向 超，蔣 林，雷 斌，朱建陽(yáng)

(1.武漢科技大學(xué)機(jī)器人與智能系統(tǒng)研究院，湖北 武漢，430081；2.武漢科技大學(xué)冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢，430081)

為了實(shí)現(xiàn)移動(dòng)機(jī)器人自主性的導(dǎo)航規(guī)劃任務(wù)，需要進(jìn)行環(huán)境建模即地圖構(gòu)建。移動(dòng)機(jī)器人導(dǎo)航領(lǐng)域中常用的有拓?fù)涞貓D[1]、特征地圖[2]、柵格地圖[3]等，其中柵格地圖是將環(huán)境劃分為若干個(gè)相同大小的小柵格，用三種不同的顏色信息表示障礙物區(qū)域、無(wú)障礙物區(qū)域以及未知區(qū)域，它已成為目前應(yīng)用于導(dǎo)航中的主流地圖形式。研究人員開(kāi)發(fā)并開(kāi)源了基于粒子濾波[4]、圖優(yōu)化[5]等方法的多種即時(shí)定位和柵格地圖構(gòu)建方法。

柵格地圖雖然已能滿足機(jī)器人的基礎(chǔ)定位與導(dǎo)航要求，但它只表達(dá)了環(huán)境結(jié)構(gòu)信息，機(jī)器人根據(jù)柵格地圖進(jìn)行全局定位時(shí)，能夠利用的信息還比較少。在機(jī)器人重定位過(guò)程中，往往采用粒子濾波算法，通過(guò)采樣粒子與激光雷達(dá)信息逐步迭代完成定位，但在沒(méi)有人為設(shè)置條件及其他知識(shí)的情況下，粒子濾波方法的全局粒子撒布較為隨機(jī)，重定位往往會(huì)出現(xiàn)錯(cuò)誤收斂或短時(shí)間內(nèi)無(wú)法收斂的問(wèn)題。

針對(duì)上述問(wèn)題，胡章芳等[6]通過(guò)在環(huán)境中布局二維碼約束粒子采樣，增強(qiáng)了定位效果；黃鶴等[7]則通過(guò)在環(huán)境內(nèi)布局多攝像頭監(jiān)控，在多攝像頭采集的圖像中提取ORB特征匹配檢測(cè)機(jī)器人所在區(qū)域，提高了機(jī)器人被綁架后重定位的時(shí)間效率；張啟彬等[8]通過(guò)分析機(jī)器人到障礙物的距離以及傳感器感知面積這兩個(gè)特征來(lái)快速確定機(jī)器人可能所在的區(qū)域；Park等[9]利用激光雷達(dá)信息訓(xùn)練用于位置識(shí)別的分類器，完成機(jī)器人的粗定位，提高了姿態(tài)恢復(fù)的成功率。無(wú)論是通過(guò)布局二維碼等人工標(biāo)記，還是利用視頻監(jiān)控獲取機(jī)器人位置，這些增強(qiáng)定位效果的方法都不夠直接、自主；而在僅通過(guò)激光雷達(dá)信息完成粗定位時(shí)，所利用的柵格地圖比較簡(jiǎn)單，信息不夠豐富，同時(shí)，利用激光雷達(dá)信息單獨(dú)訓(xùn)練粗定位分類器也較為麻煩。

近些年來(lái)，深度學(xué)習(xí)方法在目標(biāo)檢測(cè)領(lǐng)域取得了矚目的成就[10]?；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法在計(jì)算機(jī)視覺(jué)技術(shù)中得到實(shí)際應(yīng)用，可為機(jī)器人提供豐富的語(yǔ)義信息，使得機(jī)器人能像人一樣思考環(huán)境和理解環(huán)境，補(bǔ)充柵格地圖未能表達(dá)的信息，為機(jī)器人的定位、導(dǎo)航提供支持。

本文結(jié)合深度學(xué)習(xí)與粒子濾波算法，針對(duì)室內(nèi)環(huán)境提出一種加載環(huán)境語(yǔ)義信息的移動(dòng)機(jī)器人重定位增強(qiáng)方法，同樣將重定位過(guò)程分為粗定位與精定位兩個(gè)階段，但不同點(diǎn)在于其采用豐富的語(yǔ)義信息初步估計(jì)機(jī)器人位置，從而在一定程度上增強(qiáng)機(jī)器人重定位的準(zhǔn)確性與快速收斂性。

