【《基于仿生视觉的室内移动机器人节点地图的三维几何表示分析案例》3200字】_第1页
【《基于仿生视觉的室内移动机器人节点地图的三维几何表示分析案例》3200字】_第2页
【《基于仿生视觉的室内移动机器人节点地图的三维几何表示分析案例》3200字】_第3页
【《基于仿生视觉的室内移动机器人节点地图的三维几何表示分析案例》3200字】_第4页
【《基于仿生视觉的室内移动机器人节点地图的三维几何表示分析案例》3200字】_第5页
已阅读5页,还剩3页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于仿生视觉的室内移动机器人节点地图的三维几何表示分析案例目录TOC\o"1-3"\h\u25005基于仿生视觉的室内移动机器人节点地图的三维几何表示分析案例 1183651.1引言 1304821.2体素网格滤波器 162621.3基于八叉树结构的节点地图处理 2272161.4基于面元三角化的节点地图处理 4179531.5节点地图处理结果及对比 61.1引言点云地图根据特征点的分布密集程度可以分为稀疏、半稠密以及稠密地图。在本文之前章节中,基于ORB特征点法的视觉SLAM构建的地图为稀疏地图,基于仿生视觉构建的节点三维重建为稠密地图,点云地图在构建过程中存在一定的优势,但是为了更好地实现机器人的实时导航任务和满足人类可视化和人机交互方面的需求,本章将对获得的点云地图做进一步的处理。第1.2节为节点地图的体素网格滤波,第1.3小节为基于八叉树结构的节点地图优化。在1.4节进行基于面元三角化的节点地图处理,改善地图可视化效果。在1.5小节,基于实验对本文算法进行验证,显示了其用于导航任务的可行性。1.2体素网格滤波器在上文中,我们通过基于仿生视觉的三维重建方法得到了局部的节点地图,它的储存形式为三维点云结构,点云结构在空间表示形式上是离散的。在实际建图过程中,会对点云进行进一步的处理。为了在人进行相关处理时根据不同任务获得更好的体验,会进行额外的滤波处理。为了让地图满足机器人的导航相关需求,也需要对地图进行进一步的处理。在本节中,首先对点云地图进行外点去除滤波,可以去除孤立的噪声点。然后采用体素网格的降采样滤波,实现三维结构,从而可以进行调整分辨率,节省存储空间。体素网格滤波是通过PCL点云库实现的,它的实现主要流程如下:(1)在生成点云结构地图过程中,根据传感器的有效量程提前去掉不符合要求的点。本文采用的深度相机参数如表2-1所示,由于对于不符合实际要求的深度值可信度较低,可以令它的返回值为0。(2)去除孤立的点时采用概率统计的滤波方法。这样操作可以去除孤立的噪声点,从而只保留物理空间上聚合的点。(3)对参与构建地图的点云进行筛选,减少重合。一个场景内的点云是由多个视角组成的,多个视角之间存在视野重叠,在重叠区域存在着大量重复的相同或者相近的点云,这样会造成极大的存储空间浪费。体素滤波是将点云进行体素化,可以保证在一个单位大小的立方体空间内仅存在一个点,相当于实现了对空间的降采样操作,从而达到地图体素化的同时,实现节省存储空间的目的。1.3基于八叉树结构的节点地图处理在上文中,我们通过基于仿生视觉的三维重建方法得到了局部的节点地图,它的储存形式为三维点云结构。点云结构仍有其不足之处:点云结构地图通常占据较大的存储资源。一幅常见的几十万个空间点的图像,需要大量的存储空间,即使经过体素滤波后的地图文件对于常见的机器人嵌入式系统也显得庞大冗杂。点云地图占用庞大的存储空间消耗,并不带来相应的建图质量和导航能力支持方面的提升。对于导航来说,点云地图提供的细节是过多的,导航不需要关心纹理阴影对地图的影响。在这种情况下,除非大幅度降低分辨率,否则难以在有限的计算和存储资源下构建出较大的环境,然而大幅度降低分辨率又会导致地图质量大幅度下降,所以需要对地图进行压缩存储,舍弃一些重复信息。点云地图难以处理实时运动的物体。在处理点云结构的数据时,只有添加操作而没有移除操作,这不符合实际环境中机器人导航任务的要求,运动物体的存在,使得点云地图在此种情况下不够实用。有一种在机器人导航中运用较为广泛、压缩性能优良还能随时更新的地图形式,可以解决以上问题,就是八叉树地图。在地图构建领域,将三维空间建模为体素的占据空间为目前常见的做法。将小方块的每一面都平均地从中间切开,那么这个方块则会被分割成八个等大小的方块。按照这个步骤进行重复,则可以将方块大小迭代到所需要建图模型的最高精度。如图5-1所示,整个大的立方体空间可以被当成根节点,最小的立方体空间则可以被看为叶子节点。那么在八叉树结构中,从下一层节点转化到上一层节点时,相应地图的体积会扩大为八倍,体积和深度呈指数关系增长。为了节省空间,八叉树结构中会保存是否占据的信息,当一个上级节点的每个子节点的占据状态一致(都被占据或都不被占据)时,这个节点则不会被展开。一开始的地图为空白地图,那么它只需要一个根节点,没有子节点组成的树状结构。现实环境的地图,实际物体和空闲空间常常是相连的,那么大多数八叉树节点不会展开到所有的叶子节点,从而使八叉树结构比点云结构节省大量的存储空间。