(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210820895.8 (22)申请日 2022.07.13 (71)申请人 中国科学技术大学 地址 230026 安徽省合肥市金寨路96号 (72)发明人 秦家虎　李鑫　李恒　刘轻尘　 马麒超　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 专利代理师 金凯　谢中用 (51)Int.Cl. G01C 21/00(2006.01) G01C 21/16(2006.01) G01S 17/89(2020.01) G01S 17/86(2020.01) G06V 10/44(2022.01)G06V 10/82(2022.01) (54)发明名称 在动态环境下基于深度学习的自主建图方 法和系统 (57)摘要 本发明涉及环 境建图领域， 公开了一种在动 态环境下基于深度学习的自主建图方法和系统， 自主建图方法包括： 在有IMU数据初始估计的情 况下将雷达点云与全局地图点云进行匹配， 识别 出雷达点云中的背景和运动物体； 将当前的背景 点云和运动物体点云通投影到全局地图后， 用长 方体框选 出运动物体； 将长方体框与移动机器人 原点之间的运动物体点云删除； 根据更新后全局 地图点云的深度信息对物体轮廓信息进行目标 提取， 通过神经网络输出物体的检测结果； 以移 动机器人当前运动方向为分界线将待探测区域 分成两块区域， 计算两块区域中的全局地图点云 密集程度， 移动机器人向点云密度最低的区域移 动。 权利要求书2页 说明书8页 附图7页 CN 115307622 A 2022.11.08 CN 115307622 A 1.一种在动态环境下基于深度学习的自主建图方法， 通过移动机器人上安装的IMU设 备获取IMU 数据、 通过移动机器人上安装的激光雷达 设备获得雷达点云数据， 动态环境包括 背景和物体， 物体包括静态 物体和运动物体； 自主建图方法包括以下步骤： 步骤一： 在有IMU数据初始估计的情况下将雷达点云与全局地图点云进行匹配， 得到具 有转换矩阵的匹配结果， 识别出 雷达点云中的背景点云和运动物体点云； 步骤二： 将当前的背景点云和运动物体点云通过匹配结果中的转换矩阵投影到全局地 图后， 用最小的长方体框选出运动物体； 将长方体框与移动机器人原点之间的全局 地图点 云删除； 新的长方体框位于 旧的长方体框与移动机器人原点之间时， 如果两个长方体框内 的物体不是同一个运动物体， 则将旧的长方体框的全局 地图点云删除； 实现动态环境下全 局地图点云的更新； 步骤三： 根据更新后全局地图点云的深度信息对物体轮廓信息进行目标提取； 对目标 提取的结果进 行降采样， 将得到的向量输入至预训练的神经网络中， 输出物体的检测结果， 得到带有物体信息的全局地图点云； 步骤四： 以移动机器人当前运动方向为分界线将待探测区域分成两块区域， 计算两块 区域中的全局地图点云密集程度； 当两块区域中一个或者全部的全局地图点云密集程度小 于设定值时， 移动机器人向全局地图点云密集程度最低的区域移动， 再通过步骤一、 步骤二 对全局地图点云进行 更新。 2.根据权利要求1所述的在动态环境下基于深度学习的自主建图方法， 其特征在于， 步 骤一中将雷达点云与全局地图点云进 行匹配得到具有转换矩阵的匹配结果时， 包括以下步 骤： 步骤11： 初始化旋转矩阵R和 位移分量t： R＝Rimu， t＝timu； 其中Rimu为在IMU数据中得到 的旋转矩阵， timu为在IMU数据中得到的位移分量； 步骤12： 通过旋转矩阵R和位移分量t将雷达点云P＝{pi， i＝1， 2， ...， n}投影到全局地 图， 得到转换点云P ′＝{p′i， i＝1， 2， ...， n}， 其中p ′i＝Rpi+t； 步骤13： 为每个转换点云p ′i遍历全局地图点云Q＝{qj， j＝1， 2， ...