掃地機器人視覺SLAM算法選擇與改進TOC\o"1-3"\h\u16134第1章緒論 第1章緒論1.1課題的研究意義及目的從上世紀60年代開始，世界各地越來越多的學者開始進行機器人研究，隨著研究的不斷發展，機器人可在惡劣環境下工作、生產質量穩定和降低勞動強度、有效提高產能等優點逐漸凸顯出來，并在工業領域得到廣泛應用。但傳統的機器人機械臂作業缺乏足夠的獨立性和自主性，而且靈活性和智能化程度偏低，無法自主移動并完成工作。為了克服傳統工業機器人的這些缺點，學者們的研究重點逐漸轉向自主移動機器人，要求自主移動機器人可以在工作空間內安全的運動，并且完成指定的任務。所以最近幾年來關于自主移動機器人的研究成為了機器人研究領域的主要研究方向。為了跟上時代的步伐，我國在制定的“十一五”規劃和中長期科學和技術發展規劃中都把智能機器人技術作為重點發展方向，以家用機器人、危險作業機器人和醫療機器人等作為主要突破口，從而以點帶面促進相關產業的發展。因此在世界各國的產業重心從制造業像非制造業轉移的趨勢下，機器人技術的研究重點也從結構式環境下工作的固定式機械臂、機械手轉向復雜非結構式環境下自主移動式平臺和機器人智能化。在這樣的潮流背景下，掃地機器人結合了傳統吸塵器與移動機器人的優點出現在市場上，它避免了傳統吸塵器需要由人操作且操作安放不方便、體積大、占用空間大的缺點，使環境清潔作業更加智能化和自動化，逐漸成為高效高質清潔的有效途徑。掃地機器人融合了傳感器技術、控制技術、計算機技術等許多學科的相關知識與最新研究成果，技術含量高，是一種智能環保的家用機器人，在家居生活越來越智能化的今天具有巨大的市場需求。隨著相關科學與技術的發展，掃地機器人將向著低成本、多功能、高智能的方向不斷進步，并將出現在越來越多的家庭中，帶來更多的社會效益與經濟效益。當前市場上存在的掃地機器人產品按清掃類型分類主要分為隨機碰撞式和路徑規劃式兩種類型。隨機碰撞式掃地機器人采用隨機路線進行清掃，清掃的同時會主動檢測或被動感知障礙物進行避障。路徑規劃式掃地機器人在運行過程中會建立環境地圖，可以通過地圖導航更加智能的完成清掃作業。隨著掃地機器人技術的進步，出現了隨機碰撞式掃地機器人逐漸被路徑規劃式掃地機器人所取代的趨勢。路徑規劃式掃地機器人的核心技術之一就是SLAMCSimultaneousLocalizationandMapping）技術，而現有的掃地機器人產品中能夠實現SLAM功能的掃地機器人價格昂貴，而且主要是一些國外品牌，因此對低成本、具有SLAM功能的掃地機器人的研究具有十分重要的意義。1.2國內外掃地機器人與SLAM技術研究現狀1.2.1國外掃地機器人與SLAM技術研究現狀1.2.1.1國外掃地機器人研究現狀關于智能移動機器人的研究己經有很長一段時間，但大多數研究更多的是在實驗室環境下運行，很難實用化，掃地機器人可以稱作是智能移動機器人走出實驗室進入大眾市場實現實用化的先例。從1980年起，人們就開始研究可供家庭使用的掃地器人，隨著時間的推移和科技的進步，市場上出現了很多產品，其中最具代表性的掃地機器人產品是美國iRobot公司推出的Roomba系列掃地機器人，Roomba系列掃地機器人是美國iRobot公司從2002年至今一直致力于研發生產的產品線，其中的兩款旗艦產品iRobotRoomba780和iRobotRoomba980分別代表了目前流行的兩類掃地機器人:隨機碰撞式掃地機器人和路徑規劃式掃地機器人。