應(yīng)當(dāng)被設(shè)計為覆蓋機器人可能面向即時碰撞威脅所處于的區(qū)域，同時不太大以降低計算負(fù)荷。這可以被設(shè)計為覆蓋機器人可能在最大速度下在幾秒內(nèi)所位于的所有區(qū)域。這個寬度530以及像素尺寸540還可以為機器人模型或由機器人經(jīng)銷商預(yù)先確定以適合于機器人特定的應(yīng)用。在示例中，像素尺寸被限定為10cm并且圖的尺寸被限定為1.5m×1.5m，其表示30×30像素區(qū)域。因此，利用像素尺寸540和寬度530的合理限定，在這個區(qū)域中的障礙物不存在的概率的計算足以避免障礙物，同時限制圖的尺寸并且因而限制CPU和內(nèi)存使用率。與SLAM技術(shù)不同，在本發(fā)明中的障礙物的計算僅僅對有限的區(qū)域和有限數(shù)量的值出現(xiàn)，這減小障礙物存在計算的CPU和內(nèi)存占用量。而且，與SLAM技術(shù)不同，其提供了有界限的區(qū)域。

圖6提供在本發(fā)明的多個實施例中的障礙物不存在的概率的時間演變的示例。

使用先前傳感器族圖310來創(chuàng)建具有降低的置信度320的傳感器族圖。為了這個效果，在障礙物先前被檢測到(障礙物不存在的概率<0.5)的圖310中的所有像素使它們的障礙物不存在的概率增加，而障礙物被檢測到(障礙物不存在的概率>0.5)的像素使它們的障礙物不存在的概率降低。曲線圖600顯示對值未被新觀察更新的像素在連續(xù)更新上的障礙物不存在的概率的演變的示例。垂直軸610顯示在0和1之間的障礙物不存在的概率。水平軸620顯示連續(xù)更新的次數(shù)。雙向箭頭630表示任何障礙物像素有高于Ts_obs的障礙物不存在的概率所必需的更新的最大數(shù)量，并且因此被認(rèn)為是未知的呼叫。線640表示對于原始概率為1的像素的障礙物不存在的概率的演變的示例。線650表示對于原始概率為0的像素的障礙物不存在的概率的演變的示例。線660表示像素中的值被認(rèn)為是無障礙物時所高于的線，如果無障礙物閾值Ts_free的值稍微高于0.5，例如0.6。線670表示像素中的值被認(rèn)為是障礙物時所低于的線，如果障礙物閾值Ts_obs的值稍微低于0.5，例如0.4。

障礙物不存在的概率遵循幾何分布定律以從0或1的值收斂到值0.5。預(yù)定的收斂時間T_conv表示任何障礙物像素被認(rèn)為是未知像素時的時間。這個時間必須在不將像素認(rèn)為是障礙物(如果沒有新觀察觀察到位于其內(nèi)的障礙物)的能力和機器人的安全性之間是折衷的。它的值可以根據(jù)參數(shù)(例如機器人的速度或傳感器的更新頻率)來設(shè)置。它對于機器人模型可以是固定的或由機器人零售商設(shè)置為出于特定的目的進(jìn)行優(yōu)化。在示例中，Τ_conv被設(shè)置為5s。因此，更新630的最大次數(shù)等于用秒表示的Τ_conv乘以用每秒更新次數(shù)表示的更新頻率。在Τ_conv＝5s并且每秒20次更新的更新頻率的示例中，更新630的最大次數(shù)是100。

在幾何分布定律中，在圖320中的每個像素的值取決于在圖310中的這個像素的值。如果在圖320中的像素的值被限定為VC₃₂₀并且在圖310中的同一像素的值被限定為VC₃₁₀，則在步驟320中修改值的過程使用以下公式：VC₃₂₀＝R_temp*(VC₃₁₀-0.5)+0.5，其中R_temp比的特征在于幾何分布的時間演變。因此，根據(jù)Τ_conv來限定這個R_temp比，從而使具有0的初始障礙物不存在的概率的障礙物像素需要更新630的最大次數(shù)來得到高于障礙物閾值Ts_obs的障礙物概率。根據(jù)幾何分布定律，R_temp由以下公式給出：

在本發(fā)明的其它實施例中，障礙物不存在的概率隨著時間推移的演變是線性的。在多個實施例中，還可以通過降低可靠性信息來嵌入障礙物不存在的概率的這個自然演變，除了障礙物不存在的概率以外，該可靠性信息也被添加。