1 本文方法的框架結(jié)構(gòu)

本文提出的移動(dòng)機(jī)器人重定位增強(qiáng)方法如圖1所示。在建立機(jī)器人工作環(huán)境地圖時(shí)，同時(shí)獲取二維柵格地圖與環(huán)境內(nèi)的語(yǔ)義信息，完成遍歷后根據(jù)柵格地圖將環(huán)境劃分為各個(gè)功能區(qū)塊，獲取其各自的語(yǔ)義信息作為功能區(qū)特征，建立子區(qū)域物體類別表。將語(yǔ)義信息用于環(huán)境匹配，完成機(jī)器人粗定位，并將該定位結(jié)果作為粒子濾波器的先驗(yàn)知識(shí)，在子區(qū)域中利用粒子濾波器對(duì)機(jī)器人的姿態(tài)進(jìn)行精確估計(jì)。

圖1 移動(dòng)機(jī)器人重定位方法的框架結(jié)構(gòu)

Fig.1 Framework of relocalization method for mobile robots

2 增強(qiáng)先驗(yàn)的全局定位粒子濾波方法

2.1 粒子濾波重定位方法及其相關(guān)問(wèn)題

機(jī)器人定位可描述為連續(xù)時(shí)間概率計(jì)算問(wèn)題：bel(Xk)=p(X0∶k|m,z1∶k,u1∶k)。通過(guò)貝葉斯方法與馬爾科夫假設(shè)，將該問(wèn)題進(jìn)一步表示為：

bel(Xt)=ηp(zt|Xt,m)p(Xt|Xt-1,ut)bel(Xt-1)

(1)

式中：bel(Xt)為置信度；Xt為機(jī)器人t時(shí)刻的狀態(tài)估計(jì)；ut為控制量；zt為激光雷達(dá)測(cè)量數(shù)據(jù)；η為歸一化因子；m為全局地圖。

式(1)中包含了預(yù)測(cè)與更新兩個(gè)過(guò)程，p(Xt|Xt-1,ut)用于生成先驗(yàn)概率分布來(lái)預(yù)測(cè)機(jī)器人狀態(tài)，p(zt|Xt,m)為測(cè)量似然概率，兩者結(jié)合后生成后驗(yàn)概率分布，更新機(jī)器人狀態(tài)估計(jì)。

在機(jī)器人通過(guò)粒子濾波全局重定位時(shí)，如果沒(méi)有先驗(yàn)知識(shí)，機(jī)器人初始位姿的不確定性較大，往往需要產(chǎn)生足夠多的粒子覆蓋整個(gè)狀態(tài)空間以獲得較好的結(jié)果，計(jì)算規(guī)模與占用內(nèi)存都會(huì)呈指數(shù)級(jí)增長(zhǎng)。同時(shí)，在環(huán)境結(jié)構(gòu)存在一定相似性、二維環(huán)境特征簡(jiǎn)單、粒子樣本數(shù)量不足或撒布不均時(shí)，由于可利用的信息較為單一，會(huì)經(jīng)常出現(xiàn)錯(cuò)誤收斂的情況。為此，本文通過(guò)劃分室內(nèi)環(huán)境子區(qū)域、提取環(huán)境內(nèi)語(yǔ)義信息并采用極大似然估計(jì)方法估計(jì)機(jī)器人所處的子區(qū)域，來(lái)完成其粗定位，從而約束粒子濾波器的初始粒子分布。

2.2 室內(nèi)環(huán)境區(qū)域分塊

實(shí)際室內(nèi)環(huán)境可依據(jù)功能分為臥室、客廳、廚房等，而各功能區(qū)域包含的可觀測(cè)物體類型會(huì)有一定的區(qū)別，顯然，這種區(qū)別有助于機(jī)器人定位。在利用功能區(qū)的不同進(jìn)行定位前，首先要對(duì)其進(jìn)行分離。通常各功能區(qū)被墻體所隔，又以地圖中的窄通道“門(mén)”來(lái)連接，因此在“門(mén)”的位置加入虛擬墻來(lái)分離各個(gè)房間。