2012年，iRobotRoomba780掃地機器人獲得了德國設計協會DesignZentrumNordrheinWestfalen的“紅點設計榮譽提名獎”。如圖1-2所示，它屬于隨機碰撞式掃地機器人搭載了iAdapt智能尋路技術，該技術是iRobot公司的專利技術，可以理解為一種集環境信息感知和路徑規劃為一體的技術，需要相關軟件和傳感器等硬件的支持。iRobotRoomba780工作時會對其機身自帶的紅外傳感器、液體和灰塵傳感器、清掃邊刷速度傳感器等各類傳感器進行信息采集，通過將信息輸入掃地機器人控制系統獲得工作環境中障礙物的分布等信息，然后根據獲得的障礙物信息制定出清掃策略完成清潔作業。在iRobotRoomba780清潔作業的過程中，其采用的相關硬件設備和iAdapt技術能夠對周邊環境進行每秒60次的信息采集，充分保證了障礙物信息獲取的及時性與準確性，確定障礙物信息后還可以制定40多種不同的清掃策略，并且在運行中還可以根據新采集的信息邊清掃邊調整清掃策略以獲得更好的清掃效果。圖1-2iRobotRoomba7802015年9月，美國iRobot公司發布了iRobotRoomba980掃地機器人，其外觀如圖1-3所示。iRobotRoomba980采用了單目攝像頭和車輪里程計等傳感器實現了視覺SLAM技術，使掃地機器人具備了環境地圖構建和機身定位功能，并采用升級過后的iAdapt2.0技術進行避障和路徑規劃。iRobotRoomba980的視覺SLAM技術使用車輪里程計獲得機身的差分運動估計，通過機身頂部斜向上的攝像頭獲得環境的圖像信息，然后通過視覺SLAM算法獲得環境地圖并確定機身在環境中的位置，此外iRobotRoomba980構建環境地圖之后還可以記錄各環境區域的清掃情況，避免重復清掃。iRobotRoomba980由于采用了視覺SLAM技術，可以完成環境地圖的構建并制定合理的清掃路徑，有效避免了隨機碰撞式清掃重復率高的問題，屬于路徑規劃式的掃地機器人，它可以將所有區域規則的進行清掃，并且如果在清掃過程中電量過低可返回充電并自動續掃。iRobotRoomba980相比于其他產品功能更加豐富，科技含量更高，也導致了其價格比其他產品更加昂貴。鑒于掃地機器人的市場需求較高，對低成本的掃地機器人的研究有很廣闊的前景。圖1-3iRobotRoomba9801.2.1.2國外SLAM技術研究現狀隨著iRobotRoomba980的出現，隨機碰撞式掃地機器人升級為路徑規劃式掃地機器人的趨勢越來越明顯。由上文可知，路徑規劃式掃地機器人所使用的核心技術是SLAM技術。20世紀80年代人們開始涉及SLAM問題的研究，Smith等在論文中介紹了一種用于估計表示物體相對位置的坐標系之間的標稱關系和預期誤差（協方差）的通用方法，說明了隨機環境地圖的理念，是關于SLAM問題的首個論文。之后Leonard等在論文中討論了同時進行地圖構建和機器人自身定位的問題，提出SLAM的概念。隨著這一概念的提出，該問題逐漸引起了相關研究人員的普遍關注，1999年在倫敦舉行的機器人研究國際研討會上，召開了關于SLAM問題的會議。現在，每年的機器人國際會議與一些機器人領域的國際期刊都會舉辦相關專題討論或發表SLAM專輯，由此可見，國外關于SLAM問題的研究變得越來越普遍，并出現了SLAM研究的熱潮。Durrant等在論文中說明了SLAM問題的演變過程與解決方案，并對相關研究方法進行簡要概述。圖1-4是目前關于SLAM問題的主要研究方法及其分類。