《扫地机器人视觉SLAM算法选择与改进（论文）10000字》

扫地机器人视觉SLAM算法选择与改进TOC\o"1-3"\h\u16134第1章绪论 第1章绪论1.1课题的研究意义及目的从上世纪60年代开始，世界各地越来越多的学者开始进行机器人研究，随着研究的不断发展，机器人可在恶劣环境下工作、生产质量稳定和降低劳动强度、有效提高产能等优点逐渐凸显出来，并在工业领域得到广泛应用。但传统的机器人机械臂作业缺乏足够的独立性和自主性，而且灵活性和智能化程度偏低，无法自主移动并完成工作。为了克服传统工业机器人的这些缺点，学者们的研究重点逐渐转向自主移动机器人，要求自主移动机器人可以在工作空间内安全的运动，并且完成指定的任务。所以最近几年来关于自主移动机器人的研究成为了机器人研究领域的主要研究方向。为了跟上时代的步伐，我国在制定的“十一五”规划和中长期科学和技术发展规划中都把智能机器人技术作为重点发展方向，以家用机器人、危险作业机器人和医疗机器人等作为主要突破口，从而以点带面促进相关产业的发展。因此在世界各国的产业重心从制造业像非制造业转移的趋势下，机器人技术的研究重点也从结构式环境下工作的固定式机械臂、机械手转向复杂非结构式环境下自主移动式平台和机器人智能化。在这样的潮流背景下，扫地机器人结合了传统吸尘器与移动机器人的优点出现在市场上，它避免了传统吸尘器需要由人操作且操作安放不方便、体积大、占用空间大的缺点，使环境清洁作业更加智能化和自动化，逐渐成为高效高质清洁的有效途径。扫地机器人融合了传感器技术、控制技术、计算机技术等许多学科的相关知识与最新研究成果，技术含量高，是一种智能环保的家用机器人，在家居生活越来越智能化的今天具有巨大的市场需求。随着相关科学与技术的发展，扫地机器人将向着低成本、多功能、高智能的方向不断进步，并将出现在越来越多的家庭中，带来更多的社会效益与经济效益。当前市场上存在的扫地机器人产品按清扫类型分类主要分为随机碰撞式和路径规划式两种类型。随机碰撞式扫地机器人采用随机路线进行清扫，清扫的同时会主动检测或被动感知障碍物进行避障。路径规划式扫地机器人在运行过程中会建立环境地图，可以通过地图导航更加智能的完成清扫作业。随着扫地机器人技术的进步，出现了随机碰撞式扫地机器人逐渐被路径规划式扫地机器人所取代的趋势。路径规划式扫地机器人的核心技术之一就是SLAMCSimultaneousLocalizationandMapping）技术，而现有的扫地机器人产品中能够实现SLAM功能的扫地机器人价格昂贵，而且主要是一些国外品牌，因此对低成本、具有SLAM功能的扫地机器人的研究具有十分重要的意义。1.2国内外扫地机器人与SLAM技术研究现状1.2.1国外扫地机器人与SLAM技术研究现状1.2.1.1国外扫地机器人研究现状关于智能移动机器人的研究己经有很长一段时间，但大多数研究更多的是在实验室环境下运行，很难实用化，扫地机器人可以称作是智能移动机器人走出实验室进入大众市场实现实用化的先例。从1980年起，人们就开始研究可供家庭使用的扫地器人，随着时间的推移和科技的进步，市场上出现了很多产品，其中最具代表性的扫地机器人产品是美国iRobot公司推出的Roomba系列扫地机器人，Roomba系列扫地机器人是美国iRobot公司从2002年至今一直致力于研发生产的产品线，其中的两款旗舰产品iRobotRoomba780和iRobotRoomba980分别代表了目前流行的两类扫地机器人:随机碰撞式扫地机器人和路径规划式扫地机器人。2012年，iRobotRoomba780扫地机器人获得了德国设计协会DesignZentrumNordrheinWestfalen的“红点设计荣誉提名奖”。如图1-2所示，它属于随机碰撞式扫地机器人搭载了iAdapt智能寻路技术，该技术是iRobot公司的专利技术，可以理解为一种集环境信息感知和路径规划为一体的技术，需要相关软件和传感器等硬件的支持。iRobotRoomba780工作时会对其机身自带的红外传感器、液体和灰尘传感器、清扫边刷速度传感器等各类传感器进行信息采集，通过将信息输入扫地机器人控制系统获得工作环境中障碍物的分布等信息，然后根据获得的障碍物信息制定出清扫策略完成清洁作业。