在圖2所示測(cè)試環(huán)境中，將紙箱作為墻體，分隔出各個(gè)房間，在房中擺放不同類型或不同個(gè)數(shù)物體，以模擬實(shí)際環(huán)境各功能區(qū)域物體種類、數(shù)量的不同，其對(duì)應(yīng)的柵格地圖見(jiàn)圖3(a)。圖3描述了區(qū)域分離的整個(gè)過(guò)程：根據(jù)柵格地圖求得環(huán)境中的大輪廓如圖3(b)所示(環(huán)境真實(shí)墻體一般為環(huán)境中的大連續(xù)障礙物)，并得到如圖3(c)所示的墻體以內(nèi)區(qū)域；將輪廓圖腐蝕、膨脹以連接墻體之間窄通道，結(jié)果見(jiàn)圖3(d)；提取骨架后的結(jié)果見(jiàn)圖3(e)，其基本表達(dá)了真實(shí)墻體與虛擬墻體，也可表達(dá)成如圖3(f)所示的建議分塊區(qū)域；將建議分塊區(qū)域與圖3(c)做差值，可得到如圖3(g)所示誤差區(qū)域；最后將建議分塊的每個(gè)連續(xù)區(qū)域分別單獨(dú)加載到誤差圖對(duì)應(yīng)位置，并獲取對(duì)應(yīng)區(qū)域連續(xù)域，從而獲得某一完整區(qū)域，例如將圖3(f)左上角區(qū)域加載到誤差圖中得到圖3(h)，獲取連續(xù)域后得到圖3(i)所示完整區(qū)域；組合以上各個(gè)區(qū)域分塊結(jié)果并去除區(qū)域連接處重復(fù)線(虛擬墻，如圖3(j)所示)后則獲得區(qū)域最終分塊結(jié)果，如圖3(k)所示，圖中不同顏色區(qū)域代表不同功能區(qū)，從左至右、自上而下分別定義為區(qū)域1～6。

圖2 測(cè)試環(huán)境全景

(a) (b) (c) (d)

(e)

(f) (g) (h) (i) (j)

(k)

圖3 區(qū)域分塊結(jié)果

Fig.3 Results of regional separation

2.3 環(huán)境語(yǔ)義特征獲取與子區(qū)域物體類別表建立

在計(jì)算機(jī)視覺(jué)檢測(cè)識(shí)別領(lǐng)域，使用選擇性搜索的方法生成候選區(qū)域以及基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法已逐漸替代基于滑動(dòng)窗口與人工特征提取的傳統(tǒng)檢測(cè)識(shí)別方法。當(dāng)前較為典型的卷積神經(jīng)網(wǎng)絡(luò)模型有R-CNN[11]、fast R-CNN[12]、faster R-CNN[13]、YOLO[14]、SSD[15]等，其中SSD結(jié)合了YOLO的網(wǎng)格化回歸思想和faster R-CNN的Anchor機(jī)制，同時(shí)還加入了多尺度特征圖檢測(cè)，可兼顧檢測(cè)速率與檢測(cè)準(zhǔn)確率，有利于機(jī)器人對(duì)環(huán)境的語(yǔ)義信息提取。筆者收集并標(biāo)注了包含室內(nèi)常見(jiàn)物體在多視角、多視距、多亮度觀測(cè)條件下的12 000張室內(nèi)場(chǎng)景圖片,用于SSD模型的訓(xùn)練與測(cè)試，得到了室內(nèi)物體檢測(cè)識(shí)別模型，綜合檢測(cè)精度為0.81。

飲食行為影響因素中，可看到產(chǎn)婦及其配偶文化程度高是部分食物攝入的保護(hù)因素，父母/公婆的建議是產(chǎn)婦對(duì)相關(guān)知識(shí)獲得的主要途徑且會(huì)影響產(chǎn)婦對(duì)食物的選擇，而從醫(yī)生/護(hù)士、網(wǎng)絡(luò)等獲取知識(shí)的產(chǎn)婦目前只是少部分。往后的工作中應(yīng)廣泛開(kāi)展?fàn)I養(yǎng)健康教育，從而提高產(chǎn)婦及其家屬的營(yíng)養(yǎng)保健知識(shí)水平，以降低對(duì)女性健康的不利影響。