圖1-4SALM的主要研究方法SLAM問題從數學的角度分析是一個狀態估計問題，即根據傳感器獲得的輸入信息對機器人的位姿和地圖特征位置進行狀態估計。關于狀態估計問題的求解，求解方法可以分為基于卡爾曼濾波器（KF）的方法、基于粒子濾波器（PF）的方法、基于圖優化的方法三類。基于卡爾曼濾波器和粒子濾波器的SLAM求解方法是在貝葉斯狀態估計理論的基礎上發展而來。貝葉斯狀態估計理論主要解決在系統的觀測和控制信息己知的情況下估計系統各狀態的后驗概率的問題。當系統的噪聲滿足高斯分布且系統可近似為線性系統時，采用基于卡爾曼濾波器的方法求解SLAM問題能夠得到較好的結果。基于卡爾曼濾波器的方法可以按后驗概率表達方法的不同分為擴展卡爾曼濾波器、無損卡爾曼濾波器、擴展信息濾波器（EIF、稀疏擴展信息濾波器等方法。基于粒子濾波器的方法中比較經典的算法是Doucet等人提出的基于Rao-Blackwellized粒子濾波器（RBPF）方法，這一方法首先假設地圖上的特征點彼此獨立，只依靠機器人運行的路徑軌跡相關聯，在此假設基礎上可以將SLAM問題中聯合狀態估計問題分解為機器人軌跡估計和地圖特征估計兩個估計的乘積形式，從而提高了問題求解的計算效率。FastSLAM是基于粒子濾波器的SLAM方法的又一代表算法，該方法由Montemerlo等人在2002年提出，之后又在此基礎上進行了優化提出了FastSLAM2.0。該算法具有計算效率較高和準確性較高的優點，可以在室內和室外小規模環境運行，同時該方法避免了基于Kalman濾波方法只能用于線性系統的缺點，可以用于非線性系統。基于卡爾曼濾波器和粒子濾波器的SLAM求解方法具有類似的計算方法，它們都基于隱式馬爾科夫模型（HMM）假設，根據之前時刻的系統狀態通過事先建立的機器人運動模型和傳感器觀測模型，對系統下一時刻的狀態進行更新。這類方法實時性較好并且具備在線更新地圖的優點，但也存在一些缺點，比如在實際使用情況下，系統的參數會存在誤差，傳感器的觀測也會受到噪聲的影響，當系統長時間運行時，這些因素會造成比較大的誤差累積，從而所構建的地圖發生不一致現象。這種現象在將該類方法應用于大規模環境時，很容易出現，因此需要避免該類方法應用于大規模環境下。基于圖優化的SLAM求解方法通過使用閉環檢測和捆集調整等方法可以有效改善上述兩種方法存在的誤差累積問題，用于大規模環境建圖與定位時可以獲得良好的效果，是目前比較流行的SLAM求解方法。近年來出現的LSD-SLAM,ORB-SLAM,RGB-DSLAM等算法都是基于圖優化的SLAM求解方法。基于圖優化的SLAM方法，采用圖的方式對SLAM問題進行表示，圖是由節點和邊組成的模型，其中圖中的節點可以表示不同時刻的機器人位姿和環境中特征點位置等信息，圖中的邊則表示不同節點之間的約束關系，將具有約束關系的節點用邊連接在一起，就構成了SLAM問題的圖表示。圖1-5基于圖優化的SLAM框架如圖1-5所示，基于圖優化的SLAM方法通過前端和后端兩個部分對SLAM問題進行求解。前端的功能是完成圖的構建，即根據傳感器的觀測信息和控制輸入等信息求解機器人和環境的狀態和它們之間的約束關系，分為順序數據關聯與閉環檢測兩個部分。順序數據關聯是對兩個相鄰數據幀進行配準以及通過配準求得兩幀之間的相對姿態，閉環檢測是通過判斷數據幀之間的相似程度來判斷機器人是否回到以前觀測到環境中。通過前端的這兩個部分，前端對從傳感器獲得的數據進行處理獲得機器人的位姿以及數據幀之間的約束關系，完成圖的構建。