一种基于语义地图的机器人自主导航方法与流程

本发明涉及移动机器人自主导航，尤其涉及面向室内服务机器人、巡检机器人与配送机器人等典型应用场景的、基于语义地图与代价场塑形相结合的机器人自主导航方法。

背景技术：

1、机器人自主导航是移动机器人最基础的能力之一，近年来随着室内服务机器人、巡检机器人与商业配送机器人等场景的快速发展，如何让机器人在含有家具、设备、行人等多类物体的真实工作环境中实现高效与可靠并存的自主导航，已经成为本领域的核心研究方向。传统方法依赖二维占据栅格地图对工作环境的物理障碍做几何描述，在路径搜索阶段把所有障碍同等处理为不可穿越区域，缺少对障碍物语义类别与时间稳定性的刻画。

2、当前主流改进路线是在传统占据栅格地图的基础上叠加一层语义信息，形成所谓的语义地图。该路线把工作环境内分立物体识别为语义实例，为每个实例标注类别标号并把语义信息融入导航代价图，使机器人具备区分桌椅、墙壁、行人、设备等不同障碍类别的能力，并据此对不同类别的障碍指定不同的导航代价。该路线已在物体目标导航、视觉语言导航等任务上取得显著进展。

3、然而，现有主流语义导航地图普遍存在一个被长期忽视的细微痛点：把同一语义类别下的不同实例同等对待，忽略了同类别不同实例之间的稳定性差异。举一个直观的生活例子说明该痛点：在一间办公区域中同时摆放有办公工位上的转椅与会议茶歇区的餐椅，二者在语义识别模型的输出中被同等标注为椅子，但二者在真实工作环境中的位置稳定性差异极大，办公工位上的转椅几乎每天回到完全相同的位置，会议茶歇区的餐椅则经常被使用者随意挪动到完全不同的位置。现有语义导航地图把这两类椅子按同样的导航代价对待，导致机器人对所有椅子要么整体过度绕行（把易挪椅子也当作不可移动的硬障碍）、要么整体频繁规划失败（把稳定椅子也当作可直穿的可移动障碍）。虽然部分文献尝试在语义地图层引入语义类别先验做粗粒度可移动性区分，但仍无法解决同一类别下不同实例之间的稳定性差异问题。

4、现有方法的根本症结是只关心语义实例当前所属的语义类别，却未关心同一语义类别下不同实例在过去多次观测中所表现出的位置稳定性差异。本质上，现有方法把语义类别与空间位置压缩为单一标签，丢失了实例稳定性这一对路径规划至关重要的维度。认知心理学与机器人学领域已经观察到，对同一物体经过多次重复观测得到的位置漂移频次可作为该物体在长期工作环境中的稳定性指标，这一现象早在长程地图维护与终生定位等研究方向中已作为已知物理事实存在，但尚未被工程化为基于语义地图的机器人自主导航的路径规划代价函数自然变量。

5、因此，本领域迫切需要一种机器人自主导航方法，使机器人在含有大量同类不同稳定性实例的真实工作环境中兼顾路径效率与避障可靠性这两个相互制约的目标。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于语义地图的机器人自主导航方法。本发明在传统语义地图的栅格层与语义类别层之外新增实例层，为每条已建图语义实例独立维护稳定性累积分数与累积观测次数，通过三区间归入规则把每轮次观测自然累积到实例稳定性分数，并把实例稳定性分数作为代价乘子注入导航代价图，实现同一语义类别下不同实例的稳定性差异化代价分配，兼顾路径效率与避障可靠性。

2、本发明所述方法包括以下步骤：s0，获取机器人对工作环境的初始语义地图，所述初始语义地图包括栅格层与实例层，所述栅格层为工作环境的二维占据栅格表示，所述实例层为工作环境内分立物体的逐物体记录，所述实例层中每条实例记录包括语义类别标号、当前观测位置中心坐标、历史观测位置中心坐标序列、稳定性累积分数与累积观测次数。s1，当前轮次对工作环境执行新一轮观测，对所述实例层中每条已建图实例，计算当前轮次观测位置中心坐标与该实例历史观测位置中心坐标序列均值之间的欧氏距离，作为该实例的位置漂移距离。s2，对每条已建图实例按下述三种区间归入一种：未观测到归入暂未观测区间，稳定性累积分数不变；位置漂移距离不大于预设位置一致距离阈值归入位置一致区间，稳定性累积分数加预设正向增量；位置漂移距离大于预设位置漂移距离阈值归入位置漂移区间，稳定性累积分数减预设负向增量。s3，对每条已建图实例按预设老化函数对各次观测加权求和，得到本实例的实例稳定性分数ω，所述实例稳定性分数ω落入[0，1]。s4，对每条已建图实例所占据的栅格，将栅格的基础障碍代价乘以本实例的稳定性分数ω得到实例化软障碍代价，由实例化软障碍代价场与栅格层中固定障碍标识共同构成本轮次导航代价图，在所述导航代价图上以预设路径搜索算法搜索机器人当前位姿到导航目标点的最优路径，并按所述最优路径执行运动控制。

