【技术实现步骤摘要】
本专利技术涉及多机器人协同建图，具体涉及一种通信受限下的多机器人压缩通信协同建图方法及系统。
技术介绍
1、随着传感器网络技术和机器人技术的发展，移动机器人的智能化水平有了极大程度的提升，其在日常生活、军事任务和灾难营救等场景中发挥了重要作用。其中移动机器人的导航定位尤为重要，而导航定位要依赖环境地图的构建。因此环境地图的构建对移动机器人的导航和定位起着至关重要的作用。当前单机建图已经具有较好的成果，但单一的机器人和传感器往往存在运算能力有限、视野范围小等限制，如果需要建图的场景过大且地形复杂，则单机建图需要花费大量的时间。为了突破单个机器人的工作的瓶颈，多机器人协同研究受到了很多学者青睐。从上世纪九十年代起，多智能体系统和分布式人工智能体系得到了快速发展，其中一些结果被部分学者引入到多机器人协同中来，提高了多机器人系统的鲁棒性和机动性。实现了多机器人在更复杂的场景中的应用，例如矿井下、火灾、防疫等救援场景。
2、多机器人协同建图主要是要解决各个局部地图之间的传输和拼接两个问题。多机器人协同建图的拼接问题是指合并拼接每个机器人得到的局部地图，从而得到完整的全局地图。其中地图拼接最关键的问题是获得各个局部地图之间的变换矩阵；根据不同的拼接手段，地图拼接主要分为直接法和间接法：直接法是通过机器人所配备的相机或雷达采集的数据直接计算变换矩阵；间接法是通过检测和匹配局部地图之间的共有特征来计算相对变换矩阵。在地图的融合拼接问题上已有大量的研究，技术相对成熟。但在地图的传输上，还存在一些问题：例如，将多机器人系统运用到作战场景
技术实现思路
1、为了克服上述现有技术的不足，本专利技术提出一种通信受限下的多机器人压缩通信协同建图方法及系统。
2、根据本专利技术的一方面，提出一种通信受限下的多机器人压缩通信协同建图方法，该方法包括以下步骤：
3、主机机器人和多个从机机器人根据其自身的位姿分别对其所在环境建立局部栅格地图；
4、多个从机机器人对其各自的局部栅格地图进行压缩编码，并分别将压缩编码后的局部栅格地图传输给主机机器人；
5、主机机器人对压缩编码后的局部栅格地图进行解码，并将所有局部栅格地图进行融合，获得全局地图。
6、进一步地，主机机器人和多个从机机器人根据其自身的位姿采用gmapping算法建立局部栅格地图。
7、进一步地，多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码，主机机器人采用预训练的压缩通信网络模型对压缩编码后的局部栅格地图进行解码。
8、进一步地，所述压缩通信网络模型包括特征提取卷积神经网络、霍夫曼编码器、霍夫曼译码器和地图恢复卷积神经网络；其中所述特征提取卷积神经网络用于提取地图特征，所述地图恢复卷积神经网络用于将地图特征恢复成栅格地图；所述特征提取卷积神经网络和所述地图恢复卷积神经网络均由多个权重层组成。
9、进一步地，多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码的过程包括：通过特征提取卷积神经网络获得地图特征后，计算在地图特征中出现的所有像素值和每个像素值vi在地图特征中出现的概率；将这些值出现的概率由高到低排序，得到集合初始化n个节点与一一对应，对应的最小概率的两个节点融合成一个新的节点，变成{n1,…,nn-2,nmerged}，同时也跟着更新变成{p1,…,pn-2,pmerged}；重复这一操作直到中只剩下一个节点且也只有一个概率值为1；根据节点融合过程得到地图特征对应的编码表其中每个像素值vi对应一个二进制编码codei；根据编码表地图特征被写成一串二进制编码；将二进制编码转换成十六进制编码hi，hi即为编码后的字符串。
10、进一步地，多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码的过程还包括：在获得编码后的字符串hi后，采用rle算法将十六进制编码hi中连续重复的字符用该字符本身和其重复的次数来替换，最终获得替换后的编码字符串ei。
11、进一步地，主机机器人采用预训练的压缩通信网络模型对压缩编码后的局部栅格地图进行解码的过程包括：
12、定义字符串di为空字符串；遍历字符串ei，得到ei中所有字符和其个数，并添加到di中，di即编码器中的十六进制编码hi；将di转换成二进制，根据编码表中信息，将对应的二进制编码段转换成地图特征中的值，通过所述地图恢复卷积神经网络恢复出地图特征。
13、进一步地，所述将所有局部栅格地图进行融合的过程包括：将所有局部栅格地图进行排序，然后按顺序两两进行融合，最后融合成一个全局地图。两张地图融合方法如下：
14、若要融合的两张地图在建图时两个机器人初始相对位姿已知，即已知机器人所建地图之间的刚性变换r和t，根据r和t将两个局部地图融合；若机器人建图时的初始相对位姿未知，则首先两个局部栅格地图之间的刚性变换r和t，根据r和t将两个局部地图融合；其中，
15、刚性变换r和t如下式：
16、
17、式中，θ表示地图的旋转关系，r是两个地图间的旋转矩阵；t表示两个地图间的平移向量，tx、ty分别表示两个地图经过r旋转后的平移关系；
18、两两融合的公式如下式：mapfusion＝map1+(map2×r+t)。
19、进一步地，所述将所有局部栅格地图进行融合的过程中若机器人建图时的初始相对位姿未知，则按照下述过程计算获得局部栅格地图之间的刚性变换r和t：分别检测局部栅格地图中的orb特征点；使用暴力匹配器对两个局部栅格地图中的关键点进行匹配，找到两个局部栅格地图中相同距离的关键点形成匹配点对；根据匹配点对计算两个地图间的刚性变换r,t。
