本發(fā)明屬于計算機視覺識別技術(shù)領(lǐng)域，涉及一種移動機器人對環(huán)境識別定位的方法，具體涉及一種移動機器人對室內(nèi)環(huán)境進行高效簡單識別及定位的方法。

技術(shù)背景

目前移動機器人室內(nèi)定位多數(shù)采用激光雷達掃描構(gòu)建二維地圖(如掃地機器人)定位和采用計算機視覺領(lǐng)域的圖像特征提取和特征匹配等一系列復(fù)雜方法來完成物體識別和定位，這些方法的缺點是成本高和較復(fù)雜。

技術(shù)實現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明提供了一種新的移動機器人室內(nèi)環(huán)境識別和定位的方法，與人對室內(nèi)環(huán)境識別和自身定位的方法相接近，并且對環(huán)境識別和定位的魯棒性增強，實時性強，效率更高。

本發(fā)明所采用的技術(shù)方案是：一種基于視覺的移動機器人室內(nèi)環(huán)境識別定位方法，其特征在于，包括以下步驟：

步驟1：利用圖像數(shù)據(jù)庫，進行深度學(xué)習(xí)，得出深度學(xué)習(xí)模型；

步驟2：確定拓撲節(jié)點和確定節(jié)點自然路標，構(gòu)建拓撲地圖；

步驟3：將每個節(jié)點自然路標以單詞形式命名，構(gòu)建詞袋模型；

步驟4：實時采集圖像，利用深度學(xué)習(xí)模型，對自然路標進行識別；

步驟5：利用步驟4中自然路標識別結(jié)果，結(jié)合詞袋模型，進行自然路標匹配；

步驟6：利用匹配結(jié)果，結(jié)合拓撲地圖，進行模糊推理，實現(xiàn)室內(nèi)環(huán)境識別定位。

本發(fā)明的優(yōu)點在于：

(1)通過深度學(xué)習(xí)的方法對室內(nèi)環(huán)境物體識別，準確率和效率都比傳統(tǒng)圖像特征匹配法高；

(2)構(gòu)建室內(nèi)環(huán)境拓撲地圖和詞袋模型，比激光雷達構(gòu)建二維地圖成本要低，并且方法簡單，更向人工智能靠近。

附圖說明

圖1是本發(fā)明實施例的移動機器人離線狀態(tài)下需要完成任務(wù)的流程圖；

圖2是本發(fā)明實施例的移動機器人在線狀態(tài)下完成識別定位流程圖。

具體實施方式

為了便于本領(lǐng)域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及實施例對本發(fā)明作進一步的詳細描述，應(yīng)當(dāng)理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

本實施例首先移動機器人在離線狀態(tài)下對圖像數(shù)據(jù)集進行深度學(xué)習(xí)，得到訓(xùn)練模型，同時構(gòu)建拓撲地圖和詞袋庫，然后移動機器人在線狀態(tài)下通過攝像頭采集實時圖像，輸入訓(xùn)練好的模型，識別出實時圖像中的自然路標，最后通過自然路標匹配，結(jié)合詞袋庫和拓撲地圖就可以模糊推理出移動機器人的大概位置。

本發(fā)明提供的一種基于視覺的移動機器人室內(nèi)環(huán)境識別定位方法，其特征在于，包括以下步驟：

步驟1：利用圖像數(shù)據(jù)庫，進行深度學(xué)習(xí)，得出深度學(xué)習(xí)模型；

圖像數(shù)據(jù)庫運用現(xiàn)有的imagenet數(shù)據(jù)集，采用卷積神經(jīng)網(wǎng)絡(luò)(cnn)提取圖像特征，采用cnn訓(xùn)練其中一個優(yōu)點能權(quán)重(卷積核)共享，就是直接用世界上別人訓(xùn)練效果非常好的權(quán)重參數(shù)，再根據(jù)實際任務(wù)(需要識別分類哪些物體)，通過fineturn算法對自己要訓(xùn)練的網(wǎng)絡(luò)進行參數(shù)初始化和一些模塊參數(shù)改變。最終得到自己想要的深度學(xué)習(xí)模型。

步驟2：確定拓撲節(jié)點和確定節(jié)點自然路標，構(gòu)建拓撲地圖；

具體實現(xiàn)包括以下子步驟：

步驟2.1：將室內(nèi)環(huán)境中預(yù)定位置(例如：廚房、客廳、臥室、陽臺、走廊、書房、衛(wèi)生間這些空間分別設(shè)定為不同的節(jié)點)設(shè)定為拓撲節(jié)點；

步驟2.2：將每個節(jié)點自然路標以單詞形式命名，節(jié)點與節(jié)點間連線為走道。

步驟3：將每個節(jié)點自然路標以單詞形式命名，構(gòu)建詞袋模型；

節(jié)點自然路標主要由一些特定物體組成(廚房里固定的物體如鍋、油煙機、冰箱等可視作自然路標)，節(jié)點處這些物體組成小詞袋。

步驟4：實時采集圖像，利用深度學(xué)習(xí)模型，對自然路標進行識別；然后以單詞形式輸出。

步驟5：利用步驟4中自然路標識別結(jié)果，結(jié)合詞袋模型，進行自然路標匹配；

步驟6：利用匹配結(jié)果，結(jié)合拓撲地圖，進行模糊推理，實現(xiàn)室內(nèi)環(huán)境識別定位。

請見圖1和圖2，本實施例的深度學(xué)習(xí)、構(gòu)建拓撲地圖、建立詞袋模型和標定節(jié)點自然路標都是離線狀態(tài)執(zhí)行的；而實時采集圖像、自然路標識別、單詞匹配、模糊推理都必須在線狀態(tài)執(zhí)行。

應(yīng)當(dāng)理解的是，本說明書未詳細闡述的部分均屬于現(xiàn)有技術(shù)。

應(yīng)當(dāng)理解的是，上述針對較佳實施例的描述較為詳細，并不能因此而認為是對本發(fā)明專利保護范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā)明的請求保護范圍應(yīng)以所附權(quán)利要求為準。

技術(shù)特征：

技術(shù)總結(jié)
本發(fā)明公開了一種基于視覺的移動機器人室內(nèi)環(huán)境識別定位方法，首先移動機器人在離線狀態(tài)下對圖像數(shù)據(jù)集進行深度學(xué)習(xí)，得到深度學(xué)習(xí)模型，同時構(gòu)建拓撲地圖和詞袋模型，然后移動機器人在線狀態(tài)下通過攝像頭采集實時圖像，輸入深度學(xué)習(xí)模型，識別出實時圖像中的自然路標，最后通過自然路標匹配，結(jié)合詞袋庫和拓撲地圖就可以模糊推理出移動機器人的大概位置。本發(fā)明通過深度學(xué)習(xí)的方法對室內(nèi)環(huán)境物體識別，準確率和效率都比傳統(tǒng)圖像特征匹配法高；構(gòu)建室內(nèi)環(huán)境拓撲地圖和詞袋模型，比激光雷達構(gòu)建二維地圖成本要低，并且方法簡單，更向人工智能靠近。

技術(shù)研發(fā)人員：劉訪;趙慧;舒作武;周爽;張錦
受保護的技術(shù)使用者：武漢科技大學(xué)
技術(shù)研發(fā)日：2017.07.07
技術(shù)公布日：2017.09.15