一种基于数据挖掘的地理环境特征地图构建与导航方法

1.一种基于数据挖掘的地理环境地图构建与导航方法，其特征在于，包括如下步骤：
步骤一、获取当前时刻地面无人移动平台周围环境的3D激光点云以及全景图像；
步骤二、对3D激光点云和全景图像进行处理并匹配，获得地面无人移动平台周围环境中各物体的特征向量，所述特征向量同时包含3D激光点云和全景图像所表征的物体特征；
所述步骤二按照如下具体步骤进行：
步骤201、根据3D激光点云中各点的坐标信息对各点进行粗分类，获得每个子类的特征值；
步骤202、对于所有子类的特征值进行聚类，将该聚类结果记为点云分类，将3D激光点云中各点划分入其对应的点云分类中，使用点云分类描述地面无人移动平台周围环境中的各物体；
步骤203、获取每一点云分类的边缘特征点，将每一点云分类的边缘特征点映射到全景图像的坐标系下；在全景图像的坐标系下，利用计算几何中的目标边界多边形表示算法，将每一点云分类依据其边缘特征点划分多边形，获得点云多边形；
步骤204、对全景图像进行边缘特征点检测，根据检测结果进行图像划分，该划分结果记为图像分类，使用图像分类描述地面无人移动平台周围环境中的各物体；采用计算几何的目标边界多边形表示算法，将每一图像分类依据其边缘特征点划分多边形，即为图像多边形；
步骤205、针对每个点云多边形，选取所有与其相交的图像多边形分别进行交运算，得到多个相交多边形；在多个个相交多边形中，找到面积最大的一个，判断其是否达到一定阈值水平，若达到一定阈值水平，则将该相交多边形对应的图像多边形和点云多边形进行计算几何中的并运算，获得点云多边形的特征与图像多边形的特征的并集，使用该并运算的结果作为该图像多边形对应物体的特征向量；
步骤三、将步骤二中得到的每一物体的特征向量均输入至神经网络，神经网络将所有的物体的特征向量进行归类，最终输出特征环境模型；
步骤四、依据特征环境模型建立当前时刻局部地图，若当前时刻已有局部地图，则将已有局部地图与特征环境模型进行匹配，判断若特征环境模型中具有与局部地图不匹配的环境特征，按照特征环境模型更新该局部地图；
步骤五、根据地面无人移动平台的当前时刻的位置以及预测的下一时刻的位置，按照此时的局部地图选择合适的路线进行行驶；
步骤六、经过上述五个步骤之后，对地面无人移动平台进行位置评估，判断地面无人移动平台是否达到最终目标，若未达到最终目标，则返回步骤一；若已达到最终目标则该流程结束，最终的局部地图为全局地图。
2.如权利要求1所述的一种基于数据挖掘的地理环境地图构建与导航方法，其特征在于，所述步骤五按照如下具体步骤进行：
步骤501、地面无人移动平台根据此时的局部地图找到不同路线，同时建立强化学习Q函数，所述Q函数评价根据局部地图可以执行的所有路线的效果；
步骤502、根据地面无人移动平台的当前时刻的位置以及所预测的下一时刻的位置选择Q函数评价最优的路线，使用该路线对地面无人移动平台进行路径导航；
步骤503、对执行此路线之后的效果进行评价，使用奖励值修正Q函数的参数。

一种基于数据挖掘的地理环境特征地图构建与导航方法\n技术领域\n[0001] 本发明属于自动控制领域，具体涉及一种地面无人移动平台的地理环境地图构建与导航方法。\n背景技术\n[0002] 地面无人移动平台是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。地面无人移动平台的机动性与智能化程度取决于它的自主导航能力，而准确、快速的自主导航功能则是建立在精确的地理环境的地图信息基础上的。因此研究先进的地理环境地图构建与导航的方法能够为增强地面无人移动平台的智能化，为其现代化应用打开局面。\n[0003] 现有的基于地面无人移动平台的地理环境地图构建与导航方法包括如下：\n[0004] （1）3D激光点云的处理。该方法一般是在柱坐标系下一定距离范围内进行可通行性分析。然而3D激光雷达点云数据具有近密远疏的特性，在进行可通行性分析时，远处稀疏点容易被忽略，而且点云数据不能够理想分类，从而导致在提取地形特征表征出现较大误差。\n[0005] （2）3D激光点云数据与摄像头图像信息的匹配与融合。