基于Kinect传感器信息融合的机器人全局栅格地图构建方法技术领域：本发明涉及移动机器人技术领域，具体设计一种基于Kinect传
感器信息融合的移动机器人不确定性全局栅格地图构建方法。
背景技术：环境地图构建是目前移动机器人研究的重点和热点领域，移动
机器人通过对环境地图的分析可以完成路径规划，自主导航等一系列的任务。
环境地图构建的表达方式主要分为二维平面地图和三维立体地图，在移动机器
人环境地图构建领域中，二维平面地图的应用范围比较常见和广泛。而栅格地
图对环境的描述比较直观，便于创建和更新。Kinect传感器是微软与2010年推
出的一款新型传感器，由于其可以同时采集彩色影像、深度影像、声音信号等，
自Kinect开始发行起就受到了研究者们的广泛关注。尽管Kinect传感器在检测
环境方面有着诸多的优点，但是由于Kinect传感器本身技术限制会使得Kinect
所采集到的深度数据存在一定的误差。由于Kinect传感器自身的局限性和机器
人工作环境的复杂性，使得使用Kinect传感器建立的环境栅格地图具有一定的
不确定性以及不精确性。
发明内容：
发明目的：本发明提供一种利用改进的D-S证据推理方法对Kinect传感器
进行信息融合的移动机器人不确定性全局栅格地图构建方法，其目的在于解决
以往所存在的问题，实现对周围环境的检测并构建出环境地图以便于移动机器
人进行导航和执行其他工作任务。
技术方案：本发明是通过以下技术方案实施的：
一种基于Kinect传感器信息融合的移动机器人不确定性全局栅格地图构建
方法：其特征在于：该方法包括有以下步骤：
步骤(1)：移动机器人使用Kinect传感器采集环境信息并建立局部栅格地
图；
步骤(2)：使用概率值表示地图中每个栅格占用状态、空闲状态和未知状
态的置信度；
步骤(3)：对利用Kinect传感器建立全局地图初期栅格状态特点对D-S证
据理论进行改进并将其用于传感器信息融合；
步骤(4)：使用改进的D-S对Kinect传感器信息进行融合得到机器人工作
环境的全局栅格地图；
所述步骤(1)机器人对于Kinect传感器采集的深度数据采用深度数据地面
去除方法检测障碍物。将去除地面后的深度数据进行扫描处理。扫描从首列开
始，当扫描到第一个有效深度数据时，对其进行记录并作为首个障碍物的种子
点。当扫描到第二个有效数据时，和第一个比较，若两者之差小于一定的阈值
则两者合并为一个种子点，若两者之差超过一定的阈值则记录后者为新的目标
的种子点。直到扫描完一列为止。重复以上检测过程得到所有列的所有不同的
障碍物的各项信息，并得到一个横坐标为图像的像素点位置，纵坐标为实际距
离的坐标系，坐标系中每一个点代表障碍物。再将检测的障碍物图像坐标映射
到实际工作环境坐标。根据检测的障碍物在实际环境中的位置信息，确定其归
属于离散化栅格。
所述步骤(2)使用Kinect传感器建立局部栅格地图，栅格分为障碍、空闲
和未知三种状态，每种状态的不确定性用概率值来表示。其中障碍区的各项置
信度分别为：m(O)＝p、m(E)＝0、m(Θ)＝1-p。空闲区的各状态置信度分别设为：
m(O)＝0、m(E)＝0.99、m(Θ)＝0.01。未知区域的各项置信度分别为：m(O)＝0、
m(E)＝0、m(Θ)＝1。
所述步骤(3)根据Kinect传感器建立栅格地图的特点，利用改进的D-S证
据理论算法对多幅局部地图进行融合，完成一次环境检测后得到的某栅格的状
态为m1，原地图上该栅格的状态为m2。先判断栅格的整体状态，对其进行整
体融合已提高融合效率，然后对部分栅格的融合采用Murphy方法解决冲突较大
的问题。
当m1为未知时，若m2为未知，则融合结果为未知；若m2为空闲，则融
合结果为未知。若m2为障碍，则融合结果为障碍；即当完成一次环境检测后，
检测到某栅格为未知区，那么将保留原地图中该栅格的状态。
当m1为空闲时，若m2为未知，则融合结果为空闲；若m2为空闲，则融