3、本发明的有益效果包括：第一，通过实例级稳定性累积分数代替类别级先验，使同一语义类别下不同实例获得差异化的导航代价分配；第二，通过三区间归入与指数加权老化机制，自动捕获分钟级到日级的慢速漂移而不受单次测量噪声影响；第三，本发明不引入神经网络也不依赖训练数据，全部计算均为几何距离与加权求和，单次更新计算复杂度为常数级，单实例存储开销低于1000字节，可部署于通用嵌入式控制器实现实时运行。

1.一种基于语义地图的机器人自主导航方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述预设位置一致距离阈值的取值不大于20厘米，所述预设位置漂移距离阈值的取值不小于50厘米，所述预设正向增量δ与所述预设负向增量δ的取值均为1。

3.根据权利要求1所述的方法，其特征在于，所述预设老化函数为指数加权老化函数，对累积观测次数中的每一次观测按距离当前轮次的轮次差赋以基数为预设老化基的幂权重，所述预设老化基的取值不小于0.8且不大于0.99，把所有观测的位置一致区间命中与否按所赋权重加权求和后除以权重之和，得到所述实例稳定性分数ω。

4.根据权利要求1所述的方法，其特征在于，所述栅格的基础障碍代价按下述方式取值：对所述栅格层中标识为固定障碍的栅格取最大代价值，对所述实例层中实例所占据的非固定障碍栅格按实例外轮廓向外作距离衰减，距实例外轮廓不大于预设安全裕度距离的栅格取中等代价值，距实例外轮廓大于所述预设安全裕度距离的栅格取零代价。

5.根据权利要求1所述的方法，其特征在于，所述当前观测位置中心坐标按下述方式获取：对每条已识别的语义实例，提取本轮次观测到的该实例所占据像素的深度信息，由所述深度信息计算该实例的三维包围盒，取所述三维包围盒在工作环境地面上的投影中心作为该实例的当前观测位置中心坐标。

6.根据权利要求1所述的方法，其特征在于，在s1中，对当前轮次新检出的每个语义实例与所述实例层中已记录实例的配对按下述方式执行：对每条候选已记录实例与当前轮次实例，计算二者语义类别标号是否相同，若语义类别标号相同且二者位置中心坐标的欧氏距离不大于预设配对距离阈值，则将当前轮次实例与该候选已记录实例配对；

7.根据权利要求1所述的方法，其特征在于，所述预设路径搜索算法为以下任一种：a星搜索算法、dijkstra搜索算法、快速行进法、或者带随机采样的快速扩展随机树算法；

8.根据权利要求1所述的方法，其特征在于，对所述实例层中实例稳定性分数ω小于预设极低稳定性阈值的实例，在s4形成本轮次导航代价图时，将该实例所占据的栅格的实例化软障碍代价进一步乘以预设极低稳定性折减系数，所述预设极低稳定性阈值的取值不大于0.2，所述预设极低稳定性折减系数的取值不大于0.3。

9.根据权利要求1所述的方法，其特征在于，对所述实例层中累积暂未观测区间命中次数超过预设遗忘上限阈值的实例，从所述实例层中清理该实例的全部记录，所述预设遗忘上限阈值的取值不小于20次。

10.一种基于语义地图的机器人自主导航装置，其特征在于，包括：初始化单元，用于获取机器人对工作环境的初始语义地图，所述初始语义地图包括栅格层与实例层，所述实例层中每条实例记录包括语义类别标号、当前观测位置中心坐标、历史观测位置中心坐标序列、稳定性累积分数与累积观测次数；