该方法一般是按照摄像头与激光雷达坐标匹配后的结果直接将数据合并，或者只采用激光雷达与摄像头，激光雷达与里程计等少量数据源进行融合。由于匹配与融合的数据源较少，无法保证匹配的准确度。\n[0006] （3）SLAM即时定位与地图构建。SLAM方法可以描述为:地面无人移动平台在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和传感器数据进行自身定位,同时建造增量式地图。SLAM方法大致可分为两类：一类为基于概率模型的方法，另一类为非概率模型方法。许多基于卡尔曼滤波的SLAM方法如完全SLAM、压缩滤波、FastSLAM就属于概率模型方法。非概率模型方法有SM-SLAM、扫描匹配、数据融合(data association)、基于模糊逻辑等。在使用SLAM方法进行定位时，需要添加人工路标，同时在进行位置移动时，计算复杂且计算量大。\n[0007] 基于现有的上述方法在进行地图构建与导航时，无法保证地面无人移动平台的准确度，同时复杂的算法以及巨大的计算量无法满足现代化的要求。\n发明内容\n[0008] 有鉴于此，本发明的目的在于提出一种地面无人移动平台的地理环境地图构建与导航方法。该方法能够保证所构建的全局地图的准确性，同时能够降低计算的复杂程度，使计算量减少。\n[0009] 为达到上述目的，本方法包括如下步骤：\n[0010] 步骤一、获取当前时刻地面无人移动平台周围环境的3D激光点云以及全景图像；\n[0011] 步骤二、对3D激光点云和全景图像进行处理并匹配，获得地面无人移动平台周围环境中各物体的特征向量，所述特征向量同时包含3D激光点云和全景图像所表征的物体特征；\n[0012] 步骤三、将步骤二中得到的每一物体的特征向量均输入至神经网络，神经网络将所有的物体的特征向量进行归类，最终输出特征环境模型；\n[0013] 步骤四、依据特征环境模型建立当前时刻局部地图，若当前时刻已有局部地图，则将已有局部地图与特征环境模型进行匹配，判断若特征环境模型中具有与局部地图不匹配的环境特征，按照特征环境模型更新该局部地图；\n[0014] 步骤五、根据地面无人移动平台的当前时刻的位置以及预测的下一时刻的位置，按照根据此时的局部地图选择合适的路线进行行驶；\n[0015] 步骤六、经过上述五个步骤之后，对地面无人移动平台进行位置评估，判断地面无人移动平台是否达到最终目标，若未达到最终目标，则返回步骤一；若已达到最终目标则该流程结束，最终的局部地图为全局地图。\n[0016] 进一步地，上述步骤二按照如下具体步骤进行：\n[0017] 步骤201、根据3D激光点云中各点的坐标信息对各点进行粗分类，获得每个子类的特征值；\n[0018] 步骤202、对于所有子类的特征值进行聚类，将该聚类结果记为点云分类，将3D激光点云中各点划分入其对应的点云分类中，使用点云分类描述地面无人移动平台周围环境中的各物体；\n[0019] 步骤203、获取每一点云分类的边缘特征点，将每一点云分类的边缘特征点映射到全景图像的坐标系下；在全景图像的坐标系下，利用计算几何中的目标边界多边形表示算法，将每一点云分类依据其边缘特征点划分多边形，获得点云多边形；\n[0020] 步骤204、对全景图像进行边缘特征点检测，根据检测结果进行图像划分，该划分结果记为图像分类，使用图像分类描述地面无人移动平台周围环境中的各物体；采用计算几何的目标边界多边形表示算法，将每一图像分类依据其边缘特征点划分多边形，即为图像多边形；\n[0021] 步骤205、针对每个点云多边形，选取所有与其相交的图像多边形分别进行交运算，得到多个相交多边形；在多个个相交多边形中，找到面积最大的一个，判断其是否达到一定阈值水平，若达到一定阈值水平，则将该相交多边形对应的图像多边形和点云多边形进行计算几何中的并运算，获得点云多边形的特征与图像多边形的特征的并集，使用该并运算的结果作为该图像多边形对应物体的特征向量。