圖7顯示在本發(fā)明的多個實施例中的利用未知概率來進(jìn)行初始化并利用單個傳感器觀察來進(jìn)行更新的傳感器族圖的示例。

在本發(fā)明的多個實施例中，對于第一次更新，利用未知的概率來初始化先前傳感器族圖310，并且其所有的像素被設(shè)置為0.5。因此，步驟320沒有效果，并且在其結(jié)束時傳感器族圖在其所有的像素中仍然具有0.5的值。圖400表示在用來自一個傳感器311的數(shù)據(jù)更新之后的圖330中的一個。在這個示例中，使用距離傳感器，如超聲傳感器190的其中之一。這個傳感器觀察在表示它的視場的區(qū)域中的遠(yuǎn)處的障礙物。在示例中，視場是圓錐體，并且在每個方向上，它將所觀察到的最接近的點認(rèn)為是障礙物，并且將在傳感器和障礙物之間的線中的所有點認(rèn)為是無障礙物點。有利地，用來自一個傳感器331的數(shù)據(jù)的更新代替像素，其中障礙物由0的障礙物不存在的概率觀察，從創(chuàng)建用黑色顯示的障礙物像素710。其也代替像素，其中障礙物不存在由1的障礙物不存在的概率觀察，從而創(chuàng)建用白色顯示的無障礙物像素720。在這個示例中，沒有障礙物存在或不存在被觀察到的所有像素保持它們先前不存在的概率值0.5。在這個示例中，這些像素是用灰色顯示的障礙物未知像素730。

圖8a、8b、8c顯示在3次連續(xù)傳感器族圖更新過程之后的傳感器族圖340的示例，其中傳感器族圖包括單個傳感器，其位置是固定的并且其視場旋轉(zhuǎn)。

圖8d顯示在3次連續(xù)更新之后的傳感器族圖340的示例，其中傳感器族圖包括與在8a、8b、8c中相同的單個傳感器，伴隨有在第一和第二傳感器族圖更新過程之間的傳感器的額外轉(zhuǎn)變。

傳感器族圖800a表示在第一傳感器族圖更新過程320、330之后的傳感器族圖340的狀態(tài)。對于第一傳感器族圖更新過程，先前的傳感器族圖310以0.5的障礙物不存在的概率被初始化。在概率更新過程320之后，傳感器族圖在其所有的像素中仍然具有0.5的障礙物不存在的概率。在步驟330，應(yīng)用單個傳感器觀察，并且障礙物不存在或存在被檢測到時所處的像素被填充。傳感器檢測到障礙物像素830a并用0的障礙物不存在的概率對它們進(jìn)行填充，并且檢測到無障礙物像素820a并用1的障礙物不存在的概率對它們進(jìn)行填充。傳感器沒有觀察到任何東西時所處的所有像素810a保持0.5的障礙物不存在的概率。

傳感器族圖800b表示在第二傳感器族圖更新過程320、330之后的傳感器族圖340的狀態(tài)。因此對于傳感器族圖更新過程，傳感器族圖800a被用作先前傳感器族圖310。傳感器族圖過程使所有像素值更接近未知的不存在的概率0.5。因此，在先前觀察830b中觀察的障礙物像素具有高于0的障礙物不存在的概率，并且在第一觀察820b期間觀察的無障礙物像素具有低于1的障礙物不存在的概率。此外，來自傳感器的第二觀察已觀察到新障礙物和無障礙物區(qū)。因此，障礙物像素840b被填充有0的障礙物不存在的概率，并且無障礙物像素850b被填充有1的障礙物不存在的概率。

傳感器族圖800c表示在第三傳感器族圖更新過程320、330之后的傳感器族圖340的狀態(tài)。因此對于傳感器族圖更新過程，傳感器族圖800b被用作先前傳感器族圖310。傳感器族圖過程使所有像素值更接近未知的不存在的概率0.5。因此，在第一觀察830c期間觀察的障礙物像素具有比像素830b更高的障礙物不存在的概率，并且在第一觀察820c期間觀察的無障礙物像素具有比像素830c更高的障礙物不存在的概率。同時，在第二觀察840c期間觀察的障礙物像素具有略高于0的障礙物不存在的概率，并且在第二觀察850c期間觀察的無障礙物像素具有略低于1的障礙物不存在的概率。此外，來自傳感器的第三觀察已觀察到新障礙物和無障礙物區(qū)。因此，障礙物像素870c被填充有0的障礙物不存在的概率，并且無障礙物像素860c被填充有1的障礙物不存在的概率。