后端的功能是完成圖的優化，后端在前端所獲得的圖的基礎上采用捆集調整等全局優化方法進行位姿圖優化，從而進一步減小誤差累積，提高建圖精度。1.2.2國內掃地機器人與SLAM技術研究現狀1.2.2.1國內掃地機器人研究現狀目前基于SLAM技術的國產路徑規劃式掃地機器人并未研制出來，市場上的國產產品與國外產品相比還有些差距。由于隨機碰撞式掃地機器人不能對環境進行建圖，它們所采用的清掃尋路避障程序相對來說比較簡單，大部分都是根據傳感器是否檢測到障礙物以一種或幾種固定的清掃方式進行作業。市場上的國產掃地機器人由于要控制制造成本，所采用的傳感器數量不多而且精度不高，產品通常配有遙控器或在機身上布置有幾個遙控按鈕，提供給用戶幾種清掃模式進行選擇。這些按鍵看上去功能豐富，但其實這正是智能化程度不夠的體現，真正智能化程度高的掃地機器人應該只具有自動清掃和定點清掃兩種比較簡單的模式，自動清掃模式由掃地機器人自己規劃路徑完成清掃，當需要對某一位置進行臨時清掃時使用定點清掃模式完成，這正是路徑規劃式掃地機器人所具備的優點。盡管國產掃地器人還不夠智能，但國產掃地機器人產品價格低廉，2000元以下的國產品牌的銷量占據了掃地機器人市場很大的份額。1.2.2.2國內SLAM技術研究現狀相比于產品上的差距，技術研究領域有很多進展。近年來，國內學者圍繞自主移動機器人定位與建圖方法進行了許多探索。晃志超等人采用單目攝像機和激光測距儀設計了一種位姿測量系統，將激光測距儀采集的測距數據和單目攝像機獲得的數據進行了融合，從而改善了系統測量位姿的精度陳小龍等人提出一種飛行器室內定位方法，通過對地面標志線進行特征提取并與慣性測量單元進行數據融合可以確定飛行器的在室內的位置，該方法的定位誤差可以達到正負10cm。張學習等人建立了全向輪運動模型、電子羅盤模型、全向視覺成像模型并將多種傳感器獲得的信息進行融合，使用粒子濾波器實現了機器人精確的多傳感器融合定位。寧小磊等人提出了一種基于粒子濾波算法的新型容錯信息融合算法，可以處理聯邦濾波子系統多源數據，并可以用于非高斯非線性系統。邱愛兵等人提出了一步預測再集中融合估計的算法，并使用左同步提升技術對異步多傳感器系統進行重新建模。杜光勛等人提出了一種用于解決帶有隱式感知方程的線性狀態估計問題的隱式卡爾曼濾波器算法，將加速度信息中的偏移量作為卡爾曼濾波器的狀態進行估計用于補償位置估計。張毅等人提出一種采用貝葉斯方法對激光傳感器和RGB-D相機進行信息融合的同時定位與地圖創建方法，建立了機器人環境的不確定度模型，獲得了高精度的地圖。第2章SLAM算法選擇與改進和路徑規劃算法設計當前學者對于SLAM算法和路徑規劃算法的相關研究，多集中于實驗室應用而且缺乏各算法之間的有效銜接，為了構建一個完整的掃地機器人控制系統，需要對己存在的算法進行選擇、改進，并采用合適的方法進行銜接，以實現掃地機器人環境建圖功能和路徑規劃功能。本章將針對掃地機器人這一特定應用場景，完成相關算法的選擇與改進，并實現各算法之間的有效銜接。2.1SLAM算法傳感器選擇與相機標定模型的建立2.1.1SLAM算法傳感器類型比較目前可以用于求解SLAM問題的傳感器類型有很多，主要分為超聲波傳感器、激光測距儀、攝像機等，其中激光測距儀根據應用場景不同分為二維激光測距儀和三維激光測距儀，攝像機又可以分為單目視覺、雙目立體視覺、全景視覺、RGB-D相機等應用方法。2.1.1.1超聲波傳感器超聲波傳感器通過測量聲波的傳播時間來計算傳感器與物體的距離，由于其價格低廉而且數據處理方法十分簡便，超聲波傳感器曾被廣泛應用于解決SLAM問題。