一种机器人语义地图导航方法与流程

1.本发明涉及机器人语义地图导航技术领域。


背景技术：

2.近些年，服务机器人语义导航算法研究逐渐加深，通过语义导航逐步成为热点问题。这些方法采用视觉算法，通过观测的实物，逐步指示机器人移动，直到机器人到达指定目标点或者区域。
3.现有的一些语义导航的服务机器人，如yi等人将物体及其空间形成一定的语义关系，同时结合机器人里程计信息，形成拓扑关系的语义地图，采用贝叶斯定位模型，通过定位实现服务机器人导航，该方法利用设置好的物体空间关系，利用这种物体空间拓扑关系实现导航。如segvic等人与blanco等人采用与yi类似的语义导航方法，不同点在于，segvic等人提出关键帧与混合地图匹配的原则，在某些特定未知环境也可实现导航，blanco等人采用基于混合地图的置信度分配方法，减少了由环境改变带来的空间不确定性影响，提高了稳定性及效率。再如2012年ko等人通过机器人的位置关系与视觉路标建立语义地图。将路标、区域及它们之间的语义关系构成语义地图，并在此基础上，实现类似人行为的语义导航，该方法采用roi及特征识别实现机器人导航，如果机器人在某段时间没有发现特征，会影响整个导航过程。2013年ko等人采用贝叶斯构建语义地图，实现语义导航。机器人移动过程中，不断记录存储用于导航的景物以及相对方向，形成的语义导航实际上采用不停估计服务机器人当前位置，以及比对记录下的景物，根据其相对方向引导机器人靠近目标的过程，该方法同样采用视觉方法，识别景物失败时，导航失效。还有，如2014年kim等人提出了一种基于视觉的语义导航框架，通过机器人连接室内环境照片，并通过遍历这些图片序列实现语义导航，这种方法需要逐帧遍历图片，运算量较大。
4.可见，当前现有的服务机器人大多仅关注房间整体的空间语义，在不同的房间完成不同的任务，但是实际生活中服务机器人在房间内的任务是多变的，在不同区域可有不同任务，因此现有的服务机器人不能更为智能的认知空间语义、理解自然语言，更有效的去执行语义任务。


