基于三维激光测距的移动机器人室外环境语义地图构建

In this project we will investigate the problem of semantic map building for mobile robots in 3D outdoor environments. Considering the complexity of 2D image representation for 3D laser scanning data, outdoor object detection and semantic information extraction, we try to present the systematic theory and practical method in the field of robot autonomous behavior. At the threshold of this project, we adopt a technique of dynamic compensation for 3D laser scanning data, so that a semantic mapping approach for complex outdoor environments can be proposed. Furthermore, we will focus on the sample updating technique in the scene understanding approach with online self-learning ability and the global consistency maintaining for large-scale semantic mapping. Also, we will lay emphasis on the research continuity and relationship between the basic image representation for 3D laser scanning data, outdoor scene understanding and semantic mapping, so that the complete theoretical framework and its application will be developed. Experimental results implemented on mobile robot platforms will be given to show the validity of the proposed methods. As the main tasks in the field of intelligent robot autonomous behavior, we will investigate the new problems when mobile robot works in 3D outdoor scenes, as well as provide technical support for future practical application by autonomous robot system in real environments.

以工作在室外三维环境中的移动机器人语义地图构建为研究对象，针对三维激光数据图像化表述、室外物体识别以及环境语义信息提取等问题，研究移动机器人在室外环境中的自主行为问题的系统理论与实用方法。从三维激光数据的动态补偿入手，建立面向复杂室外三维场景的语义地图构建方法框架，重点研究具有在线自学习能力的室外场景理解中的样本更新，以及大范围语义地图构建中的全局一致性维护问题，强调研究由基础的三维激光数据图像化表述、到自主室外场景理解、再到基于复合特征的语义地图构建研究所具有的相关性和连续性，给出针对这些共性问题的完整理论框架与使用方法，并利用实际平台进行实验验证。作为智能机器人自主行为理论的一项重要内容，本项目意义在于解决移动机器人自主工作在室外三维场景中所出现的新问题，从而为该方法的实用化提供可靠的技术支持和原型验证。

本基金项目针对工作在室外环境中的移动机器人三维激光数据图像化表述、物体识别以及环境语义地图构建等问题展开研究工作。为了有效识别环境中的物体，提出一种ODVL（Optimal Depth & Vector Length）图模型，比起传统的灰度图模型有着更好的景物边界区分度以及纹理质量，再用Gentle-AdaBoost算法实现对图像中超像素块的分类，通过将分类结果反投到三维激光点，实现对三维室外场景中典型物体的分类。为了解决三维激光数据点分布不均衡现象，在三维空间中计算一个最优平面作为投影面，建立了三维激光数据的RGB-DI图像模型，并设计一种具有深层次的全卷积神经网络模型，实现RGB-DI图像的语义分割。为了实现对散乱三维激光数据的图像化表述，对三维激光点进行球形投影，并将球面进行栅格划分，进而利用栅格中点的几何关系生成二维图像，提取图像的ORB特征，对ORB特征描述空间进行聚类，生成树形描述空间，以提高场景特征搜索效率，应用词袋技术实现场景的高效描述和匹配。在场景理解的基础上，获得机器人周围环境的语义描述，并为环境节点与道路节点生成拓扑关系，得到室外环境的拓扑地图，随着机器人的运动，不断有新的环境被感知和理解，现有的语义地图中的节点信息需根据情况实时地更新，从而生成面向大范围室外环境的拓扑语义地图。此外，还开展了基于迁移学习理论的物体分类和识别的前期研究。上述研究工作所提出的方法均在移动机器人平台上进行了系统的实验验证，实验结果验证了所提方法的有效性。上述研究成果发表在国内外学术期刊及本领域的国际会议上。本项目的研究工作为课题组后续开展移动机器人面向非结构化场景的智能化运行奠定了良好的研究基础。