\n[0022] 进一步地，上述步骤五按照如下具体步骤进行：\n[0023] 步骤501、地面无人移动平台根据此时的局部地图找到不同路线，同时建立强化学习Q函数，所述Q函数评价根据局部地图可以执行的所有路线的效果；\n[0024] 步骤502、根据地面无人移动平台的当前时刻的位置以及所预测的下一时刻的位置选择Q函数评价最优的路线，使用该路线对地面无人移动平台进行路径导航；\n[0025] 步骤503、对执行此路线之后的效果进行评价，使用奖励值修正Q函数的参数。\n[0026] 有益效果：\n[0027] 本方法在进行环境提取时采用了基于几何特征的点云数据与图像信息的匹配，大大提高了匹配结果的准确度，使得环境特征的提取更为精确；本发明把神经网络和地图构建技术结合，能够使得数据关联更为准确，这样不仅使得计算的复杂程度降低，能够大大减少计算量。\n附图说明\n[0028] 图1为本发明地图构建与路径导航流程示意图；\n[0029] 图2为3D激光点云和全景图像进行处理并匹配的原理图。\n具体实施方式\n[0030] 下面结合附图并举实施例，对本发明进行详细描述。\n[0031] 本发明提供了一种基于数据挖掘的地理环境地图构建与导航方法，该方法的流程如图1所示：\n[0032] 步骤一、获取当前时刻地面无人移动平台周围环境的3D激光点云和全景图像，其中可以使用车载3D激光雷达来获取3D激光点云，使用全景摄像头获取全景图像。\n[0033] 上述3D激光点云为平台周围环境的特征点集，包括各特征点的三维坐标值以及反射率。\n[0034] 本实施例中的全景摄像头包括5个方向摄像头，采集获得5张图像，将该5张图像进行匹配合并得到的360的全景图像。\n[0035] 步骤二、对3D激光点云和全景图像进行处理并进行匹配，获得地面无人移动平台周围环境中各物体的特征向量，该处所得到的特征向量同时包含3D激光点云和全景图像所表征的物体特征。本步骤的原理如图2所示，其具体步骤如下：\n[0036] 步骤201、建立3D激光点云坐标系oxyz，激光雷达为原点，以水平面作为xoy平面，以垂直于xoy平面作为z轴方向；根据3D激光点云中各点的坐标信息，对步骤二所获得的3D激光点云在坐标系的xoy平面上，按照0.5度的步长将大致均匀分布在360度的点云划分进720个区间，在上述每个区间中均按照分段拟合的直线斜率进行点云划分，获得粗略的划分结果，即粗分类的结果，并同时得到每个子类的特征。\n[0037] 如每个子类的重心坐标、该子类的起始坐标、边缘特征点坐标矩阵以及径向坡度，法相向量，平均反射率等特征。\n[0038] 步骤202、使用每个子类的特征建立每个子类的特征值空间，对于所有子类的特征值进行聚类，该聚类结果记为点云分类，将3D激光点云中各点划分入其对应的点云分类中，使用各点云分类描述地面无人移动平台周围环境中的各物体。\n[0039] 在具体的实施过程中可能获得点云分类有：凸障碍1和2、多个砂石路地表的双向通行斜坡1,2和3，以及植被地表的双向通行斜坡1和2等，则可以看出，该处每个点云分类都描述了地面无人移动平台周围环境中的某个物体。\n[0040] 步骤203、获取每一点云分类的边缘特征点，将每一点云分类的边缘特征点映射到全景图像的坐标系下；即通过坐标系的旋转平移将特征点从3维映射到2维。\n[0041] 在全景图像的坐标系下，利用计算几何中的目标边界多边形表示算法，将每一点云分类依据其边缘特征点划分多边形，获得点云多边形。\n[0042] 步骤204、对全景图像进行边缘特征点检测，根据检测结果进行图像划分，该划分结果记为图像分类，使用获得的各图像分类描述地面无人移动平台周围环境中的各物体；\n采用计算几何的目标边界多边形表示算法，将每一图像分类依据其边缘特征点划分多边形，即为图像多边形。\n[0043] 因3D激光点云和全景图像对于环境中物体的描述重心不同，点云多边形表征物体所携带的分布、几何特征与图像多边形表征的物体携带的颜色、亮度、饱和度等特征，因此图像分类描述的各物体与点云分类所描述各物体可能不完全相同。