针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。
为了获取人员难以到达的陡坡、悬崖等危险地形的地表移动和变形值,采用三维激光扫描技术对其进行精细测量,结合点云特征区域提取和最近点迭代(Iteration Closest Points,ICP)算法,对点云分析方法进行了深入研究,提出了特征区域最近点迭代地表移动分析算法(Surface Movement Analysis Algorithm Based on Feature Region Iteration Closest Points,FRICP)。该算法通过点云滤波处理,实现地面点和植被点有效分离;在此基础上,将法向量和植被高程信息相结合,提取点云中的特征点;再对同一区域地面特征点进行聚类分析,形成特征区域;然后建立球形搜索区域及特征度量指标,匹配多期同名特征区域;最后使用ICP算法对同一地点不同时期的观测点云进行计算,利用获得的坐标变换参数求取地表移动值。采用某矿开采沉陷区山坡移动监测数据进行了算法验证,结果表明:FRICP算法可以准确获取山地边坡的移动和变形值,与人工精确判读结果相比,三维坐标最大偏差为12 mm,最小偏差为3 mm。FRICP算法可同时计算地表下沉和水平移动值,为利用三维激光扫描技术分析山地边坡地表移动提供了新思路,可为山区开采沉陷监测等领域提供技术支持。