技术实现要素：

5.本发明的目的在于提供一种能够使得服务机器人更有效的认知空间语义、理解自然语言进行语义任务导航的一种机器人语义地图导航方法，该方法将空间划分语义区域与实体构建实体关系，在接收到语义任务时能够映射构建出语义区域与实体关系的拓扑关系，最终达到语义区域上的无定位导航。
6.为实现上述目的，本发明的技术方案是：一种机器人语义地图导航方法，
7.通过如下方法步骤的语义地图构建，
8.步骤一、通过激光传感器扫描固定空间轮廓的得到空间环境信息，
9.步骤二、将固定空间划分出特定属性的语义区域，并根据语义区域划分从环境信
息中采集出多点作为语义标识，形成语义区域由语义标识组成的网状结构，
10.步骤三、建立语义内容任务库；
11.通过如下方法步骤实现语义地图的导航，
12.步骤1、机器人接收到语义任务，采集语义任务内容从语义内容任务库分析得出要进行的执行任务形成实体语义关系，
13.步骤2、通过激光传感器扫描并与语义标识进行比较得出当前位置，并根据实体语义关系中实体与语义区域的映射建立出当前位置所在的语义区域至执行任务位置所在的语义区域的拓扑关系，
14.步骤3、根据拓扑关系从语义地图中计算出连通当前位置所在的语义区域至执行任务位置所在的语义区域的最优路径，实现语义导航。
15.上述步骤3最优路径的计算采用符合下列原则的最短路径进行选择，
16.原则一、机器人从当前位置所在的语义区域移动至相邻的语义区域按照语义区域的连通沿水平或垂直方向移动，
17.原则二、机器人从当前位置所在的语义区域移动至相邻的语义区域旋转转向次数最少。
18.所述步骤3最优路径的计算方法是这样的，设定如果机器人经过的上次语义区域的朝向o
i
与机器人当前所在区域的朝向o
j
相同，则机器人从同一固定空间的房间r内相邻的语义区域m到语义区域n的方向如果o
i
与o
j
相差90
°
，那么如果o
i
与o
j
相差180
°
，那么
19.机器人转移概率
20.机器人规划当前房间中的路径计算公式为：
21.式中，c
t
表示t时刻机器人所在的语义区域，r
m
与r
n
表示相同房间相邻语义区域，o表示语义区域相邻的四个方向，ω
o
表示旋转方向，表示从m移动到n之后的朝向；
22.根据贝叶斯网络的递推关系，得到每条路径的概率其中，最大的为机器人应该经过的路径，表示全部经过的语义区域。
23.所述固定空间为多个房间，各房间分别进行语义地图构建，然后将各房间构建出来的语义地图拼接构建出整体语义地图，在步骤3中是各房间分别计算出最优路径，然后将各房间中的最优路径拼接出完整的最优导航路径。
24.所述激光传感器为360度扫描的2d激光传感器。
25.通过采用上述技术方案，本发明的有益效果是：上述的一种机器人语义地图导航
方法是一种基于语义区域的语义地图结构，通过固定空间内的实体构建出与语义任务的实体关系，语义区域是通过机器人扫描采集出语义标识构建出，再通过语义区域与实体关系的映射构建出语义区域的拓扑关系，最后通过贝叶斯网络实现语义区域上无定位导航，解决了机器人在固定空间内执行语义任务的问题。可见，应用本发明技术方案的机器人对固定空间的关注是分为多个区域，而各个区域是分别赋予了任务对应的语义，而不是空间整体的空间语义，因此本应用发明技术方案的机器人在固定空间内是能够实现多变任务的，实现执行不同的语义任务，从而实现本发明能够使得服务机器人更有效的认知空间语义、理解自然语言，更为智能的进行语义任务导航。另外本发明的一种机器人语义地图导航方法可应用领域广泛，生活、商业、制造业等都可应用，如应用于生活中的服务机器人、应用于商业展厅的服务机器人等等。
附图说明
26.图1是本发明涉及的一种机器人语义地图导航方法的实施例语义标识及语义区域示意图；
27.图2是本发明涉及的一种机器人语义地图导航方法的实施例实体语义关系示意图；
28.图3是本发明涉及的一种机器人语义地图导航方法的实施例拓扑关系示意图；
29.图4是本发明涉及的一种机器人语义地图导航方法中应用得贝叶斯网络的示意图。
具体实施方式
30.为了进一步解释本发明的技术方案，下面通过具体实施例来对本发明进行详细阐述。
31.本实施例公开的一种机器人语义地图导航方法是这样的，如图1
‑
4所示示例的结构示意图，首先，通过如下方法步骤的语义地图构建，
32.步骤一、通过激光传感器扫描固定空间轮廓的得到空间环境信息；现常见的激光传感器有可实现360度扫描的2d激光传感器和多线激光传感器，可根据机器人应用领域和机器人所要执行的任务需要来选择，例如本实施例用于固定空间的使用可采用360度2d激光传感器，相比应用多线激光传感器可减少系统内部的计算量。
33.步骤二、将固定空间划分出特定属性的语义区域，并根据语义区域划分从环境信息中采集出多点作为语义标识，形成语义区域由语义标识组成的网状结构。这里固定空间的划分主要是人根据空间内的用途来对该固定空间进行划分出语义区域(如图1中所示的各方格)的，而特定属性是指在该固定空间中这个语义区域的是唯一存在的，如图1中的固定空间存在三个房间，一个房间可算为一个固定空间，在这个固定空间内语义区域为