20、根据本专利技术的另一方面，提出一种通信受限下的多机器人压缩通信协同建图系统，该系统包括：
21、局部地图建立模块，其配置成主机机器人和多个从机机器人根据其自身的位姿分别对其所在环境建立局部栅格地图；
22、压缩传输模块，其配置成多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码，并分别将压缩编码后的局部栅格地图传输给主机机器人；
23、全局地图建立模块，其配置成主机机器人采用预训练的压缩通信网络模型对压缩编码后的局部栅格地图进行解码，并将所有局部栅格地图进行融合，获得全局地图；
24、其中，所述压缩通信网络模型包括特征提取卷积神经网络、霍夫曼编码器、霍夫曼译码器和地图恢复卷积神经网络；所述特征提取卷积神经网络用于提取地图特征，所述地图恢复卷积神经网络用于将地图特征恢复成栅格地图。
25、本专利技术的有益技术效果是：
26、结合卷积神经网络、霍夫曼算法和rle算法，本专利技术中设计了一本文档来自技高网...
【技术保护点】
1.一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，主机机器人和多个从机机器人根据其自身的位姿采用Gmapping算法建立局部栅格地图。
3.根据权利要求1所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码，主机机器人采用预训练的压缩通信网络模型对压缩编码后的局部栅格地图进行解码。
4.根据权利要求3所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，所述压缩通信网络模型包括特征提取卷积神经网络、霍夫曼编码器、霍夫曼译码器和地图恢复卷积神经网络；其中所述特征提取卷积神经网络用于提取地图特征，所述地图恢复卷积神经网络用于将地图特征恢复成栅格地图；所述特征提取卷积神经网络和所述地图恢复卷积神经网络均由多个权重层组成。
5.根据权利要求4所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，多个从机机器人对其各自的局部栅格
6.根据权利要求5所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码的过程还包括：在获得编码后的字符串hi后，采用RLE算法将十六进制编码hi中连续重复的字符用该字符本身和其重复的次数来替换，最终获得替换后的编码字符串ei。
7.根据权利要求6所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，主机机器人采用预训练的压缩通信网络模型对压缩编码后的局部栅格地图进行解码的过程包括：
8.根据权利要求1所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，所述将所有局部栅格地图进行融合的过程包括：
9.根据权利要求8所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，所述将所有局部栅格地图进行融合的过程中若机器人建图时的初始相对位姿未知，则按照下述过程计算获得局部栅格地图之间的刚性变换R和t：分别检测局部栅格地图中的ORB特征点；使用暴力匹配器对两个局部栅格地图中的关键点进行匹配，找到两个局部栅格地图中相同距离的关键点形成匹配点对；根据匹配点对计算两个地图间的刚性变换R,t。
10.一种通信受限下的多机器人压缩通信协同建图系统，其特征在于，包括：
...【技术特征摘要】
1.一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，主机机器人和多个从机机器人根据其自身的位姿采用gmapping算法建立局部栅格地图。
3.根据权利要求1所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码，主机机器人采用预训练的压缩通信网络模型对压缩编码后的局部栅格地图进行解码。
4.根据权利要求3所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，所述压缩通信网络模型包括特征提取卷积神经网络、霍夫曼编码器、霍夫曼译码器和地图恢复卷积神经网络；其中所述特征提取卷积神经网络用于提取地图特征，所述地图恢复卷积神经网络用于将地图特征恢复成栅格地图；所述特征提取卷积神经网络和所述地图恢复卷积神经网络均由多个权重层组成。
5.根据权利要求4所述的一种通信受限下的多机器人压缩通信协同建图方法，其特征在于，多个从机机器人对其各自的局部栅格地图采用预训练的压缩通信网络模型进行压缩编码的过程包括：通过特征提取卷积神经网络获得地图特征后，计算在地图特征中出现的所有像素值和每个像素值vi在地图特征中出现的概率；将这些值出现的概率由高到低排序，得到集合初始化n个节点与一一对应，对应的最小概率的两个节点融合成一个新的节点，变成{n1,…,nn-2,nmerged}，同时也跟着更新变成{p1,…,pn-2,pmerged}；重复这...
【专利技术属性】
技术研发人员：张泽旭，徐田来，袁帅，张良，郭鹏，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。