基于Netvlad神经网络的室内机器人全局重定位方法

doi:10.3778/j.issn.1002-8331.1910-0399

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (9): 175-182.DOI: 10.3778/j.issn.1002-8331.1910-0399

基于Netvlad神经网络的室内机器人全局重定位方法

陈承隆，邱志成，杜启亮，田联房，林斌，李淼

1.华南理工大学机械与汽车工程学院，广州 510640
2.华南理工大学自主系统与网络控制教育部重点实验室，广州 510640
3.华南理工大学珠海现代产业创新研究院，广东珠海 519170
4.广州地铁设计研究院股份有限公司，广州 510010
5.日立电梯（广州）自动扶梯有限公司，广州 510660

出版日期:2020-05-01 发布日期:2020-04-29

Indoor Robot Global Relocation Method Based on Netvlad Neural Network

CHEN Chenglong, QIU Zhicheng, DU Qiliang, TIAN Lianfang, LIN Bin, LI Miao

1.School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China
2.Key Laboratory of Autonomous Systems and Network Control, South China University of Technology, Guangzhou 510640, China
3.Zhuhai Institute of Modern Industry Innovation, South China University of Technology, Zhuhai, Guangdong 519170, China
4.Guangzhou Metro Design & Research Institute Co., Ltd., Guangzhou 510010, China
5.Hitachi Elevator（Guangzhou） Escalator Co., Ltd., Guangzhou 510660, China

Online:2020-05-01 Published:2020-04-29

摘要/Abstract

摘要：

针对已知地图的室内机器人全局重定位、绑架恢复问题，提出一种基于改进的Netvlad卷积神经网络的室内机器人全局重定位方法，通过激光雷达获取的障碍物信息引导机器人到达空旷区域，粗定位阶段，使用栅格地图最短连通域距离作为正样本判据，并对Netvlad引入残差网络，通过图像检索得到机器人的粗略位置及角度信息。使用粗定位阶段得到的位置和角度信息作为自适应蒙特卡罗定位的初始值来估计机器人的精确位姿。实验结果表明，与传统定位方法相比，该方法可以使机器人从绑架问题中快速恢复准确位姿。

关键词: 激光雷达, 自适应蒙特卡洛, 卷积特征, 重定位, 绑架恢复

Abstract:

Aiming at the problem of global relocation and kidnapping recovery of indoor robots with known maps, a global relocation method of indoor robot based on improved Netvlad convolutional neural network is proposed. The obstacle information obtained by laser radar is used to guide the robot to reach the open area. In the positioning phase, the shortest connected domain distance of the raster map is used as the positive sample criterion, and the residual network is introduced into Netvlad, and the rough position and angle information of the robot is obtained through image retrieval. The position and angle information obtained from the coarse positioning phase is used as the initial value of the adaptive Monte Carlo positioning to estimate the precise pose of the robot. Experimental results show that compared with the traditional positioning method, this method can make the robot quickly recover the accurate pose from the abduction problem.

Key words: laser radar, adaptive Monte Carlo, convolution feature, reset, kidnapping recovery

陈承隆，邱志成，杜启亮，田联房，林斌，李淼. 基于Netvlad神经网络的室内机器人全局重定位方法[J]. 计算机工程与应用, 2020, 56(9): 175-182.

CHEN Chenglong, QIU Zhicheng, DU Qiliang, TIAN Lianfang, LIN Bin, LI Miao. Indoor Robot Global Relocation Method Based on Netvlad Neural Network[J]. Computer Engineering and Applications, 2020, 56(9): 175-182.

[1]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[2]	崔洲涓，安军社，陈长龙，崔天舒. 基于PYNQ框架的深度卷积特征异构跟踪系统[J]. 计算机工程与应用, 2021, 57(4): 120-126.
[3]	王思奎，刘云鹏，亓琳，张钟毓，林智远. 基于背景约束与卷积特征的目标跟踪方法[J]. 计算机工程与应用, 2020, 56(8): 205-214.
[4]	杨爽，曾碧，何炜婷. 融合语义激光与地标信息的SLAM技术研究[J]. 计算机工程与应用, 2020, 56(18): 262-271.
[5]	魏丽1，丁萌2，3，曾丽娜2，曾丽君1. 激光雷达引导下的红外图像中行人检测[J]. 计算机工程与应用, 2017, 53(23): 197-202.
[6]	孙朋朋，闵海根，徐志刚，赵祥模. 采用延伸顶点的地面点云实时提取算法[J]. 计算机工程与应用, 2016, 52(24): 6-10.
[7]	陈永辉1，2，岳丽华1. 鲁棒的点云曲线骨骼提取算法[J]. 计算机工程与应用, 2016, 52(24): 23-28.
[8]	卢昊，庞勇，李增元. 倒排索引优化的波形激光雷达数据存储和访问[J]. 计算机工程与应用, 2015, 51(16): 243-247.
[9]	游安清1，韩晓言2，潘旭东1，贺喜1. 一个输电线系统净空排查算法的优化过程[J]. 计算机工程与应用, 2014, 50(17): 259-262.
[10]	袁甜甜1，2，徐敬东1，张建忠1. 无线传感网中能量有效的多sink重定位算法[J]. 计算机工程与应用, 2013, 49(2): 19-23.
[11]	王宗跃^1，2，马洪超²，徐宏根³，杨志伟¹. 海量点云的边缘快速提取算法[J]. 计算机工程与应用, 2010, 46(36): 213-215.
[12]	徐景中，姚芳. LIDAR点云中多层屋顶轮廓线提取方法研究[J]. 计算机工程与应用, 2010, 46(32): 141-143.
[13]	王宗跃^1，2，马洪超²，邬建伟²，徐宏根³，彭检贵². 一种新的等高线质量评价方法[J]. 计算机工程与应用, 2010, 46(20): 30-32.
[14]	王宗跃^1，2，马洪超²，徐宏根³，邬建伟²，彭检贵². 在集群多核CPU环境下的等高线并行提取方法 [J]. 计算机工程与应用, 2010, 46(17): 5-7.
[15]	王宗跃^1，2，马洪超¹，徐宏根³，彭检贵¹. 结合影像和LiDAR点云数据的水体轮廓线提取方法[J]. 计算机工程与应用, 2009, 45(21): 33-36.

基于Netvlad神经网络的室内机器人全局重定位方法

Indoor Robot Global Relocation Method Based on Netvlad Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics