本发明涉及机器人导航领域，具体是一种动态场景下移动机器人slam方法、装置及介质。
背景技术：
1、随着机器人技术的发展，slam方法已然成为机器人自主导航的关键技术。传统slam算法在静态环境中表现良好，已广泛应用于物流、搬运等多个领域，而在较多行人走动、场景变化程度高的动态环境中，由于移动物体的干扰，导致slam算法的定位和地图构建精度下降，进而增大机器人自主导航过程中的累积误差。现有技术中，slam算法对低动态场景具有较高的容错度，如利用概率模型去除少量行人足迹等方式，但对传统slam算法来讲，静止的行人与障碍物无异，直接影响整个建图和自主定位导航功能。
技术实现思路
1、本发明要解决的技术问题是提供一种动态场景下移动机器人slam方法、装置及介质，将物体分别强动态物体、弱动态物体和静态物体，构建地图时直接剔除强动态物体，离线更新时剔除已经移动的弱动态物体，提高机器人于动态场景中作业的适应性与容错性。
2、为了解决所述技术问题，本发明采用的技术方案是：动态场景下移动机器人slam方法，包括以下步骤：
3、s01）、室内环境训练集采集与目标检测系统训练，根据物体的运动属性，将室内的物体分别划分成强动态物体、弱动态物体和静态物体，采集室内场景训练数据并训练目标检测系统，训练好的目标检测系统进行强动态物体、弱动态物体、静态物体的检测与分割；
4、s02）、基于多传感器融合的先验参考地图前处理，机器人搭载用于实时感知周围环境信息的单线激光雷达、轮式里程计、相机、imu传感器，轮式里程计根据实时反馈脉冲、轮半径、轮距计算机器人线速度、角速度、位姿变化量，imu传感器输出基于自身坐标系的z轴角速度、x轴线加速度、y轴线加速度，单线激光雷达提供环境切面感知能力，相机输出图像或点云深度信息；
5、进行先验参考地图前处理时，首先人为遥控机器人稳定通过室内各个区域，此过程中机器人实时采集多帧imu瞬时角速度、线加速度、多帧轮式里程计轮瞬时线速度、一帧深度相机rgb图像与深度信息、一帧激光雷达点云信息；待rgb图像信息到达后立即完成强动态物体检测，将检测到的强动态物体转换至深度图像中完成点云分割，同时将深度图像坐标系转换至激光点云坐标系，利用kd-tree算法将激光点云、强动态物体深度点云作为输入，输出激光点云中与强动态物体深度点云最接近的点并剔除，记录每一关键帧剔除强动态物体后的激光点云、原始相机输出；
6、s03）、先验参考地图后处理，遍历步骤s02）记录的图优化后剔除强动态物体后的激光点云、原始相机输出和优化位姿，对原始相机输出执行弱动态物体检测，并将检测到的弱动态物体转换至深度图像中完成点云分割，同时将深度图像坐标系转换至激光点云坐标系，利用kd-tree算法将激光点云、弱动态物体深度点云作为输入，输出激光点云中与弱动态物体深度点云最接近的点并赋予弱动态物体属性，最后完成二维栅格地图构建，生成先验参考地图，此时栅格地图带有占据、弱动态物体属性；
7、s04）、基于先验参考地图的二次更新，执行任务时，机器人根据步骤s03）输出的先验参考地图完成扫描匹配定位工作，一定时间后进行先验参考地图二次更新，采用一线程进行定位，另一线程在定位稳定性满足要求的情况下，查找具有弱动态物体的格栅周围4个格栅是否被击中，若击中则不作处理，反之，该格栅设定的待更新次数加1，机器人循环作业时若检测到某一格栅的待更新次数大于t，则此时更新该格栅及其周围4个格栅占据属性为空白，弱动态物体属性删除。
8、进一步的，采集室内场景训练数据时，选择不同场景、不同光照时间的室内场景，并利用rgb-d摄像机完成环境中图像与深度信息采集，其次，对采集到的图像进行手动标注，标记物体的检测框与动态属性，然后对图像进行数据增强和归一化处理。
9、进一步的，采用yolo-fastest算法作为目标检测系统。
10、进一步的，步骤s02）输出激光点云中与强动态物体深度点云最接近的点并剔除后，采用图优化采用图优化方式完成后端优化，然后记录每一关键帧剔除强动态物体后的激光点云、原始相机输出和优化位姿。
11、进一步的，步骤s02）中，待rgb图像信息到达后立即于另一线程中完成强动态物体检测。
12、进一步的，步骤s03）中，对弱动态物体的检测于离线过程中进行。
13、进一步的，步骤s03）中，根据brensham算法完成二维栅格地图构建。
14、进一步的，t=6。
15、本发明还公开一种动态场景下移动机器人slam装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如上所述的动态场景下移动机器人slam方法。
16、本发明还公开一种存储介质，存储有程序指令，所述程序指令在运行时，执行如上所述的动态场景下移动机器人slam方法。
17、本发明的有益效果：本发明为解决现有技术的问题，提供了一种动态场景下室内移动机器人slam方法。该方法激光雷达、深度相机等完成多传感器融合，物体分别强动态物体、弱动态物体和静态物体，构建地图时直接剔除强动态物体，离线更新时剔除已经移动的弱动态物体，增强了机器人对于环境的感知理解能力，提升了传统slam算法对于动态物体的处理能力，进一步优化机器人定位、地图构建的准确性。
1.动态场景下移动机器人slam方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的动态场景下移动机器人slam方法，其特征在于：采集室内场景训练数据时，选择不同场景、不同光照时间的室内场景，并利用rgb-d摄像机完成环境中图像与深度信息采集，其次，对采集到的图像进行手动标注，标记物体的检测框与动态属性，然后对图像进行数据增强和归一化处理。
3.根据权利要求1所述的动态场景下移动机器人slam方法，其特征在于：采用yolo-fastest算法作为目标检测系统。
4.根据权利要求1所述的动态场景下移动机器人slam方法，其特征在于：步骤s02）输出激光点云中与强动态物体深度点云最接近的点并剔除后，采用图优化采用图优化方式完成后端优化，然后记录每一关键帧剔除强动态物体后的激光点云、原始相机输出和优化位姿。
5.根据权利要求1所述的动态场景下移动机器人slam方法，其特征在于：步骤s02）中，待rgb图像信息到达后立即于另一线程中完成强动态物体检测。
6.根据权利要求1所述的动态场景下移动机器人slam方法，其特征在于：步骤s03）中，对弱动态物体的检测于离线过程中进行。
7.根据权利要求1所述的动态场景下移动机器人slam方法，其特征在于：步骤s03）中，根据brensham算法完成二维栅格地图构建。
8.根据权利要求1所述的动态场景下移动机器人slam方法，其特征在于：t=6。
9.一种动态场景下移动机器人slam装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至8任一项所述的动态场景下移动机器人slam方法。
10.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至8任一项所述的动态场景下移动机器人slam方法。