， m}， 在全局地图点 云中找到距离p ′i最近的全局地图点云q ′j， 并组成点对(p ′i， q′j)； 步骤14： 舍弃步骤13中p ′i与q′j欧式距离最大的20％的点对后， 结合DLT算法计算出新 的旋转矩阵R ′和位移分量t ′； 步骤15： 对比旧的位姿参数(R， t)与新的位姿参数(R ′， t′)， 判断两者的差值是否小于 设定值； 如是， 使R＝R ′， t＝t′， 进行步骤16； 如否， 使R＝R ′， t＝t′， 重新运行步骤12至步骤 15； 步骤16： 通过旋转矩阵和位移分量得到转换矩阵 3.根据权利要求1所述的在动态环境下基于深度学习的自主建图方法， 其特征在于， 步 骤一中识别背景点云和运动物体点云时， 将当前雷达点云投影到全局地图中得到投影点 云， 计算投影点云与最近的雷达点云之间的距离， 点云距离小于阈值时对应的雷达点云为 背景点云， 点云距离大于或者 等于阈值时对应的雷达点云为 运动物体点云。 4.根据权利要求1所述的在动态环境下基于深度学习的自主建图方法， 其特征在于， 步 骤三中， 将更新后全局地图点云中的物体检测结果与更新前全局地图点云中的物体检测结权　利　要　求　书 1/2 页 2 CN 115307622 A 2果进行对比， 得到物体的位移s， 则物体的瞬时速度 估计值 其中Δt为全局地图点云 更新前物体 检测结果和更新后物体 检测结果的时间差 。 5.根据权利要求1所述的在动态环境下基于深度学习的自主建图方法， 其特征在于： 步 骤四中计算区域中全局地图点云的密集程度时， 在两块区域中分别选择以移动机器人中心 为球心、 半径为r、 顶角为 的球冠区域； 两块区域中的球冠区域分别为左侧区域和右侧区 域， 其中r为背景点云与移动机器人的距离； 以单位点云对应的面积Saver衡量全局地图点云的密集程度， 其中左侧区域中单位点云 对应的面积Saver1和右侧区域中单位 点云对应的面积Saver2计算如下： 其中S为球冠区域的面积， N1为全局地图点云投影到左侧区域 的点云数目， N2为全局地 图点云投影到左侧区域的点云数目， Saver数值越小则全局地图点云密集程度越高， 反之全 局地图点云密集 程度越低。 6.根据权利要求1所述的在动态环境下基于深度学习的自主建图方法， 其特征在于， 通 过以下方式对物体遮挡的环境进 行建图： 通过步骤三对物体轮廓信息进 行目标提取以及物 体检测， 并计算被物体遮挡 形成的视野盲区中全局 地图点云的密集程度； 如图物体为动态 物体， 且物体遮挡 形成的视野盲区中全局 地图点云密集程度小于设定值， 则以移动机器人 原地等待该动态物体离开， 再通过激光雷达获取视野盲区中的雷达点云； 如果物体为静态 物体， 且物体遮挡 形成的视野盲区中全局 地图点云密集程度小于设定值， 则移动机器人绕 道静态物体背后， 通过激光雷达获取视野盲区中的雷达点云； 获取雷达点云后， 再通过步骤一和步骤二实现动态 环境下全局地图点云的更新。 7.一种在动态 环境下基于深度学习的自主建图系统， 其特 征在于， 包括： 建立地图模块， 在有IMU数据初始估计的情况下将雷达点云与全局地图点云进行匹配， 得到具有转换矩阵的匹配结果， 识别出雷达点云中的背景点云和 运动物体点云； 将当前 的 背景点云和运动物体点云通过匹配结果中的转换矩阵投影到全局地图后， 用最小的长方体 框选出运动物体； 将长方体框与移动机器人原点之间的运动物体点云删除； 新的长方体框 位于旧的长方体框与移动机器人原 点之间时， 如果两个长方体框内的物体不是同一个运动 物体， 则将旧的长方体框的运动物体点云删除； 实现动态 环境下全局地图点云的更新； 目标检测模块， 根据更新后全局地图点云的深度信息对物体轮廓信息进行目标提取； 对目标提取 的结果进行降采样， 将得到的向量输入至预训练的神经网络中， 输出物体的检 测结果， 得到带有物体信息的全局地图点云； 探索模块， 以移动机器人当前运动方向为分界线将待探测区域分成两块区域， 计算两 块区域中的全局地图点云密集程度； 当两块区域的全局地图点云密集程度中的一个 或者全 部小于设定值时， 移动机器人向点云密度最低的区域移动， 再通过建立地图模块对全局 地 图点云进行 更新。权　利　要　求　书 2/2 页 3 CN 115307622 A 3