合结果为空闲；若m2为障碍，则融合结果需要调用改进的D-S证据理论的信息
融合算法。即当完成一次环境检测后，检测到某栅格为空闲区，当原地图中该
栅格为未知区时，则将该栅格改为空闲区；当原地图中该栅格为空闲区时，则
保持不变；当原地图中该栅格为障碍区时，则说明检测结果发生冲突，需要用
改进的D-S证据理论的信息融合算法进行融合。
当m1为障碍时，若m2为未知，则融合结果为障碍；若m2为空闲，则融
合结果为障碍，则融合结果需要调用改进的D-S证据理论的信息融合算法；若
m2为障碍，则融合结果需要调用D-S证据理论的信息融合算法。即当完成一次
环境检测后，检测到某栅格为障碍区，当原地图中该栅格为未知区时，则将该
栅格改为障碍区；当原地图中该栅格为空闲区时，则说明检测结果发生冲突，
需要用改进的D-S证据理论的信息融合算法进行融合；当原地图中该栅格为障
碍区时，因为不同距离检测到的障碍区置信度也不同，为提高障碍区的置信度，
采用改进的D-S证据理论的信息融合算法进行融合。
改进的D-S证据理论融合算法如下：采用Murphy方法先对几条规则进行平
均，用平均证据代替原来的证据，最后再利用Dempster规则组合这些证据。
所述步骤(4)使用改进的D-S对Kinect传感器信息进行融合得到机器人工
作环境的全局栅格地图。移动机器人搭载Kinect传感器首先在办公室内环境中
移动并进行环境检测和构建局部地图，构建完局部地图后再利用改进的D-S证
据理论算法与全局地图进行融合并更新全局地图。随着机器人对工作环境的探
索，不断重复融合过程，最终得到全局栅格地图。
优点效果：
本发明机器人使用Kinect传感器构建全局环境地图，将Kinect传感器多次
检测的数据进行融合来得到更为精确的全局环境地图。与视觉传感器相比，本
发明不但能获取环境的颜色信息还能获取距离信息，可以更好的构建地图；与
超声传感器相比，本发明获得的环境信息更加精细，精度更高；与激光传感器
相比，本发明所检测的范围更大，且性价比更高。
本发明使用Kinect传感器信息融合的方法实现全局栅格地图的构建工作，
将环境分为三部分空闲区，障碍区和未知区；机器人可以在空闲区运动，无法
在障碍区运动，对应未知区需要重新检测；通过使用改进的D-S证据方法对传
感器信息进行融合能够减小传感器自身的误差和不确定性，也能减少由于环境
复杂性对构建地图的影响，从而得到更为精确的机器人工作环境描述。
附图说明：
图1为移动机器人工作环境示意图；
图2为办公室环境检测示意图组；
图3为走廊环境检测示意图组；
图4为全局地图融合结果图；
具体实施方式：下面结合附图对本发明加以具体描述：
如图1所示，本发明一种基于Kinect传感器信息融合的移动机器人不确定
性全局栅格地图构建方法，包括如下步骤：
步骤一:机器人对于Kinect传感器采集的深度数据采用深度数据地面去除方
法检测障碍物。将去除地面后的深度数据进行扫描处理。扫描从首列开始，当
扫描到第一个有效深度数据时，对其进行记录并作为首个障碍物的种子点。当
扫描到第二个有效数据时，和第一个比较，若两者之差小于一定的阈值则两者
合并为一个种子点，若两者之差超过一定的阈值则记录后者为新的目标的种子
点。直到扫描完一列为止。重复以上检测过程得到所有列的所有不同的障碍物
的各项信息，并得到一个横坐标为图像的像素点位置，纵坐标为实际距离的坐
标系，坐标系中每一个点代表障碍物。再将检测的障碍物图像坐标映射到实际
工作环境坐标。根据检测的障碍物在实际环境中的位置信息，确定其归属于离
散化栅格。
步骤二:使用Kinect传感器建立局部栅格地图，栅格分为占用、空闲和未知
三种状态，每种状态的不确定性用概率值来表示。其中障碍区的各项置信度分
别为：m(O)＝p、m(E)＝0、m(Θ)＝1-p。空闲区的各状态置信度分别设为：m(O)＝0、
m(E)＝0.99、m(Θ)＝0.01。未知区域的各项置信度分别为：m(O)＝0、m(E)＝0、m(Θ)＝1。
