發(fā)布時間：2018-07-26 19:03

【摘要】：服務機器人感知與理解室內(nèi)環(huán)境是人工智能領(lǐng)域的基礎(chǔ)與長遠目標之一,因為服務機器人只有了解了人所在的環(huán)境,才能實現(xiàn)人與機器人自然交互。一般而言,人與機器人的交流大多是人對機器人發(fā)送任務,然后機器人執(zhí)行人的任務。人類采用自然語言提出的任務,是一種隱含了許多復雜信息的語義關(guān)系。隱含的信息包括:實物地點信息、實物的描述信息以及實物之間的關(guān)系等等,這些信息分別對應著度量地圖、特征地圖以及語義地圖。單一的地圖很難滿足機器人實現(xiàn)人類的自然語言提出的任務,所以,構(gòu)建一種綜合性室內(nèi)地圖對于服務機器人理論研究和實際應用均具有重要意義。然而不同種類的地圖不能簡單的合并,層次化地圖是合并地圖的一種有效方法,這種合并通過地圖級聯(lián)實現(xiàn),所以構(gòu)建一種層次化地圖是本文研究重點。為實現(xiàn)服務機器人層次化地圖構(gòu)建,本文針對度量地圖、特征地圖及語義地圖的構(gòu)建技術(shù)分別開展研究:度量地圖是層次化地圖的基礎(chǔ),而位姿估計又是度量地圖構(gòu)建的基礎(chǔ)。本文提出一種尺度加權(quán)范數(shù)(PMWN,Polar Metric-Weighted Norm)實現(xiàn)2D掃描數(shù)據(jù)的匹配,解決匹配過程中服務機器人旋轉(zhuǎn)與平移帶來的影響,從而減少迭代次數(shù)以提高效率。通過對PMWN的殘差估計計算出服務機器人的旋轉(zhuǎn),通過PMWN的幾何意義計算出服務機器人的平移。最后,采用基于KF(Kalman Filter)融合里程計得到的位姿與PMWN得到的位姿構(gòu)建度量地圖。特征地圖是層次化地圖的中間層。本文提出基于假設(shè)檢驗的方法劃分度量地圖層提供的2D掃描數(shù)據(jù),并在數(shù)據(jù)劃分的基礎(chǔ)上提取角點、線段以及圓弧特征。采用假設(shè)檢驗的方法匹配這些特征,并采用基于權(quán)重的特征融合方法融合特征。同時為了提高度量地圖構(gòu)建的效果,使用這些特征實現(xiàn)閉環(huán)檢測。最后,通過特征提取、匹配與融合構(gòu)成特征地圖。語義地圖是層次化地圖的頂層。本文提出了一種語義區(qū)域用于表示語義地圖。語義區(qū)域由語義標識構(gòu)成,語義標識中包含室內(nèi)環(huán)境的局部輪廓信息,通過匹配輪廓信息采集語義標識。采用粒子濾波器更新語義標識權(quán)重,然后通過Viterbi算法估計服務機器人當前所在區(qū)域。同時采用基于貝葉斯網(wǎng)絡(luò)的語義區(qū)域?qū)Ш剿惴ㄒ龑Х�務機器人到達指定區(qū)域。層次化地圖由度量地圖、特征地圖及語義地圖構(gòu)成。層次化地圖通過地圖級聯(lián)的方式封裝服務機器人任務,以實現(xiàn)自然語言描述的服務機器人任務。如果室內(nèi)環(huán)境中出現(xiàn)小范圍的改動,那么在層次化地圖上可以靈活地變更各層次之間的關(guān)系以適應不變的任務。本文首先分別對度量地圖、特征地圖以及語義地圖進行實驗驗證,然后通過綜合實驗對層次化地圖進行驗證。每種地圖的實驗方法不同,度量地圖基于PMWN姿估計實現(xiàn),通過與PSM及Mb-ICP相比較,驗證本文提出算法的準確性、效率及閉環(huán)精度;特征地圖由特征構(gòu)成,特征的穩(wěn)定性與準確性依靠復雜環(huán)境特征提取實驗及大規(guī)模環(huán)境的特征提取實驗加以驗證;語義地圖采用語義區(qū)域?qū)崿F(xiàn),通過長期性實驗與機器人綁架實驗驗證機器人在語義區(qū)域上執(zhí)行長期任務能力。最后層次化地圖通過環(huán)境變更但任務不變的實驗驗證層次化地圖的靈活性;通過服務機器人在大范圍環(huán)境中長期執(zhí)行重復任務的實驗驗證服務機器人在層次化地圖中執(zhí)行任務的穩(wěn)定性。
[Abstract]:A service robot perceiving and understanding the indoor environment is one of the basic and long-term goals in the field of artificial intelligence. Because the service robot can only realize the natural interaction between the man and the robot only by understanding the environment of the human being, in general, the communication between human and robot is mostly the task of the human being to the machine man, and then the task of the robot. The task proposed by human language is a semantic relation that implies a lot of complex information. The hidden information includes the physical location information, the description information of the object and the relationship between the objects, etc. the information corresponds to the metric map, the feature map and the semantic map. The single map is difficult to satisfy the robot. Therefore, it is of great significance to build a comprehensive indoor map for the theoretical research and practical application of service robots. However, different types of maps can not be simply merged. The hierarchical map is an effective method for merging maps. This combination is realized by a cascade of maps, so it is constructed. Building a hierarchical map is the key point of this paper. In order to realize hierarchical map building of service robots, this paper studies the construction techniques of metric maps, feature maps and semantic maps. The measurement map is the basis of hierarchical map, while position and posture estimation is the basis of measuring map building. This paper proposes a scale weighting. PMWN (Polar Metric-Weighted Norm) realizes the matching of 2D scanning data and solves the influence of the rotation and translation of the service robot in the matching process, thus reducing the number of iterations to improve the efficiency. The rotation of the service robot is calculated by the residual estimation of the PMWN, and the translation of the service robot is calculated through the geometric meaning of the PMWN. Finally, using the position and posture obtained by the KF (Kalman Filter) fusion odometer and the position and posture obtained by the PMWN, the feature map is the middle layer of the hierarchical map. This paper proposes a method to divide the 2D scan data provided by the metric map layer based on the hypothesis testing, and extract the corner, line segment and arc on the basis of the data partition. We use the method of hypothesis testing to match these features, and use the weight based feature fusion method to fuse the features. In order to improve the effect of the measurement map construction, these features are used to realize closed loop detection. Finally, feature maps are formed by feature extraction, matching and fusion. The semantic map is the top layer of the hierarchical map. A semantic region is used to represent semantic maps. The semantic region is composed of semantic identities. The semantic identification contains the local contour information of the indoor environment. The semantic identification is collected by matching the contour information. The particle filter is used to update the semantic identification weight, and then the current region of the service robot is estimated by the Viterbi algorithm. The semantic regional navigation algorithm based on Bayesian network is used to guide the service robot to the specified area. The hierarchical map is composed of the metric map, the feature map and the semantic map. The hierarchical map is used to encapsulate the service robot task through the cascade of maps to realize the service robot task of the natural language description. If the indoor environment is in the indoor environment There is a small change in it, so the relationship between different levels can be changed flexibly to adapt to the unchanging task on the hierarchical map. First, this paper validates the measurement map, the feature map and the semantic map respectively, and then verifies the hierarchical map through the comprehensive experiment. The experimental methods of each map are different, The metric map is based on PMWN attitude estimation. By comparing with PSM and Mb-ICP, the accuracy, efficiency and close loop accuracy of the algorithm are verified. The feature maps are composed of features. The stability and accuracy of the features depend on the experiment of complex environment feature extraction and the feature extraction experiments of large-scale environment. Semantic map uses semantics. Regional implementation, through long-term experiment and robot kidnapping experiment, verifies the ability of the robot to perform long term task in the semantic area. Finally, the hierarchical map verifies the flexibility of the hierarchical map through the environment change but the task invariable experiment. Service robots perform the stability of tasks in hierarchical maps.
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP242