傳感器族圖800d表示在3個傳感器族圖更新過程之后的傳感器族圖340的狀態(tài)，其中傳感器也在它的第一和第二觀察之間執(zhí)行轉(zhuǎn)變。在這個圖中，無障礙物像素820d、850d和860d具有與在圖800c中的無障礙物像素820c、850c和860c相同的障礙物不存在的概率。同時，障礙物像素830d、840d和870d具有與障礙物像素830c、840c和870c相同的障礙物不存在的概率。然而，由于傳感器的轉(zhuǎn)變，它在第二和第三觀察期間的視場改變。因此，無障礙物像素850d和860d都是被包括在這些新視場中的無障礙物像素。

圖9a、9b、9c提供在本發(fā)明的多個實施例中的傳感器族圖的融合的示例。圖9a顯示包括障礙物像素910a、無障礙物像素920a和具有未知概率的像素930a的第一傳感器族圖900a。在先前更新期間觀察到障礙物和無障礙物像素910a和920a。因此，像素910a的障礙物不存在的概率略高于0，而像素920a的障礙物不存在的概率略低于1。圖9b顯示第二傳感器族圖900b。在最新的更新期間觀察到障礙物像素920b和無障礙物像素930b。因此，障礙物像素920b具有0的障礙物不存在的概率，而無障礙物像素930b具有1的障礙物不存在的概率。圖9c顯示在步驟360的步驟900a和900b的融合之后的最終融合結(jié)果圖900c。有利地，障礙物不存在的概率在至少一個傳感器族圖中低于閾值Ts_obs的像素被認(rèn)為是障礙物。

在障礙物像素910a和910b中的值都低于Ts_obs閾值。因此，在最終融合圖900c中的障礙物像素910c包括所有像素910a和910b，其障礙物不存在的概率的值被設(shè)置為0。在無障礙物像素920a和920b中的障礙物不存在的概率都高于Ts_free閾值。因此，在融合圖900c中的無障礙物像素920c包括所有無障礙物像素920a和920b，除了作為障礙物像素的像素910c以外。在最終融合圖900c中的未知像素930c包括在任何傳感器族圖中既不是障礙物也不是無障礙物像素的所有像素。

在多個實施例中，從圖900a和900b逐個像素地對融合圖900c進(jìn)行計算。第一步驟用于創(chuàng)建第一和第二臨時或預(yù)融合圖。在第一預(yù)融合圖中的每個像素被設(shè)置為在要合并的所有傳感器族圖中的相同像素的最小值，并且在第二預(yù)融合圖中的每個像素被設(shè)置為在要合并的所有傳感器族圖中的這個像素的最大值。過程隨后被應(yīng)用于第一預(yù)融合圖以將障礙物與所有像素分隔開：在第一預(yù)融合圖中的值低于Ts_obs的每個像素的值被設(shè)置為0，并且在第一預(yù)融合圖中的所有其它像素的值被設(shè)置為1。隨后，在融合圖中的每個像素的值是在第一和第二預(yù)融合圖之間的最小值。

用于融合的一般算法是：

^*得到每個源的最小值(min)和最大值(max)的兩個圖。

^*求最小值圖的閾值以只得到黑和白。

^*使用在最大值和已求閾值的最小值圖之間的最小值。

這個算法的實施例的示例性偽代碼是：創(chuàng)建兩個臨時圖TMPmax和TMPmin。

##最小值最大值步驟

對于TMPmin的每個像素(i,j)，TMPmin(i,j)＝min(900a(i,j),900b(i,j))

對于TMPmax的每個像素(i,j)，TMPmax(i,j)＝max(900a(i,j),900b(i,j))

##閾值二進(jìn)制步驟

然后對于在TMPmin中的每個像素pixel(i,j)，

如果TMPmin(i,j)<TSobs，則TMPmin(i,j)＝0

否則TMPmin(i,j)＝1

##我們在TMPmin中只有黑和白

##最小值步驟

##我們按照下文創(chuàng)建900c：

對于在900c中的每個像素(i,j)，

900c(i)＝min(TMPmin(i,j),TMPmax(i,j))

這樣的逐個像素的計算產(chǎn)生合乎需要的結(jié)果。實際上，在要合并的至少一個傳感器族圖900a、900b中值低于Ts_obs的每個像素在第一預(yù)融合圖中并且從而在融合圖900c中具有0的障礙物不存在的概率。不是障礙物像素的所有其它像素在第一預(yù)融合圖中具有1的概率。它們將因此在合并過程期間從第二預(yù)融合圖得到它們的值，并且如果在要合并的至少一個傳感器族圖900a、900b中的這個單元的值高于TS_free，則具有無障礙物單元概率。

以上所述的示例作為本發(fā)明的實施例的例示被給出。它們并不以任何方式限制由所附權(quán)利要求限定的本發(fā)明的范圍。