面向户外未知大场景的自主在线智能扫描关键技术研究

It is a challenge for mobile robots to automatically collect data in outdoor unknown scenes. It requires the robot to intelligently analyze the scene and plan the scan path to obtain environment information as much as possible. However, the open topological structure and complex topography of the outdoor unknown environment bring technical problems to the online scene analysis and path planning of the robot. With the development of computer graphics technology, it is a critical time to make significant advances in point cloud scene online analysis. Based on 3D laser scanning point clouds, we try to propose a robotic online scene data collection framework for outdoor unknown scenes. On the point cloud scene constructed in real time by simultaneous localization and mapping method, a learning method is adopted to predict and classify the travelable area. Also, a confidence map is established directly in point clouds by using the scene topology structure information and geometric features. On the other hand, we propose a dimension based method to evaluate the quality of local point clouds, and then establish a quality feedback channel for scanning task. By using the approximate solution to solve the online traveling salesman problem in path planning, the next best viewpoint to robot can be obtained on the confidence map, so that the mobile robot can perform an optimal collection. The research on robot autonomous acquisition in unknown outdoor scenes would improve the scene perception ability of mobile robot, and the robot can thus adapt to more complicated tasks in different outdoor environments.

机器人在户外未知场景下自主采集数据要求机器人能够智能分析场景并规划扫描路径，最大化地获取环境信息。然而户外未知环境的开放拓扑结构、复杂地形地貌都对机器人在线场景分析和路径规划带来技术难题。随着计算机图形学方法的发展，目前正是在场景分析上做出突破性研究的关键时刻。本项目拟采用三维激光点云数据，研究和建立面向户外未知场景的机器人在线自主采集技术框架。基于SLAM实时更新的点云场景，采用学习预测的方法获取可行驶区域，利用场景拓扑和几何结构特征构建点云置信度地图。同时，我们采用测度学维数的方法进行点云局部降质检测，建立采集质量反馈回路。接着，通过采用面向在线旅行商问题的近似解法在置信度地图上获取下一个最佳视点，并进行局部曲线优化，从而使机器人进行最佳采集。对未知场景下机器人自主采集的研究可以提升机器人环境感知能力，使得机器人可以适应户外不同环境下的自主作业。

本项目主要开展机器人自主采集和路径规划的研究，该项目所要解决的关键问题主要为点云置信度地图的实时构建、点云扫描质量的实时评估、户外场景下的机器人路径规划、点云深度网络的三维点卷积运算、点云深度网络的特征增强学习。针对这些问题，本项目开展的研究内容主要包括基于场景拓扑分析的置信度地图构建、基于分形维数计算的点云扫描质量估计、基于全局和局部协同的路径规划、基于豪斯多夫点卷积的深度神经网络、基于注意力点学习的特征增强模块。在导航地图构建的研究内容方面，本项目的创新在于提出多特征的场景置信度加权建图方法，实现了对场景开阔性、地物分布、采集现状的实时描述，达到了机器人的实时场景感知；在点云扫描质量估计的研究内容方面，本项目的创新在于提出采用分形维数进行点云立面的完整性衡量，实现了在线采集和评估的一体化；在机器人路径规划的研究内容方面，本项目提出了全局和局部协同的方法，实现了拓扑和几何联合优化的路径生成创新；在三维点云卷积的研究内容上，本项目提出了豪斯多夫点卷积，实现了先验形状与目标的相似度计算，从而实现点云的自动特征提取。在特征增强学习方面，本项目的创新在于构建了单注意力点的结构化特征补充模块，实现深度网络的特征增强。本项目按照研究计划顺利开展，已完成研究目标。研究成果经总结发表3篇高水平SCI期刊论文，申请4项专利，登记1项软件著作权。所取得的成果已得到同行关注和引用，将满足实时感知、场景制图、机器人路径规划等具体技术需求，从而应用于无人驾驶、智慧城市、数字测绘、智慧农业等领域。