【相似文獻】

相關(guān)期刊論文 前10條

1 段秀敏,李蓮芝;基于類復向量原理的機器人位置和姿態(tài)分析[J];吉林工程技術(shù)師范學院學報;2004年03期

2 張振喜;焦國太;鄧光明;梁聰聰;;室內(nèi)清潔機器人協(xié)作技術(shù)研究[J];機械;2010年12期

3 陳陽舟;王文星;代桂平;;基于角度優(yōu)先的多機器人圍捕策略[J];北京工業(yè)大學學報;2012年05期

4 蔣新松;國外機器人的發(fā)展及我們的對策研究[J];機器人;1987年01期

5 沈慧娟;袖珍機器人別動隊[J];國外科技動態(tài);2004年02期

6 孟慶鑫,魏洪興,王立權(quán),楊青梅,王嵐;基于蠕動原理拱泥機器人方案研究[J];中國造船;2001年01期

7 程遠;機器人軟件編程方法[J];無錫職業(yè)技術(shù)學院學報;2002年02期

8 孟慶鑫,王茁,王殿君,王立權(quán),屠治國;“穿地龍”機器人總體方案分析與研究[J];哈爾濱工程大學學報;2003年03期

9 丁瀅潁;何衍;蔣靜坪;;基于個性演化的多機器人自組織[J];模式識別與人工智能;2003年02期

10 張汝波,王兢,孫世良;具有環(huán)境自適應能力的多機器人編隊系統(tǒng)研究[J];機器人;2004年01期

相關(guān)會議論文 前10條

1 石為人;周偉;王楷;蘇士娟;;家庭清潔機器人自主充電研究[A];2010中國儀器儀表與測控技術(shù)大會論文集[C];2010年

2 李長松;孫國林;韓勝利;;機器人料箱取件形式及控制方法[A];2013中國汽車工程學會年會論文集[C];2013年

3 孟正大;戴先中;;基于神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)方法的機器人柔順性控制[A];江蘇省自動化學會七屆四次理事會暨2004學術(shù)年會青年學者論壇論文集[C];2004年