\n[0044] 步骤205、由于所获得的图像多边形与点云多边形均处于全景图像的坐标系中，则二者必然会出现部分相交的情况，且距离越近的点云多边形和图像多边形之间越容易具有相交多边形；\n[0045] 针对某点云多边形，假设其与n个图像多边形进行交运算获得n个相交多边形，n为整数，对于不同的点云多边形来说，n的取值不同；在这n个相交多边形中，找到面积比例最大的一个，判断其是否达到一定阈值水平，对于达到一定阈值水平则将该相交多边形对应的图像多边形和点云多边形进行计算几何中的并运算，获得点云多边形的特征与图像多边形的特征的并集，使用该并运算的结果作为该图像多边形对应物体的特征向量。\n[0046] 上述一定阈值水平根据实验实际情况获取。\n[0047] 本步骤最终将点云多边形所表征的物体的分布、几何特征与图像多边形所表征的物体的颜色、亮度、饱和度等特征进行合并，得到同时包含3D激光点云和全景图像所表征的物体特征的观测环境模型，该模型大大提高了匹配结果的准确度，并使得环境特征的提取更为精确。\n[0048] 步骤三、将步骤二中得到的每一物体的特征向量均输入至神经网络，神经网络将所有的物体的特征向量进行归类，将具有相似特征的物体归类为一种环境特征，最终输出特征环境模型。\n[0049] 如物体1和物体3均具有绿色、水平坐标接近地面、表面粗糙度大、分布面积大等特征向量，则经过神经网络后，物体1和物体3都被归类为草地植被平路这一环境特征，这也类似一个聚类过程。\n[0050] 其中在对该神经网络进行训练时，首先采集实验数据，将实验数据中的一部分进行人工标注作为训练数据，另一部分作为测试数据。训练数据的特征值作为神经网络的输入，按照人工标注的结果，将每一个特征值分配到对应的环境特征向量中，依据该方法对神经网络的参数进行训练，直到该神经网络能够根据输入的测试数据的特征值，得到对应的环境特征。\n[0051] 为减少训练样本，本实施例中神经网络可选取ART2网络。使用神经网络技术来进行特征环境模型的构建，能够使得数据关联更为准确，这样不仅使得计算的复杂程度降低，能够大大减少计算量。\n[0052] 步骤四、依据特征环境模型建立当前时刻局部地图，若当前时刻已有局部地图，则将已有局部地图与特征环境模型进行匹配，若特征环境模型中具有与局部地图不匹配的环境特征，按照特征环境模型更新该局部地图；\n[0053] 本实施例可以依据所建立的环境特征模型对局部地图进行不断地增加和完善，最终获得到地面无人移动平台行驶过程中的全局地图。\n[0054] 步骤五、根据地面无人移动平台的当前时刻的位置以及所预测的下一时刻的位置，按照局部地图选择合适的路线进行行驶。\n[0055] 本实施例中可以使用地面无人移动平台上的GPS模块以及陀螺仪等仪器根据平台当前所处的地理位置及其行驶方向和速度预测平台下一时刻所处的位置。\n[0056] 为了完善导航过程，则该步骤可以分为如下具体步骤进行：\n[0057] 步骤501、建立强化学习Q函数，该Q函数评价根据局部地图可以执行的所有路线的效果；\n[0058] 步骤502、根据地面无人移动平台的当前时刻的位置以及所预测的下一时刻的位置选择Q函数评价最优的路线，使用该路线对地面无人移动平台进行路径导航；\n[0059] 步骤503、对执行此路线之后的效果进行评价，使用奖励值修正Q函数的参数。\n[0060] 在实际实施过程中，假设根据局部地图，地面无人移动平台具有路线1、路线2和路线3，根据Q函数对这三种路线的评价结果，选择最优路线1，根据路线1对无人车进行底层控制，则在下一时刻，按照Q函数的惩罚函数更新路线1的Q函数，如距离目标位置更近，路线可通行性好则作为正激励反馈给Q函数，反之，距离障碍物越近，则作为负激励来修正Q函数的参数。\n[0061] 步骤六、经过上述五个步骤之后，对地面无人移动平台进行位置评估，判断地面无人移动平台是否达到最终目标，若未达到最终目标，则返回步骤一；若已达到最终目标则该方法结束，最终的局部地图为全局地图。\n[0062] 综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。\n凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。