超聲波傳感器采用聲波進行測量，很容易受到環境中各種因素的影響，因此測量精度差，這是超聲波傳感器的主要缺點。由于超聲波傳感器發射的聲波在介質中以扇形向遠處傳播，因此使用單個的超聲波傳感器無法準確地確定所測得物體在扇形區域的準確位置。這個問題可以通過多個超聲波傳感器組合使用解決，但這種使用方法又會引入新的問題:在室內環境較小的情況下，某一個超聲波傳感器發射的聲波會被另一個超聲波傳感器所接收，從而造成測量錯誤。基于上述論述，可以看出若使用超聲波傳感器作為掃地機器人的主要傳感器，所能獲得信息量小且精度差。并且由于室內環境的復雜可能會導致傳感器無法獲得障礙物的距離信息，從而無法滿足SLAM算法的精度要求。2.1.1.2激光測距儀激光測距儀通過測量主動發出的光信號的傳播時間來測量物體到測距儀之間的距離信息。激光的傳播速度快，所需的測量時間短，傳感器的主要測量速度由距儀中的電機轉速決定。激光傳感器采用激光作為測量對象，不容易受到其他因素的干擾，獲得的距離信息準確。激光距儀相比于其他的主動傳感器在測量時可以測量更大的角度，獲得更多的數據點，但在處理鏡面或類似于鏡面等光滑物體的表面時，會出現接收不到信號的現象，另外激光測距儀可以獲得物體的方位和距離信息，但相比于攝像機所能獲得圖像信息而言，獲取的信息量較少，而且相較于超聲波傳感器與普通攝像機，價格十分昂貴。2.1.1.3攝像機攝像機通過鏡頭、光電轉換系統和相關電路將景物光像轉變為電信號獲得圖像，是一種被動傳感器，根據具有的攝像頭個數和種類的不同可以分為三類:單目視覺、雙目視覺、RGB-D相機。單目視覺SLAM采用單個攝像頭獲得環境的圖像或視頻信息用于SLAM算法。使用單目視覺首先需要對相機進行標定獲得單目相機的內參數，然后通過多副圖像之間的對應關系獲得圖像中物體的深度信息，利用相關算法完成SLAM問題的求解。單目視覺攝像機價格低廉，傳感器模型簡單，而且相機標定方便，可以獲得大范圍的圖像信息，是SLAM算法經常使用的一類傳感器。單目視覺SLAM一個最大的特點是尺度不確定性，它無法獲得環境的絕對尺度，但這個特點也有有利的一方面，它使得單目視覺SLAM可以用于室內和室外兩種環境而不受尺度大小的影響。雙目視覺SLAM采用左右兩個攝像頭獲得環境的圖像信息，類似人眼的立體視覺原理，可以比較方便的獲得障礙物的距離信息。雙目視覺使用時也需要對相機進行標定，獲得相關參數矩陣，通過立體視覺匹配方法可直接獲得障礙物相對于相機的距離，進而通過相關算法完成SLAM問題求解。采用雙目視覺無論在相機運動或是靜止的時候都可以獲得障礙物深度信息，有效的避免了單目視覺深度獲取困難的問題，但相比于單目視覺，雙目視覺的相機制作與標定更加復雜，而且能夠測得的深度范圍受到相機分辨率和雙目相機之間基線影響，獲取的視場范圍較單目視覺小，價格也相對較高。RGB-DSLAM采用RGB-D相機獲得環境的圖像信息和距離信息，RGB-D相機是根據結構光測距或飛行時間距原理制作而成的，可以直接獲得像素點到所對應的物體表面點的實際距離。與常用的單目相機和雙目相機相比，它可以不僅可以獲取信息豐富的圖像還可以方便地獲取障礙物距離，從而簡化相關SLAM算法的復雜度。作為新出現的傳感器，目前大部分RGB-D相機也有一些缺點，比如視場范圍小、圖像噪聲大、測量范圍窄等問題，另外RGB-D相機相較于傳統相機價格更高。掃地機器人主要運行于室內環境，室內環境結構復雜紋理豐富，超聲波傳感器盡管價格低廉，但精度低，不適合應用于此類環境。