在iRobotRoomba780清洁作业的过程中，其采用的相关硬件设备和iAdapt技术能够对周边环境进行每秒60次的信息采集，充分保证了障碍物信息获取的及时性与准确性，确定障碍物信息后还可以制定40多种不同的清扫策略，并且在运行中还可以根据新采集的信息边清扫边调整清扫策略以获得更好的清扫效果。图1-2iRobotRoomba7802015年9月，美国iRobot公司发布了iRobotRoomba980扫地机器人，其外观如图1-3所示。iRobotRoomba980采用了单目摄像头和车轮里程计等传感器实现了视觉SLAM技术，使扫地机器人具备了环境地图构建和机身定位功能，并采用升级过后的iAdapt2.0技术进行避障和路径规划。iRobotRoomba980的视觉SLAM技术使用车轮里程计获得机身的差分运动估计，通过机身顶部斜向上的摄像头获得环境的图像信息，然后通过视觉SLAM算法获得环境地图并确定机身在环境中的位置，此外iRobotRoomba980构建环境地图之后还可以记录各环境区域的清扫情况，避免重复清扫。iRobotRoomba980由于采用了视觉SLAM技术，可以完成环境地图的构建并制定合理的清扫路径，有效避免了随机碰撞式清扫重复率高的问题，属于路径规划式的扫地机器人，它可以将所有区域规则的进行清扫，并且如果在清扫过程中电量过低可返回充电并自动续扫。iRobotRoomba980相比于其他产品功能更加丰富，科技含量更高，也导致了其价格比其他产品更加昂贵。鉴于扫地机器人的市场需求较高，对低成本的扫地机器人的研究有很广阔的前景。图1-3iRobotRoomba9801.2.1.2国外SLAM技术研究现状随着iRobotRoomba980的出现，随机碰撞式扫地机器人升级为路径规划式扫地机器人的趋势越来越明显。由上文可知，路径规划式扫地机器人所使用的核心技术是SLAM技术。20世纪80年代人们开始涉及SLAM问题的研究，Smith等在论文中介绍了一种用于估计表示物体相对位置的坐标系之间的标称关系和预期误差（协方差）的通用方法，说明了随机环境地图的理念，是关于SLAM问题的首个论文。之后Leonard等在论文中讨论了同时进行地图构建和机器人自身定位的问题，提出SLAM的概念。随着这一概念的提出，该问题逐渐引起了相关研究人员的普遍关注，1999年在伦敦举行的机器人研究国际研讨会上，召开了关于SLAM问题的会议。现在，每年的机器人国际会议与一些机器人领域的国际期刊都会举办相关专题讨论或发表SLAM专辑，由此可见，国外关于SLAM问题的研究变得越来越普遍，并出现了SLAM研究的热潮。Durrant等在论文中说明了SLAM问题的演变过程与解决方案，并对相关研究方法进行简要概述。图1-4是目前关于SLAM问题的主要研究方法及其分类。图1-4SALM的主要研究方法SLAM问题从数学的角度分析是一个状态估计问题，即根据传感器获得的输入信息对机器人的位姿和地图特征位置进行状态估计。关于状态估计问题的求解，求解方法可以分为基于卡尔曼滤波器（KF）的方法、基于粒子滤波器（PF）的方法、基于图优化的方法三类。基于卡尔曼滤波器和粒子滤波器的SLAM求解方法是在贝叶斯状态估计理论的基础上发展而来。贝叶斯状态估计理论主要解决在系统的观测和控制信息己知的情况下估计系统各状态的后验概率的问题。当系统的噪声满足高斯分布且系统可近似为线性系统时，采用基于卡尔曼滤波器的方法求解SLAM问题能够得到较好的结果。基于卡尔曼滤波器的方法可以按后验概率表达方法的不同分为扩展卡尔曼滤波器、无损卡尔曼滤波器、扩展信息滤波器（EIF、稀疏扩展信息滤波器等方法。基于粒子滤波器的方法中比较经典的算法是Doucet等人提出的基于Rao-Blackwellized粒子滤波器（RBPF）方法，这一方法首先假设地图上的特征点彼此独立，只依靠机器人运行的路径轨迹相关联，在此假设基础上可以将SLAM问题中联合状态估计问题分解为机器人轨迹估计和地图特征估计两个估计的乘积形式，从而提高了问题求解的计算效率。