“ⅰ”
的只存在一个，避免语义区域混乱。语义标识如图1中所示的星符号，采集出这些语义标识既用于语义区域划分形成网状结构，还用于机器对比判断当前所在的语义区域。
34.步骤三、建立语义内容任务库，如包括有语义内容库、语义区域实体任务库及两者关联的语义任务库；语义内容库如“做饭”“关电视”“拿衣服”等简单任务语义，语义区域实体任务库是指各语义区域对应内实体要进行的任务，如在实体为衣柜的语义区域内可以进
行的可能是拿衣服、放衣服等的任务，而语义内容库与语义区域实体任务库关联的语义任务库是指一系列任务，如语义内容为“炒菜”，那么对应的语义任务包括的会是一系列的任务，如从到冰箱的语义区域从冰箱里取出蔬菜—将冰箱取出的蔬菜拿到洗菜的语义区域进行洗菜—将洗好的蔬菜拿到到灶台的语义区域进行炒菜—将抄好的蔬菜拿到餐桌区域放在餐桌上等，这是从一个简单的语义任务基础上，加入了逻辑操作的系列任务，这里多说明一下，本发明提供的是语义地图导航方法，因此是对进行上述系列任务在不同语义区域的导航路径的规划，而对于机器人如何从冰箱中取出蔬菜、洗菜、炒菜、放上餐桌等的动作、识别、计算分析等不是本发明的技术要点，因此本实施例中不对这些内容进行描述，不影响对本发明语义地图导航方法的清楚理解。
35.在机器人投入服务使用时，通过如下方法步骤实现语义地图的导航，
36.步骤1、机器人接收到语义任务，采集语义任务内容从语义内容任务库分析得出要进行的执行任务形成实体语义关系；如上述所举的“炒菜”例子，语义任务内容为“炒菜”，对应语义区域实体任务库可能是到冰箱、到洗菜盆、到灶台、到餐桌等，对应的语义任务库则可能是到冰箱的语义区域从冰箱里取出蔬菜—将冰箱取出的蔬菜拿到洗菜的语义区域进行洗菜—将洗好的蔬菜拿到到灶台的语义区域进行炒菜—将抄好的蔬菜拿到餐桌区域放在餐桌上，这样就将要进行的执行任务和任务所在的语义区域关联起来形成了实体语义关系，如图2所示，除了有这些指向的关系，还有一些任务执行进行顺序的关系，这个是根据任务库建立进行，。
37.步骤2、通过激光传感器扫描并与语义标识进行比较得出当前位置，并根据实体语义关系中实体与语义区域的映射建立出当前位置所在的语义区域至执行任务位置所在的语义区域的拓扑关系；如进行上述“炒菜”的一系列任务机器人所需移动位置在语义区域上形成的拓扑关系，如图3所示。
38.步骤3、根据拓扑关系从语义地图中计算出连通当前位置所在的语义区域至执行任务位置所在的语义区域的最优路径，也就是计算出在这个固定空间内从当前位置的语义区域到执行任务的位置的语义区域的最优路径，这里说明一下如图1中，在中间的房间中要从语义区域
“ⅱ”
到语义区域
“ⅵ”
，从其周围的各区域经过能形成很多条路径，在这一步骤中机器人会计算出一条符合设定要求的最优路径。
39.步骤3、最优路径的计算，实现语义导航。本实施例中公开了一种计算方法，采用符合下列原则的最短路径进行计算，
40.原则一、机器人从当前位置所在的语义区域移动至相邻的语义区域按照语义区域的连通沿水平或垂直方向移动，这样可使得机器人在移动时能够清楚当前位置是在哪个语义区域，而不会在某些时刻出现机器人的当前位置在多个语义区域的情况，可避免拓扑关系的混乱。
41.原则二、机器人从当前位置所在的语义区域移动至相邻的语义区域旋转转向次数最少，这个是基于机器人常规动作、保护机器人、更有效动作的要求，能够使得机器人的移动更为智能有效。
42.所述步骤3规划出连通当前位置所在的语义区域至执行任务位置所在的语义区域的最优路径，本实施例中采用贝叶斯网络路径搜索，给定路径的起始点，动态建立贝叶斯网络，如图4所示，o表示语义区域相邻的四个方向；表示房间r中语义区域n向上方向邻
接；表示房间r中语义区域n向下方向邻接；表示房间r中的语义区域n向左方向邻接；表示房间r中的语义区域n向右方向邻接。
43.所述步骤3最优路径的计算方法是这样的，设定如果机器人经过的上次语义区域的朝向o
i
与机器人当前所在区域的朝向o
j
相同，则机器人从同一固定空间的房间r内相邻的语义区域m到语义区域n的方向如果o
i
与o
j
相差90
°
，那么如果o
i
与o
j
相差180
°
，那么
44.机器人转移概率
45.机器人规划当前房间中的路径计算公式为：
46.式中，c
t
表示t时刻机器人所在的语义区域，r
m
与r
n
表示相同房间相邻语义区域，o表示语义区域相邻的四个方向，ω
o
表示旋转方向，表示从m移动到n之后的朝向；
47.根据贝叶斯网络的递推关系，得到每条路径的概率其中，最大的为机器人应该经过的路径，表示全部经过的语义区域。
48.这里补充说明一下，本实施例中所述固定空间为多个房间，上述的方法进行时各房间分别进行语义地图构建，然后将各房间构建出来的语义地图拼接构建出整体语义地图，在步骤3中是各房间分别计算出最优路径，然后将各房间中的最优路径拼接出完整的最优导航路径。
49.上述实施例和图式并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。