為了區(qū)分環(huán)境內(nèi)的物體類別與個(gè)數(shù)，本文選用美國(guó)微軟公司的kinectV2相機(jī)獲取彩色圖與深度圖，在標(biāo)定配準(zhǔn)深度相機(jī)與彩色相機(jī)后，將采集的彩色圖像輸入至SSD識(shí)別模型中得到檢測(cè)框與類別，并將彩色圖像輸入至GrabCut方法[16]中得到分割結(jié)果，通過(guò)深度圖像與相機(jī)模型獲取檢測(cè)框內(nèi)剩余點(diǎn)云數(shù)據(jù)，最后同步SLAM算法的定位信息完成坐標(biāo)轉(zhuǎn)換并得到檢測(cè)框內(nèi)點(diǎn)云的世界坐標(biāo)，柵格化后得到柵格坐標(biāo)。將檢測(cè)到的每個(gè)物體都以(label、cells、pose)的形式存儲(chǔ)，其中，label為物體類別，cells為柵格坐標(biāo)系下的物體柵格坐標(biāo)，pose為第一次檢測(cè)識(shí)別到該物體時(shí)機(jī)器人的姿態(tài)。在遍歷環(huán)境過(guò)程中，如識(shí)別到同類物體時(shí)，將物體柵格坐標(biāo)進(jìn)行連續(xù)性判斷與重復(fù)性匹配，如無(wú)直接連續(xù)性或重復(fù)性較低，則認(rèn)為其為環(huán)境中的另一物體，與此同時(shí)記錄下檢測(cè)到該物體時(shí)機(jī)器人的位姿，保存物體信息，表示機(jī)器人于當(dāng)前位置可觀測(cè)物體。

由于本文測(cè)試環(huán)境中的紙箱高度較低，無(wú)法如真實(shí)墻體一樣遮擋相機(jī)視野，因此在遍歷環(huán)境過(guò)程中，根據(jù)激光雷達(dá)掃描距離適當(dāng)選取相機(jī)視距，只獲取視距以內(nèi)物體。在遍歷整體環(huán)境后，將檢測(cè)到物體時(shí)機(jī)器人的姿態(tài)pose投影到各個(gè)功能區(qū)中，如圖4(a)中所示，綠點(diǎn)為機(jī)器人當(dāng)前位置，藍(lán)色區(qū)域?yàn)橄鄼C(jī)當(dāng)前觀測(cè)范圍，紅色區(qū)域?yàn)楫?dāng)前機(jī)器人所位于的功能區(qū)，其對(duì)應(yīng)檢測(cè)結(jié)果如圖4(b)所示，表示在當(dāng)前功能區(qū)當(dāng)前位姿下檢測(cè)到door與chair。

(a)機(jī)器人位姿

(b)檢測(cè)結(jié)果

圖4 機(jī)器人位姿與當(dāng)前檢測(cè)結(jié)果

Fig.4 Robot’s pose and current observations

將全部檢測(cè)結(jié)果與機(jī)器人位姿投影到各區(qū)域后，得到子區(qū)域中的物體類別和數(shù)量，將其作為各區(qū)域特征，用于匹配區(qū)分各功能區(qū)。表1所示即為根據(jù)圖2中測(cè)試環(huán)境得到的對(duì)應(yīng)信息。

表1 子區(qū)域中的物體類別和數(shù)量

2.4 基于極大似然估計(jì)的語(yǔ)義粗定位

盡管當(dāng)前采用深度學(xué)習(xí)方法已經(jīng)取得較高的檢測(cè)識(shí)別精度，但由于光照等因素還是會(huì)產(chǎn)生一定程度上的漏檢與誤檢。為了降低漏檢、誤檢對(duì)區(qū)域估計(jì)的影響，在實(shí)際應(yīng)用中，根據(jù)對(duì)某一類物體在應(yīng)用環(huán)境中的檢出與識(shí)別正確率來(lái)適當(dāng)增加或減少該類物體對(duì)于區(qū)域判斷的貢獻(xiàn)值，以使粗定位估計(jì)更加準(zhǔn)確。例如在本文搭建的測(cè)試環(huán)境中，由于模擬墻體的紙箱與語(yǔ)義庫(kù)中的柜子外觀較為相似，檢測(cè)識(shí)別時(shí)偶爾會(huì)將紙箱識(shí)別成柜子，故本文適當(dāng)減少了檢測(cè)到柜子時(shí)對(duì)區(qū)域判斷的貢獻(xiàn)值。

(2)

在完成粗定位之后，將粒子約束在子區(qū)域中，相比于全局分布粒子，排除了語(yǔ)義小概率粒子與其他柵格地圖區(qū)域?qū)Φ貓D匹配的干擾，使機(jī)器人于語(yǔ)義高概率區(qū)域中通過(guò)粒子濾波器估計(jì)其位姿。理論上，通過(guò)語(yǔ)義信息增強(qiáng)先驗(yàn)知識(shí)后的粒子濾波方法能有效提高粒子收斂速度并降低錯(cuò)誤收斂概率。