FastSLAM是基于粒子滤波器的SLAM方法的又一代表算法，该方法由Montemerlo等人在2002年提出，之后又在此基础上进行了优化提出了FastSLAM2.0。该算法具有计算效率较高和准确性较高的优点，可以在室内和室外小规模环境运行，同时该方法避免了基于Kalman滤波方法只能用于线性系统的缺点，可以用于非线性系统。基于卡尔曼滤波器和粒子滤波器的SLAM求解方法具有类似的计算方法，它们都基于隐式马尔科夫模型（HMM）假设，根据之前时刻的系统状态通过事先建立的机器人运动模型和传感器观测模型，对系统下一时刻的状态进行更新。这类方法实时性较好并且具备在线更新地图的优点，但也存在一些缺点，比如在实际使用情况下，系统的参数会存在误差，传感器的观测也会受到噪声的影响，当系统长时间运行时，这些因素会造成比较大的误差累积，从而所构建的地图发生不一致现象。这种现象在将该类方法应用于大规模环境时，很容易出现，因此需要避免该类方法应用于大规模环境下。基于图优化的SLAM求解方法通过使用闭环检测和捆集调整等方法可以有效改善上述两种方法存在的误差累积问题，用于大规模环境建图与定位时可以获得良好的效果，是目前比较流行的SLAM求解方法。近年来出现的LSD-SLAM,ORB-SLAM,RGB-DSLAM等算法都是基于图优化的SLAM求解方法。基于图优化的SLAM方法，采用图的方式对SLAM问题进行表示，图是由节点和边组成的模型，其中图中的节点可以表示不同时刻的机器人位姿和环境中特征点位置等信息，图中的边则表示不同节点之间的约束关系，将具有约束关系的节点用边连接在一起，就构成了SLAM问题的图表示。图1-5基于图优化的SLAM框架如图1-5所示，基于图优化的SLAM方法通过前端和后端两个部分对SLAM问题进行求解。前端的功能是完成图的构建，即根据传感器的观测信息和控制输入等信息求解机器人和环境的状态和它们之间的约束关系，分为顺序数据关联与闭环检测两个部分。顺序数据关联是对两个相邻数据帧进行配准以及通过配准求得两帧之间的相对姿态，闭环检测是通过判断数据帧之间的相似程度来判断机器人是否回到以前观测到环境中。通过前端的这两个部分，前端对从传感器获得的数据进行处理获得机器人的位姿以及数据帧之间的约束关系，完成图的构建。后端的功能是完成图的优化，后端在前端所获得的图的基础上采用捆集调整等全局优化方法进行位姿图优化，从而进一步减小误差累积，提高建图精度。1.2.2国内扫地机器人与SLAM技术研究现状1.2.2.1国内扫地机器人研究现状目前基于SLAM技术的国产路径规划式扫地机器人并未研制出来，市场上的国产产品与国外产品相比还有些差距。由于随机碰撞式扫地机器人不能对环境进行建图，它们所采用的清扫寻路避障程序相对来说比较简单，大部分都是根据传感器是否检测到障碍物以一种或几种固定的清扫方式进行作业。市场上的国产扫地机器人由于要控制制造成本，所采用的传感器数量不多而且精度不高，产品通常配有遥控器或在机身上布置有几个遥控按钮，提供给用户几种清扫模式进行选择。这些按键看上去功能丰富，但其实这正是智能化程度不够的体现，真正智能化程度高的扫地机器人应该只具有自动清扫和定点清扫两种比较简单的模式，自动清扫模式由扫地机器人自己规划路径完成清扫，当需要对某一位置进行临时清扫时使用定点清扫模式完成，这正是路径规划式扫地机器人所具备的优点。尽管国产扫地器人还不够智能，但国产扫地机器人产品价格低廉，2000元以下的国产品牌的销量占据了扫地机器人市场很大的份额。1.2.2.2国内SLAM技术研究现状相比于产品上的差距，技术研究领域有很多进展。近年来，国内学者围绕自主移动机器人定位与建图方法进行了许多探索。晃志超等人采用单目摄像机和激光测距仪设计了一种位姿测量系统，将激光测距仪采集的测距数据和单目摄像机获得的数据进行了融合，从而改善了系统测量位姿的精度陈小龙等人提出一种飞行器室内定位方法，通过对地面标志线进行特征提取并与惯性测量单元进行数据融合可以确定飞行器的在室内的位置，该方法的定位误差可以达到正负10cm。