激光傳感器相對來說精度高，但其體積大，成本高也不適合用于掃地機器人。RGB-D相機屬于新型傳感器，可以方便的獲得環境的圖像和距離信息，但價格高昂，市場范圍小不適合應用于掃地機器人。單目視覺和雙目視覺相比于上述傳感器優點是成本低，同時可以獲得豐富的信息，比較適合于掃地機器人，考慮到掃地機器人的的體積應盡可能的小，同時視場范圍應足夠大以獲得更多的信息，最終選用單目攝像機作為掃地機器人的主要傳感器。2.2掃地機器人視覺SLAM算法選擇與改進根據緒論所述的SLAM算法相關現狀，本文從目前比較流行的基于圖優化的視覺SLAM算法中選擇合適算法用于掃地機器人控制系統，實現掃地機器人的環境建圖功能。2.2.1視覺SLAM算法的比較基于圖優化的視覺SLAM算法根據估計相機運動所使用的方法不同分為分為特征點法和直接法兩種。特征點法采用從圖像中提取的特征點估計相機運動，特征點法比較有代表性的算法是RaulMur-Artal等人于2015年提出的ORB-SLAM算法和于2016年提出了ORB-SLAM2算法。ORB-SLAM算法采用ORB特征求解SLAM問題，ORB特征比具有良好效果的SIFT,SURF特征更加快速，同時與快速的BRIEF，LDB特征相比又具備旋轉不變性，是一種快速穩定的圖像特征。ORB-SLAM算法在同時跟蹤與建圖（PTAM）算法的基礎上發展而來，包含地圖初始化、特征跟蹤、局部地圖構建和閉環檢測等主要模塊。各組成模塊都采用ORB特征進行運算，銜接流暢，內在一致性好。算法可以在不使用GPU的情況下在現有的計算機CPU上做到實時運行，并可以取得良好的建圖精度與定位精度，獲得環境的稀疏點云圖。ORB-SLAM最初采用單目視覺，后來也支持采用雙目視覺和RGB-D相機。直接法采用圖像的部分或全部像素信息估計相機運動，直接法的代表性算法是JakobEngel等人于2014年提出的LSD-SLAM算法，算法主要包括圖像跟蹤、深度圖估計、地圖優化等主要模塊，與ORB-SLAM算法只使用從圖像中提取的ORB特征點計算不同，每個模塊都直接采用圖像的像素信息進行計算，極大的保留了環境細節信息，可以構建環境的半稠密點云圖。相比于使用特征點其他SLAM方法，LSD-SLAM算法可以在無特征的或特征比較少的環境中運行，避免了特征提取的耗時。LSD-SLAM算法也可以在不使用GPU的情況下在現有的計算機CPU上實時運行，具有良好的建圖精度與定位精度。掃地機器人通常在家庭使用，運行于室內環境中，室內環境既有紋理豐富的各種家具電器等，又有缺少特征點的墻壁地面等結構，為了能構建良好的環境模型，采用不使用特征點的LSD-SLAM算法更加合適。更重要的一點是ORB-SLAM算法因為采用從圖像中提取的ORB特征進行計算，不具備環境稠密重建能力只能構建環境稀疏點云地圖，地圖中的環境細節信息太少，而且對于之后掃地機器人的路徑規劃來說，采用稀疏點云圖進行導航十分困難。LSD-SLAM算法采用直接法可以保留圖像中的大多數信息，獲得環境半稠密點云地圖，從而使之后的掃地機器人路徑規劃成為可能。綜合來看，選用LSD-SLAM算法作為掃地機器人的主要算法更適合。2.2.2LSD-SLAM算法流程與改進LSD-SLAM算法由三個主要組成部分組成:圖像跟蹤模塊、深度估計模塊和地圖優化模塊，如圖2-4所示:圖2-4LSD-SLAM算法流程為了啟動LSD-SLAM系統，算法剛開始會使用隨機深度和極大的方差來初始化第一個關鍵幀，隨著相機進行足夠的平移運動獲得更多圖像后，算法會將關鍵幀鎖定到某個確定的深度配置，最終關鍵幀的深度信息會收斂到正確的配置。