3 重定位實(shí)驗(yàn)結(jié)果對(duì)比分析

圖5為采用傳統(tǒng)粒子濾波方法的粒子撒布與重定位結(jié)果。圖5(a)為粒子全局撒布形式，圖5(b)為在圖5(a)基礎(chǔ)上機(jī)器人旋轉(zhuǎn)后的重定位狀態(tài)，隨著機(jī)器人的移動(dòng)與粒子濾波器的迭代，粒子逐漸收斂，最終收斂于區(qū)域5，而此時(shí)機(jī)器人實(shí)際位于區(qū)域2內(nèi)，圖中彩色點(diǎn)為激光雷達(dá)在真實(shí)位置掃描結(jié)果，在該錯(cuò)誤收斂結(jié)果下掃描值與地圖重合度似乎較高，但實(shí)際上是因?yàn)榄h(huán)境結(jié)構(gòu)有一定的相似性且柵格地圖信息不夠豐富導(dǎo)致收斂錯(cuò)誤，機(jī)器人重定位失敗。

(a)粒子分布方式

(b)重定位結(jié)果

圖5 采用傳統(tǒng)粒子濾波方法的重定位結(jié)果

Fig.5 Relocalization result by traditional particle filter

在本文方法中，機(jī)器人首先利用相機(jī)觀測(cè)周圍環(huán)境，其中幾幀觀測(cè)結(jié)果如圖6所示，檢測(cè)到可視范圍內(nèi)包含了椅子與垃圾桶，未檢測(cè)到門(mén)，且由于在局部地圖中兩幀觀測(cè)結(jié)果的椅子的點(diǎn)云重復(fù)度為0，機(jī)器人此時(shí)認(rèn)為該區(qū)域中存在兩把椅子。根據(jù)子區(qū)域物體類別表，機(jī)器人更相信自身位于2#房間內(nèi)，得到語(yǔ)義高概率區(qū)域，于是將粒子重點(diǎn)分布在該房間，如圖7(a)所示。機(jī)器人通過(guò)粒子濾波器精確定位后，定位結(jié)果如圖7(b)所示，粒子收斂于區(qū)域2內(nèi)且激光數(shù)據(jù)與障礙物基本重合，表明此時(shí)定位成功。

(a)

(c)

圖6 觀測(cè)結(jié)果

Fig.6 Observation results

(a)粒子分布方式

(b)重定位結(jié)果

圖7 采用本文方法的重定位結(jié)果1

Fig.7 Relocalization result 1#by the proposed method

對(duì)于應(yīng)用環(huán)境存在多個(gè)功能類似區(qū)域的情況，為了防止機(jī)器人粗定位出錯(cuò)而導(dǎo)致機(jī)器人無(wú)法成功精定位，在區(qū)域估計(jì)中出現(xiàn)多區(qū)域有相同高概率時(shí)，則在環(huán)境中的多個(gè)子區(qū)域分布粒子。例如，在重定位實(shí)驗(yàn)中，機(jī)器人實(shí)際位于測(cè)試環(huán)境區(qū)域6，相機(jī)觀測(cè)周圍環(huán)境只檢測(cè)到柜子、椅子，本文方法估計(jì)出區(qū)域5和區(qū)域6有相同高概率，則將粒子分布到這兩個(gè)子區(qū)域，如圖8(a)所示，同樣可減少粒子分布范圍，去除了語(yǔ)義小概率區(qū)域?qū)αＷ訛V波器的干擾，通過(guò)粒子濾波器迭代收斂后，最后收斂結(jié)果如圖8(b)所示，定位成功。

(a)粒子分布方式

(b)重定位結(jié)果

圖8 采用本文方法的重定位結(jié)果2

Fig.8 Relocalization result 2#by the proposed method

為了分析本文方法對(duì)于重定位準(zhǔn)確率的提升效果，采用傳統(tǒng)粒子濾波方法和本文方法在同等粒子數(shù)量條件下分別重復(fù)進(jìn)行25次實(shí)驗(yàn)，結(jié)果如表2中第1、2行所示。由表2可見(jiàn)：粒子全局分布方式的定位成功率為52%；本文同粒子數(shù)局部分布方式的定位成功率為88%，其中，3個(gè)失敗案例是由于出現(xiàn)了漏檢與誤檢使得粗定位估計(jì)不準(zhǔn)確，最終導(dǎo)致精定位失敗，而對(duì)于其他粗定位成功的22個(gè)案例，隨后的精定位全部成功。