张学习等人建立了全向轮运动模型、电子罗盘模型、全向视觉成像模型并将多种传感器获得的信息进行融合，使用粒子滤波器实现了机器人精确的多传感器融合定位。宁小磊等人提出了一种基于粒子滤波算法的新型容错信息融合算法，可以处理联邦滤波子系统多源数据，并可以用于非高斯非线性系统。邱爱兵等人提出了一步预测再集中融合估计的算法，并使用左同步提升技术对异步多传感器系统进行重新建模。杜光勋等人提出了一种用于解决带有隐式感知方程的线性状态估计问题的隐式卡尔曼滤波器算法，将加速度信息中的偏移量作为卡尔曼滤波器的状态进行估计用于补偿位置估计。张毅等人提出一种采用贝叶斯方法对激光传感器和RGB-D相机进行信息融合的同时定位与地图创建方法，建立了机器人环境的不确定度模型，获得了高精度的地图。第2章SLAM算法选择与改进和路径规划算法设计当前学者对于SLAM算法和路径规划算法的相关研究，多集中于实验室应用而且缺乏各算法之间的有效衔接，为了构建一个完整的扫地机器人控制系统，需要对己存在的算法进行选择、改进，并采用合适的方法进行衔接，以实现扫地机器人环境建图功能和路径规划功能。本章将针对扫地机器人这一特定应用场景，完成相关算法的选择与改进，并实现各算法之间的有效衔接。2.1SLAM算法传感器选择与相机标定模型的建立2.1.1SLAM算法传感器类型比较目前可以用于求解SLAM问题的传感器类型有很多，主要分为超声波传感器、激光测距仪、摄像机等，其中激光测距仪根据应用场景不同分为二维激光测距仪和三维激光测距仪，摄像机又可以分为单目视觉、双目立体视觉、全景视觉、RGB-D相机等应用方法。2.1.1.1超声波传感器超声波传感器通过测量声波的传播时间来计算传感器与物体的距离，由于其价格低廉而且数据处理方法十分简便，超声波传感器曾被广泛应用于解决SLAM问题。超声波传感器采用声波进行测量，很容易受到环境中各种因素的影响，因此测量精度差，这是超声波传感器的主要缺点。由于超声波传感器发射的声波在介质中以扇形向远处传播，因此使用单个的超声波传感器无法准确地确定所测得物体在扇形区域的准确位置。这个问题可以通过多个超声波传感器组合使用解决，但这种使用方法又会引入新的问题:在室内环境较小的情况下，某一个超声波传感器发射的声波会被另一个超声波传感器所接收，从而造成测量错误。基于上述论述，可以看出若使用超声波传感器作为扫地机器人的主要传感器，所能获得信息量小且精度差。并且由于室内环境的复杂可能会导致传感器无法获得障碍物的距离信息，从而无法满足SLAM算法的精度要求。2.1.1.2激光测距仪激光测距仪通过测量主动发出的光信号的传播时间来测量物体到测距仪之间的距离信息。激光的传播速度快，所需的测量时间短，传感器的主要测量速度由距仪中的电机转速决定。激光传感器采用激光作为测量对象，不容易受到其他因素的干扰，获得的距离信息准确。激光距仪相比于其他的主动传感器在测量时可以测量更大的角度，获得更多的数据点，但在处理镜面或类似于镜面等光滑物体的表面时，会出现接收不到信号的现象，另外激光测距仪可以获得物体的方位和距离信息，但相比于摄像机所能获得图像信息而言，获取的信息量较少，而且相较于超声波传感器与普通摄像机，价格十分昂贵。2.1.1.3摄像机摄像机通过镜头、光电转换系统和相关电路将景物光像转变为电信号获得图像，是一种被动传感器，根据具有的摄像头个数和种类的不同可以分为三类:单目视觉、双目视觉、RGB-D相机。单目视觉SLAM采用单个摄像头获得环境的图像或视频信息用于SLAM算法。使用单目视觉首先需要对相机进行标定获得单目相机的内参数，然后通过多副图像之间的对应关系获得图像中物体的深度信息，利用相关算法完成SLAM问题的求解。单目视觉摄像机价格低廉，传感器模型简单，而且相机标定方便，可以获得大范围的图像信息，是SLAM算法经常使用的一类传感器。单目视觉SLAM一个最大的特点是尺度不确定性，它无法获得环境的绝对尺度，但这个特点也有有利的一方面，它使得单目视觉SLAM可以用于室内和室外两种环境而不受尺度大小的影响。