4 陳天皓;錢成;談英姿;;類人足球仿真機器人快速起身方法的實現(xiàn)[A];2007年足球機器人大會論文集[C];2007年

5 薛慧婷;羅熊;胡海東;游美玲;邱新濤;;基于顏色特征的漂浮機器人三點定位系統(tǒng)[A];2009年中國智能自動化會議論文集（第五分冊）[東南大學學報（增刊）][C];2009年

6 胡海東;趙清杰;;機器人的慣性/視覺組合定位方法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

7 顧新興;孫燕樸;馮純伯;;一種新的雙機器人協(xié)調(diào)路徑規(guī)劃方法[A];1995中國控制與決策學術(shù)年會論文集[C];1995年

8 陶軍;高翔;周全;李曉亞;;利用自學習算法為機器人選擇最優(yōu)目標點的決策設(shè)計[A];馬斯特杯2003年中國機器人大賽及研討會論文集[C];2003年

9 王大川;張輝;季秀才;鄭志強;;救援環(huán)境下基于激光傳感器的機器人環(huán)境建圖以及自定位[A];2007年足球機器人大會論文集[C];2007年

10 王淑慧;吳立成;袁海文;;一種水上行走機器人的模糊控制[A];2011年中國智能自動化學術(shù)會議論文集（第一分冊）[C];2011年

相關(guān)重要報紙文章 前5條

1 克 軍;小小機器人軍團[N];大眾科技報;2003年

2 張勁　戚峰;變電站的“機器人骨干”[N];中國電力報;2009年

3 本報通訊員 張勁　戚峰;電力機器人的“神通”[N];工人日報;2009年

4 吳鴻;微型機器人引領(lǐng)反恐潮流[N];中國商報;2003年

5 盧家興;中科院研制出能應付復雜地形的機器人[N];大眾科技報;2004年

相關(guān)博士學位論文 前10條

1 霍光磊;服務機器人室內(nèi)環(huán)境層次化地圖構(gòu)建方法研究[D];哈爾濱工業(yè)大學;2016年

2 張玉麗;基于虛擬力的多機器人化學源定位研究[D];中國礦業(yè)大學;2015年

3 張世隆;拋投機器人翻轉(zhuǎn)越障技術(shù)研究[D];北京理工大學;2015年

4 仲朝亮;受生物啟發(fā)的移動機器人空間認知及其導航[D];華東理工大學;2015年

5 王東科;空間繩系機器人目標抓捕及抓捕后穩(wěn)定控制方法研究[D];西北工業(yè)大學;2015年

6 魏明生;基于低頻電磁信號的管道清堵機器人定位方法研究[D];中國礦業(yè)大學;2016年

7 王玲;未知環(huán)境中基于相對觀測量的多機器人合作定位研究[D];國防科學技術(shù)大學;2006年

8 王宏;煤礦機器人激光雷達與慣性傳感器導航理論及實驗研究[D];中國礦業(yè)大學（北京）;2011年

9 李飛;湍動氣流主控環(huán)境下多機器人氣味源定位[D];天津大學;2009年

10 仲宇;分布式強化學習理論及在多機器人中的應用研究[D];哈爾濱工程大學;2003年

相關(guān)碩士學位論文 前10條

1 張帥;服務型機器人設(shè)計與前瞻性研究[D];浙江大學;2008年

2 戚樹騰;基于激光測距儀的果園移動機器人避障系統(tǒng)研究[D];西北農(nóng)林科技大學;2015年

3 劉廣保;大型復雜曲面的機器人研拋技術(shù)研究[D];沈陽理工大學;2015年

4 張賢;基于超聲波測距的多機器人室內(nèi)定位導航研究[D];哈爾濱工業(yè)大學;2015年

5 戴騰清;基于PROFIBUS現(xiàn)場總線在機器人沖壓自動化線的設(shè)計與實現(xiàn)[D];華南理工大學;2015年

6 楊曉曉;室內(nèi)機器人單目視覺同時定位與地圖構(gòu)建技術(shù)研究與實現(xiàn)[D];成都信息工程學院;2014年

7 周子希;基于構(gòu)建地圖的手勢控制移動機器人[D];中國海洋大學;2015年

8 田青;Mecanum輪式全向機器人位置精確控制的研究[D];東南大學;2015年

9 李文玉;智能倉庫系統(tǒng)多機器人任務分配問題研究[D];北京物資學院;2016年

10 武涵;基于無線傳感網(wǎng)絡(luò)的群機器人精確定位與編隊控制[D];南京大學;2016年

，

本文編號：2146992