表2 實(shí)驗(yàn)結(jié)果對(duì)比

綜合圖5、圖7與表2可知，在采用同等粒子數(shù)量的條件下，通過(guò)查詢先驗(yàn)知識(shí)的局部粒子撒布方法的重定位更為準(zhǔn)確，而且此時(shí)僅僅利用了為數(shù)不多的語(yǔ)義特征。如果環(huán)境中物體類別更多，語(yǔ)義庫(kù)、語(yǔ)義特征更加豐富，各區(qū)域的區(qū)分性就會(huì)更高，相應(yīng)地機(jī)器人粗定位的估計(jì)準(zhǔn)確率也會(huì)更高。

為了驗(yàn)證本文方法在粒子數(shù)量方面的優(yōu)勢(shì)，在機(jī)器人粗定位之后，適量降低機(jī)器人重定位時(shí)粒子撒布數(shù)量。如圖9所示，粗定位估計(jì)機(jī)器人位于區(qū)域2內(nèi)，由于區(qū)域2約占整體環(huán)境1/4的區(qū)域，將粒子數(shù)量降低為全局撒布粒子方式的1/4。同樣重復(fù)進(jìn)行25次重定位實(shí)驗(yàn)，結(jié)果如表2中第3行所示，重定位成功19次，失敗6次，成功率為76%。由于粒子只撒布在局部區(qū)域，一定程度上去除了其他區(qū)域?qū)τ跀?shù)據(jù)匹配的干擾，盡管粒子數(shù)量降低為原來(lái)的1/4，本文方法的重定位成功率依然比全局均勻撒布粒子方式要高。

(a)粒子分布方式

(b)重定位結(jié)果

圖9 采用本文方法的重定位結(jié)果3

Fig.9 Relocalization result 3#by the proposed method

為了驗(yàn)證本文方法在收斂速度上的優(yōu)勢(shì)，從上述同粒子數(shù)量條件下的實(shí)驗(yàn)中獲取重定位成功案例，分別記錄重定位過(guò)程中粒子平均權(quán)重的變化，如圖10所示。從本文方法的平均權(quán)重變化曲線可見(jiàn)，迭代更新13次后，粒子快速收斂，更新21次后平均權(quán)重穩(wěn)定在較高值；從全局撒布粒子方式的平均權(quán)重變化曲線可見(jiàn)，由于粒子分布初值較差，更新過(guò)程中平均權(quán)重增長(zhǎng)較慢，在更新31次后平均權(quán)重才達(dá)到0.02以上。該實(shí)驗(yàn)結(jié)果表明，本文方法使機(jī)器人在同等粒子數(shù)量條件下的全局重定位收斂速度得到明顯提高。

圖10 粒子平均權(quán)重變化曲線

4 結(jié)語(yǔ)

本文針對(duì)室內(nèi)環(huán)境下基于粒子濾波的機(jī)器人重定位收斂失敗、收斂速度慢等問(wèn)題，提出一種通過(guò)提取語(yǔ)義信息來(lái)增強(qiáng)定位效果的方法。在機(jī)器人建立環(huán)境地圖時(shí)就獲取環(huán)境語(yǔ)義信息，并根據(jù)柵格地圖將環(huán)境劃分為多個(gè)子區(qū)域。在機(jī)器人自主重定位過(guò)程中，本文方法先通過(guò)機(jī)器人觀測(cè)四周環(huán)境，利用環(huán)境內(nèi)的語(yǔ)義信息進(jìn)行語(yǔ)義節(jié)點(diǎn)匹配，從語(yǔ)義上確定自身可能位于的子區(qū)域。之后，在語(yǔ)義高概率子區(qū)域初始化粒子，大大減少了粒子撒布范圍，降低了粒子濾波器的誤匹配概率。相較于傳統(tǒng)的全局分布粒子濾波重定位方法，加載了語(yǔ)義信息之后，在相同甚至減少粒子數(shù)量的情況下，本文方法的機(jī)器人重定位準(zhǔn)確性更高，定位收斂速度更快。