初始化第一關鍵幀后算法開始進入三個主要模塊，下面是LSD-SLAM三個模塊的主要功能。（1）圖像跟蹤當從傳感器或內存讀入一個新圖像時，通過最小化方差歸一化光度誤差的方法估計當前圖像幀相對于現有關鍵幀3D剛體變換矩陣，獲得當前幀的位姿。（2）深度估計判斷當前幀是否可以做為新關鍵幀，若可以則將之前的關鍵幀中的點投影到當前幀，從而得到這一幀的有效點，當前幀深度信息通過sim（3）變換投影均值和縮放因子，最后用新的關鍵幀替換掉之前的關鍵幀。若不可以則使用當前幀通過小基線立體匹配等方法對之前關鍵幀深度信息進行優化。（3）地圖優化通過最小化方差歸一化光度和深度誤差方法獲得新關鍵幀與相鄰幀的相對姿態，當兩幀相似度足夠大時將新關鍵幀插入全局地圖，之后對地圖進行閉環檢測進行全局地圖優化。本文選擇單目攝像頭作為SLAM算法的傳感器，由于該單目攝像頭與JakobEngel等人使用的攝像頭不同，因此需要對算法的相關參數進行改進以適應攝像頭的圖像噪聲和強度對比度，同時為了獲得良好的建圖效果需要對選擇關鍵幀的閡值進行調節，通過這些參數的調節來改進LSD-SLAM算法使其更加適應掃地機器人的使用環境和本文選擇的攝像頭。2.3路徑規劃算法地圖類型選擇與轉換能否構建環境地圖是區分隨機碰撞式掃地機器人和路徑規劃式掃地機器人的關鍵，隨機碰撞式掃地機器人因為無法構建環境地圖，只能隨時檢測是否出現障礙物按某一固定策略進行清掃，而路徑規劃式掃地機器人由于構建了環境地圖，可以方便的進行路徑規劃，自主避開障礙物完成清掃。LSD-SLAM算法獲得的半稠密環境點云地圖占用空間大，且不適合用于路徑規劃，需要選擇一種其他的地圖類型用于掃地機器人。2.3.1路徑規劃常用地圖類型比較可以用于導航和路徑規劃的常用環境地圖類型主要有以下三種:柵格地圖、特征地圖和拓撲地圖。柵格地圖使用很多小柵格等分環境，通過傳感器獲得的障礙物位置信息和可通行區域位置信息對每個小柵格進行賦值，用來表示環境中的障礙物對柵格的占用情況。柵格地圖是目前經常使用的環境地圖類型，能夠顯著改善LSD-SLAM獲得的點云圖占用空間大的問題。柵格地圖根據分辨率的不同可以精細或粗略地描述環境障礙物分布，對傳感器的精度要求低，通過查詢柵格的占用情況可以方便的對機器人進行導航和路徑規劃。特征地圖是由一系列具有獨特特征、可以識別的點或線段等幾何特征組成，它的構建需要從傳感器獲得的原始信息中提取出更加抽象的幾何特征，例如線段、曲線或者多邊形等特征。相較于復雜的室內環境，特征地圖更適用于結構化環境中使用，這樣更容易提取出環境的幾何特征。相比于柵格地圖雖然它占用的存儲空間更少，但是由于對原始數據的進一步處理，引入了更多的誤差，會使得機器人的定位不確定度變大。拓撲地圖是這三類地圖中最簡要的環境地圖模型，它采用連通圖表示環境，由節點和邊組成。其中節點表示環境中區分度明顯的特征或位置不同的區域，邊表示節點之間的相鄰性和連通性。該模型比前兩種環境模型更加抽象，導致了環境信息的極大缺失，若用于導航和路徑規劃需要與其他地圖類型結合使用。由于特征地圖會引入更多誤差，而拓撲地圖又太過簡略，本文采用柵格地圖用于掃地機器人路徑規劃，首先使用。ctomap方法將LSD-SLAM獲得的半稠密點云圖轉化為三維柵格地圖，再將三維柵格地圖轉化為二維柵格地圖用于掃地機器人路徑規劃。2.4掃地機器人環境建圖與路徑規劃流程通過上述算法的改進與設計，本文實現了掃