双目视觉SLAM采用左右两个摄像头获得环境的图像信息，类似人眼的立体视觉原理，可以比较方便的获得障碍物的距离信息。双目视觉使用时也需要对相机进行标定，获得相关参数矩阵，通过立体视觉匹配方法可直接获得障碍物相对于相机的距离，进而通过相关算法完成SLAM问题求解。采用双目视觉无论在相机运动或是静止的时候都可以获得障碍物深度信息，有效的避免了单目视觉深度获取困难的问题，但相比于单目视觉，双目视觉的相机制作与标定更加复杂，而且能够测得的深度范围受到相机分辨率和双目相机之间基线影响，获取的视场范围较单目视觉小，价格也相对较高。RGB-DSLAM采用RGB-D相机获得环境的图像信息和距离信息，RGB-D相机是根据结构光测距或飞行时间距原理制作而成的，可以直接获得像素点到所对应的物体表面点的实际距离。与常用的单目相机和双目相机相比，它可以不仅可以获取信息丰富的图像还可以方便地获取障碍物距离，从而简化相关SLAM算法的复杂度。作为新出现的传感器，目前大部分RGB-D相机也有一些缺点，比如视场范围小、图像噪声大、测量范围窄等问题，另外RGB-D相机相较于传统相机价格更高。扫地机器人主要运行于室内环境，室内环境结构复杂纹理丰富，超声波传感器尽管价格低廉，但精度低，不适合应用于此类环境。激光传感器相对来说精度高，但其体积大，成本高也不适合用于扫地机器人。RGB-D相机属于新型传感器，可以方便的获得环境的图像和距离信息，但价格高昂，市场范围小不适合应用于扫地机器人。单目视觉和双目视觉相比于上述传感器优点是成本低，同时可以获得丰富的信息，比较适合于扫地机器人，考虑到扫地机器人的的体积应尽可能的小，同时视场范围应足够大以获得更多的信息，最终选用单目摄像机作为扫地机器人的主要传感器。2.2扫地机器人视觉SLAM算法选择与改进根据绪论所述的SLAM算法相关现状，本文从目前比较流行的基于图优化的视觉SLAM算法中选择合适算法用于扫地机器人控制系统，实现扫地机器人的环境建图功能。2.2.1视觉SLAM算法的比较基于图优化的视觉SLAM算法根据估计相机运动所使用的方法不同分为分为特征点法和直接法两种。特征点法采用从图像中提取的特征点估计相机运动，特征点法比较有代表性的算法是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问题，ORB特征比具有良好效果的SIFT,SURF特征更加快速，同时与快速的BRIEF，LDB特征相比又具备旋转不变性，是一种快速稳定的图像特征。ORB-SLAM算法在同时跟踪与建图（PTAM）算法的基础上发展而来，包含地图初始化、特征跟踪、局部地图构建和闭环检测等主要模块。各组成模块都采用ORB特征进行运算，衔接流畅，内在一致性好。算法可以在不使用GPU的情况下在现有的计算机CPU上做到实时运行，并可以取得良好的建图精度与定位精度，获得环境的稀疏点云图。ORB-SLAM最初采用单目视觉，后来也支持采用双目视觉和RGB-D相机。直接法采用图像的部分或全部像素信息估计相机运动，直接法的代表性算法是JakobEngel等人于2014年提出的LSD-SLAM算法，算法主要包括图像跟踪、深度图估计、地图优化等主要模块，与ORB-SLAM算法只使用从图像中提取的ORB特征点计算不同，每个模块都直接采用图像的像素信息进行计算，极大的保留了环境细节信息，可以构建环境的半稠密点云图。相比于使用特征点其他SLAM方法，LSD-SLAM算法可以在无特征的或特征比较少的环境中运行，避免了特征提取的耗时。LSD-SLAM算法也可以在不使用GPU的情况下在现有的计算机CPU上实时运行，具有良好的建图精度与定位精度。扫地机器人通常在家庭使用，运行于室内环境中，室内环境既有纹理丰富的各种家具电器等，又有缺少特征点的墙壁地面等结构，为了能构建良好的环境模型，采用不使用特征点的LSD-SLAM算法更加合适。更重要的一点是ORB-SLAM算法因为采用从图像中提取的ORB特征进行计算，不具备环境稠密重建能力只能构建环境稀疏点云地图，地图中的环境细节信息太少，而且对于之后扫地机器人的路径规划来说，采用稀疏点云图进行导航十分困难。