一种基于多模态感知的机器人智能驱动方法

摘要: 本发明涉及机器人自主导航,尤其涉及一种基于多模态感知的机器人智能驱动方法。背景技术:1、随着机器人技术的发展,足式机器人凭借多足运动方式和较强的地形适应能力,能...
一种基于多模态感知的机器人智能驱动方法

本发明涉及机器人自主导航,尤其涉及一种基于多模态感知的机器人智能驱动方法。

背景技术:

1、随着机器人技术的发展,足式机器人凭借多足运动方式和较强的地形适应能力,能够在楼梯、山地、废墟等非结构化环境中实现移动,逐渐应用于应急救援、工业巡检、复杂环境探测等领域。相较于轮式机器人,足式机器人可通过调整足端接触位置实现跨越障碍和复杂地形行走,因此对环境感知能力提出了更高要求。为了实现自主导航,足式机器人需要实时获取周围环境信息,并准确识别可通行区域及障碍物结构,为运动规划和足端落点选择提供依据。

2、现有足式机器人通常采用多传感器融合方式进行环境感知,其中激光雷达和惯性测量单元imu是常用的感知设备。激光雷达能够采集环境三维点云信息,用于构建空间地图和检测障碍物;imu能够提供机器人运动过程中的姿态和运动变化信息,用于辅助定位和运动状态估计。通过融合激光雷达与imu数据,可以提高机器人定位精度,并增强复杂环境下的感知能力。此外,部分技术采用基于栅格地图的点云处理方法,将三维环境信息转换为二维地图形式,以降低计算复杂度并实现障碍物检测。

3、然而,现有技术在应用于足式机器人复杂环境感知时仍存在不足,一方面,激光雷达与imu由于采样频率和数据时间基准不同,直接融合容易产生时间偏差,影响点云处理和定位精度;另一方面,机器人运动过程中激光雷达扫描形成的点云容易产生运动畸变,导致障碍物几何特征失真。此外,传统基于固定栅格的障碍物检测方式难以适应激光雷达点云随距离变化的分布特性,对于桌面、横杆等具有上下空间分离结构的悬空障碍物识别能力不足,容易影响足式机器人的通行判断。因此,如何基于多模态传感器数据实现对不同距离区域内复杂障碍物,尤其是悬空结构障碍物的准确识别,是当前足式机器人自主导航过程中亟需解决的技术问题。

技术实现思路

1、为此,本发明提供一种基于多模态感知的机器人智能驱动方法,用以通过融合激光雷达与惯性测量单元的多模态感知处理,并根据点云距离特性采用分区域障碍识别策略,结合高度统计特征实现复杂障碍物检测来克服现有技术中由于传统障碍物检测方法难以适应点云密度随距离变化的特性,导致悬空等特殊结构障碍物识别准确性不足的技术问题。

2、为实现上述目的,本发明提供一种基于多模态感知的机器人智能驱动方法,应用于配置有激光雷达和惯性测量单元imu的足式机器人,包括:

3、获取所述激光雷达采集的三维点云数据以及所述惯性测量单元imu采集的惯性测量数据,并对所述三维点云数据和所述惯性测量数据进行时间同步处理,以建立统一时间基准;

4、根据所述imu数据获得机器人运动过程中的连续位姿信息,并基于所述连续位姿信息对所述三维点云数据进行运动去畸变处理;

5、根据经过运动去畸变处理后的三维点云数据,按照点云距离方向和角度方向建立二维极坐标栅格地图;

6、针对所述二维极坐标栅格地图中的非空栅格,提取对应点云的高度统计特征;

7、根据栅格对应的点云距离及激光雷达点云密度随距离变化的分布特性,对所述二维极坐标栅格地图划分不同障碍识别区域,并根据所述障碍识别区域对应的高度统计特征确定障碍物状态,输出障碍物检测结果。

8、进一步地,所述二维极坐标栅格地图中的栅格划分,包括:

9、根据点云距离机器人中心的径向距离确定距离方向索引;

10、根据点云相对于机器人坐标系的水平夹角确定角度方向索引;

11、其中,距离方向对应的栅格尺寸随着点云距离增加而增大,以适配激光雷达角分辨率固定情况下远距离点云密度降低的特性。

12、进一步地,所述高度统计特征包括:栅格内点云最高高度、栅格内点云最低高度、栅格内点云高度差以及最大垂直间隙,其中,所述最大垂直间隙为按照点云高度值排序后,相邻高度点之间的最大高度差。

13、进一步地,所述根据所述障碍识别区域对应的高度统计特征确定障碍物状态,包括:

14、当栅格位于第一障碍识别区域时,根据栅格内点云最高高度确定障碍物状态;

15、当栅格位于第二障碍识别区域时,根据栅格内点云高度差以及最大垂直间隙确定障碍物状态。

16、进一步地,所述时间同步处理包括:

17、根据激光雷达扫描时间戳,在imu数据序列中确定对应时间区间;

18、对所述时间区间内的姿态数据进行球面线性插值;

19、对所述时间区间内的位置数据进行线性插值;

20、获得对应于激光雷达扫描过程的连续位姿信息。

21、进一步地,所述连续位姿信息由激光雷达惯性融合定位模块生成,其中,

22、所述激光雷达惯性融合定位模块包括:基于激光雷达点云约束和imu预积分约束进行状态更新的前端,以及,基于因子图优化并结合回环检测进行全局位姿优化的后端。

23、进一步地,在建立所述二维极坐标栅格地图之前,还包括:

24、根据预设距离范围、水平角范围以及高度范围对所述三维点云进行过滤;

25、并采用体素化降采样方式减少点云数量,以降低后续栅格计算的数据量。

26、进一步地,在进行障碍物识别之前,还包括:

27、根据机器人当前位姿,将连续多个采样周期获得的三维点云转换至统一坐标系;

28、对转换后的多帧点云进行融合累积,以增加远距离区域对应栅格内的点云数量。

29、进一步地,所述方法还包括:

30、根据所述障碍物检测结果生成机器人周围环境障碍物信息;

31、将所述环境障碍物信息输入机器人运动规划模块;

32、所述运动规划模块根据障碍物位置、高度以及机器人足部运动范围确定可通行区域,并生成对应运动控制指令。

33、进一步地,所述方法还包括:

34、在机器人运行过程中,根据实时更新的机器人位姿信息对所述二维极坐标栅格地图进行动态更新;

35、根据更新后的栅格点云高度统计特征重新执行障碍物判断,以实现机器人运动过程中的连续环境感知。

36、与现有技术相比,本发明的有益效果在于,本发明通过对激光雷达和imu数据进行时间同步,并利用机器人运动过程中的连续位姿信息对三维点云进行运动去畸变处理,降低了因传感器时间偏差和机器人运动造成的点云误差,提高了环境感知数据的准确性;进一步地,通过根据激光雷达扫描特性构建二维极坐标栅格地图,使栅格划分方式与点云距离变化规律相匹配,改善了传统笛卡尔栅格地图在远距离区域点云分布不均导致的检测稳定性不足问题;同时,通过针对不同距离区域采用不同障碍判断策略,在近距离区域利用点云最高高度快速识别障碍物,在远距离区域结合高度差和最大垂直间隙分析点云垂直分布特征,实现了对连续实体障碍物以及具有上下空间分离结构的悬空障碍物的有效区分,提高了足式机器人复杂环境下的障碍物识别精度和通行决策可靠性。此外,通过点云滤波、体素化降采样以及多帧点云融合处理,在保证障碍物特征完整性的同时降低了数据处理压力,使机器人能够在有限计算资源条件下实现连续、实时的环境感知。