步骤三:对局部地图采用改进的D-S证据理论算法进行信息融合，改进的
D-S证据理论算法完成一次环境检测后得到的某栅格的状态为m1，原地图上该
栅格的状态为m2。首先判断栅格的整体状态。
当m1为未知时，若m2为未知，则融合结果为未知；若m2为空闲，则融
合结果为未知。若m2为障碍，则融合结果为障碍；即当完成一次环境检测后，
检测到某栅格为未知区，那么将保留原地图中该栅格的状态。
当m1为空闲时，若m2为未知，则融合结果为空闲；若m2为空闲，则融
合结果为空闲；若m2为障碍，则融合结果需要调用改进的D-S证据理论的信息
融合算法。即当完成一次环境检测后，检测到某栅格为空闲区，当原地图中该
栅格为未知区时，则将该栅格改为空闲区；当原地图中该栅格为空闲区时，则
保持不变；当原地图中该栅格为障碍区时，则说明检测结果发生冲突，需要用
改进的D-S证据理论的信息融合算法进行融合。
当m1为障碍时，若m2为未知，则融合结果为障碍；若m2为空闲，则融
合结果为障碍，则融合结果需要调用改进的D-S证据理论的信息融合算法；若
m2为障碍，则融合结果需要调用D-S证据理论的信息融合算法。即当完成一次
环境检测后，检测到某栅格为障碍区，当原地图中该栅格为未知区时，则将该
栅格改为障碍区；当原地图中该栅格为空闲区时，则说明检测结果发生冲突，
需要用改进的D-S证据理论的信息融合算法进行融合；当原地图中该栅格为障
碍区时，因为不同距离检测到的障碍区置信度也不同，为提高障碍区的置信度，
采用改进的D-S证据理论的信息融合算法进行融合。
改进的D-S证据理论融合算法如下：采用Murphy方法先对几条规则进行平
均，具体公式如下：
m(Θ)＝(m1(Θ)+m2(Θ))/2 (1)
m(E)＝(m1(E)+m2(E))/2 (2)
m(O)＝(m1(O)+m2(O))/2 (3)
上述公式中m(Θ)表示栅格为未知状态的概率值，m(E)表示栅格为空闲状态的概
率值，m(O)表示栅格为障碍状态的概率值。
用平均证据代替原来的证据，这样就可以降低证据体之间的较大冲突。最
后再利用Dempster规则组合这些证据。公式如下：
K＝m(O)m(E)*2 (4)
m(E)＝(m(E)m(E)+m(E)m(Θ)*2)/(1-K) (5)
m(O)＝(m(O)m(O)+m(O)m(Θ)*2)/(1-K) (6)
m(Θ)＝1-m(E)-m(O) (7)
上述公式中K表示冲突因子，K的大小反映了证据之间的冲突程度。
通过改进的D-S证据理论数据融合算法，使得地图构建更加快速，并且解
决了当证据体之间冲突较大时，融合效果不理想的问题。
步骤四:基于以上提出的不确定性栅格地图构建方法进行实验验证与分析。
移动机器人工作环境示意图如图1所示。从图中可以看出移动机器人实验环境
比较宽广，其中包含两个房间(办公室和实验室)和一条狭长的走廊。移动机
器人在工作环境中不断运动进行环境检测并构建局部不确定性栅格地图，再通
过融合算法和全局栅格地图进行数据融合并更新全局地图。全局栅格地图初始
化为每个栅格的状态都是未知的。
移动机器人搭载Kinect传感器首先在办公室内环境中移动并进行环境检测
和构建局部地图，构建完局部地图后再利用改进的D-S证据理论算法与全局地
图进行融合并更新全局地图。办公室环境检测部分示意图组如图2所示。当移
动机器人检测完办公室环境并生成地图后，随着机器人的不断移动并依次检测
走廊环境信息并更新全局环境地图，走廊环境检测部分示意图组如图3所示。
随着移动机器人不断的移动，遍历整个工作环境并建立局部的栅格地图，
使用自身定位系统确定移动机器人在全局地图中的位置，基于此就可以将局部
的不确定性栅格地图和全局地图进行融合，通过不断的融合可以增加全局栅格
地图中障碍物栅格和空闲栅格的区域，并提高障碍物栅格的置信度，使地图更
加精确。最后融合得到的地图如图4所示。