LSD-SLAM算法采用直接法可以保留图像中的大多数信息，获得环境半稠密点云地图，从而使之后的扫地机器人路径规划成为可能。综合来看，选用LSD-SLAM算法作为扫地机器人的主要算法更适合。2.2.2LSD-SLAM算法流程与改进LSD-SLAM算法由三个主要组成部分组成:图像跟踪模块、深度估计模块和地图优化模块，如图2-4所示:图2-4LSD-SLAM算法流程为了启动LSD-SLAM系统，算法刚开始会使用随机深度和极大的方差来初始化第一个关键帧，随着相机进行足够的平移运动获得更多图像后，算法会将关键帧锁定到某个确定的深度配置，最终关键帧的深度信息会收敛到正确的配置。初始化第一关键帧后算法开始进入三个主要模块，下面是LSD-SLAM三个模块的主要功能。（1）图像跟踪当从传感器或内存读入一个新图像时，通过最小化方差归一化光度误差的方法估计当前图像帧相对于现有关键帧3D刚体变换矩阵，获得当前帧的位姿。（2）深度估计判断当前帧是否可以做为新关键帧，若可以则将之前的关键帧中的点投影到当前帧，从而得到这一帧的有效点，当前帧深度信息通过sim（3）变换投影均值和缩放因子，最后用新的关键帧替换掉之前的关键帧。若不可以则使用当前帧通过小基线立体匹配等方法对之前关键帧深度信息进行优化。（3）地图优化通过最小化方差归一化光度和深度误差方法获得新关键帧与相邻帧的相对姿态，当两帧相似度足够大时将新关键帧插入全局地图，之后对地图进行闭环检测进行全局地图优化。本文选择单目摄像头作为SLAM算法的传感器，由于该单目摄像头与JakobEngel等人使用的摄像头不同，因此需要对算法的相关参数进行改进以适应摄像头的图像噪声和强度对比度，同时为了获得良好的建图效果需要对选择关键帧的阂值进行调节，通过这些参数的调节来改进LSD-SLAM算法使其更加适应扫地机器人的使用环境和本文选择的摄像头。2.3路径规划算法地图类型选择与转换能否构建环境地图是区分随机碰撞式扫地机器人和路径规划式扫地机器人的关键，随机碰撞式扫地机器人因为无法构建环境地图，只能随时检测是否出现障碍物按某一固定策略进行清扫，而路径规划式扫地机器人由于构建了环境地图，可以方便的进行路径规划，自主避开障碍物完成清扫。LSD-SLAM算法获得的半稠密环境点云地图占用空间大，且不适合用于路径规划，需要选择一种其他的地图类型用于扫地机器人。2.3.1路径规划常用地图类型比较可以用于导航和路径规划的常用环境地图类型主要有以下三种:栅格地图、特征地图和拓扑地图。栅格地图使用很多小栅格等分环境，通过传感器获得的障碍物位置信息和可通行区域位置信息对每个小栅格进行赋值，用来表示环境中的障碍物对栅格的占用情况。栅格地图是目前经常使用的环境地图类型，能够显著改善LSD-SLAM获得的点云图占用空间大的问题。栅格地图根据分辨率的不同可以精细或粗略地描述环境障碍物分布，对传感器的精度要求低，通过查询栅格的占用情况可以方便的对机器人进行导航和路径规划。特征地图是由一系列具有独特特征、可以识别的点或线段等几何特征组成，它的构建需要从传感器获得的原始信息中提取出更加抽象的几何特征，例如线段、曲线或者多边形等特征。相较于复杂的室内环境，特征地图更适用于结构化环境中使用，这样更容易提取出环境的几何特征。相比于栅格地图虽然它占用的存储空间更少，但是由于对原始数据的进一步处理，引入了更多的误差，会使得机器人的定位不确定度变大。拓扑地图是这三类地图中最简要的环境地图模型，它采用连通图表示环境，由节点和边组成。其中节点表示环境中区分度明显的特征或位置不同的区域，边表示节点之间的相邻性和连通性。该模型比前两种环境模型更加抽象，导致了环境信息的极大缺失，若用于导航和路径规划需要与其他地图类型结合使用。由于特征地图会引入更多误差，而拓扑地图又太过简略，本文采用栅格地图用于扫地机器人路径规划，首先使用。ctomap方法将LSD-SLAM获得的半稠密点云图转化为三维栅格地图，再将三维栅格地图转化为二维栅格地图用于扫地机器人路径规划。2.4扫地机器人环境建图与路径规划流程通过上述算法的改进与设计，本文实现了扫