图5-1八叉树结构示意图[1]Figure5-1Diagramofoctreestructure[1]在SLAM应用中,对于八叉树结构的空间占据,可以用概率的方式进行估计和建模,即用一个0到1范围内的浮点数来表示节点的占据状态。对于未观测到的空间,将其初始化为0.5,随着观测结果的更新,这个值会随着被观测到的次数呈正相关变化。这种方式可以建模地图的障碍物占据信息,但是如果空间占据的概率浮点数x不断增大或减小,那么它可能突破0到1的限制,对于这个问题,用概率对数值进行描述:(5-1)它的反变换为:(5-2)那么对于地图的八叉树结构,通过存储来表示节点的占据状态。当需要查询节点的占据概率,再通过逆变换即可。它的数学形式表达为,设某节点为,它的观测数据为。那么它从开始时刻到时刻的节点占据状态概率对数值为,则时刻为:(5-3)它的概率的直接形式为:(5-4)根据对数概率,可以实现RGBD数据更新八叉树结构地图。对于在RGBD相机中观测数据为一个像素点的深度为,则说明,在此深度值所对应的空间点上为占据状态,并且,从光心到此空间点上的线段为非占据状态。本文采用octomap进行地图构建,这种结构的地图只携带点的空间位置。本文根据RGB-D图像和相机姿态信息,先将点坐标转换为世界坐标,然后放入八叉树地图的点云中,最后得到八叉树结构地图。1.4基于面元三角化的节点地图处理三角面元广泛应用于建模领域,基于三角面元的网格融合方法主要分为三种:基于裁剪的方法、基于补洞的方法、基于微分网格变形的方法。本文采用基于Delaunay三角的剖分算法[59],该算法为适用于实时有限元分析的网格生成算法,它采用并行插入和删除网格节点。Delaunay图是Voronoi图的对偶,Voronoi图是由所有相邻点所构成线段的垂直平分线组成的连续多边形集合,对二维平面Voronoi图进行数学描述为,有S为二维平面点集,若存在一个区域,任意点x到p的距离都小于等于x到q的距离,该区域为其Voronoi图[60],定义为公式(5-5),Voronoi及Delaunay结构如图5-2。(5-5)a)Voronoi结构b)Delaunay结构a)Voronoistructureb)Delaunaystructure图5-2Voronoi图及Delaunay图结构Figure5-2StructureofVoronoiandDelaunay对输入点云进行密集处理,结合平面扫描和立体匹配,为相机Ci生成稠密地图DMi,并估计相应的密集点云。网格重建算法创建了三维点云的三维Delaunay三角剖分,对于每个空间定义和分别代表自由空间状态和物质占据状态。对于每一条从C相机到p点的可见光线Cp都被追踪到三角剖分,对于每穿过一个四面体:(5-6)之后Cp延伸至点p后,对于每个通过此延伸的四面体:(5-7)对给定凸多边形进行Delaunay三角剖分,流程如图5-3。给定凸多边形给定凸多边形剖分轮廓线,添加到点集,设置各点边界及材料属性剖分轮廓线,添加到点集,设置各点边界及材料属性平分最大边添加到点集,该点边界条件取决于该边的边界条件设定平分最大边添加到点集,该点边界条件取决于该边的边界条件设定对点集进行三角化对点集进行三角化计算当前网格中最大三角单元计算当前网格中最大三角单元否否该面积满足要求该面积满足要求是是剖分结束剖分结束图5-3凸多边形Delaunay三角剖分流程图Figure5-3Delaunaytriangulationflowchartofconvexpolygons在点云地图的网格重建过程中,网格重建程序从空间自由权重最高的四面体开始,迭代地收集邻近的所有自由空间四面体,使其流形性质始终充满整个物质空间。一个四面体如果对自由空间的概率权重比物质占据状态高,那么它被认为是自由空间。则采集的四面体与未采集的四面体之间的边界是重建的三维流形模型。1.5节点地图处理结果及对比将原始点云进行体素滤波处理,室内环境点云地图如图5-4所示,对体素大小进行分级设置,体素滤波后的地图如图5-5所示。图5-4室内环境点云地图Figure5-4Pointcloudmapofindoorenvironmenta)0.08mb)0.04m c)0.02md)0.01me)0.08mf)0.04mg)0.02mh)0.01m图5-5八叉树结构地图Figure5-5Octreemap点云结构地图与八叉树结构地图占据存储空间对照如表5-1所示,根据八叉树结构地图结果显示,选取精度0.04m仍然可以良好表示环境空间结构,故表中八叉树结构地图选取精度为0.04m。由对比可知,在满足导航任务需求条件下,八叉树结构地图相比点云地图最多可以节省约70%存储空间。表5-1点云结构地图与八叉树结构地图占据存储空间对照Table5-1Comparisonofmapstoragespacewithpointcloudstructureandoctreestruct

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论