一种环境退化检测方法、芯片和移动机器人

技术领域

本申请涉及智能机器人领域，具体涉及一种环境退化检测方法、芯片和移动机器人。

背景技术

即时定位与地图构建(Simultaneous Localization and Mapping，简称SLAM)是一个专用术语，也称为CML(Concurrent Mapping and Localization)或并发定位与建图。SLAM问题可以描述为：机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。

其中，基于激光雷达的SLAM技术因激光雷达可以快速、准确、直接地获取周围环境信息，且具有不受环境遮挡和光照变化影响等优点，而成为领域内的研究热点，备受关注。然而，激光雷达需要空间几何结构信息决定特征点，当环境的几何特征稀疏时，容易影响激光雷达的定位和建图精度。典型的例子就是长走廊这种特征较少的退化环境，表现为机器人在长走廊SLAM过程中向前行走时有可能定位会保持不变。

在现有技术中，参照CN116182837A，移动机器人判断环境退化的方法是，对海森矩阵进行奇异值分解并找到其最小特征值，当最小特征值小于等于经验阈值时，认为环境发生退化。但是，由于传感器的测量噪声以及激光雷达扫描帧中的扫描点数等环境变量会影响特征值的大小，使得上述方法存在较大误差，降低了移动机器人判断环境退化的准确性。

发明内容

本申请提供了一种环境退化检测方法、芯片和移动机器人，具体技术方案如下：

一种环境退化检测方法，所述检测方法包括：步骤S1，基于多分辨率地图进行相关性扫描匹配，获得第一位姿；步骤S2，基于第一位姿构建残差模型，然后求解近似海森矩阵；步骤S3，对近似海森矩阵进行特征值分解，然后计算最大特征值与最小特征值的比率，获得退化条件数；步骤S4，比较退化条件数与退化阈值的大小，如果退化条件数大于退化阈值，则当前环境存在退化情况，如果退化条件数小于等于退化阈值，则当前环境不存在退化情况。

进一步地，所述步骤S1中，基于多分辨率地图进行相关性扫描匹配，获得第一位姿的方法包括：步骤S11，基于里程计和惯性测量单元获取线速度和角速度，计算初始位姿；步骤S12，基于初始位姿构建搜索窗口；步骤S13，基于多分辨率地图，在搜索窗口内依次对低分辨率地图、中分辨率地图和高分辨率地图进行暴力搜索，获得第一位姿ξ

其中，W指的是搜索窗口，ξ是W中的其中一个候选位姿，P

进一步地，所述步骤S12中，基于初始位姿构建搜索窗口的方法包括：步骤S121，获取距离最远的激光点云数据的距离d

其中，P

其中，r指的是地图分辨率；步骤S123，基于角度搜索步长和地图分辨率，计算搜索步数，公式如下，

其中，w

步骤S125，基于初始位姿构建搜索窗口W，公式如下，

其中，ξ

进一步地，所述步骤S13中，在搜索窗口内对低分辨率地图、中分辨率地图和高分辨率地图进行暴力搜索的过程中，包括：步骤S131，完成低分辨率地图的搜索后，按照预设比例缩小L

进一步地，所述步骤S2中，基于第一位姿构建残差模型，然后求解近似海森矩阵的方法包括：步骤S21，基于第一位姿构建残差模型，公式如下，

其中，ξ

其中，/>

其中，H

进一步地，所述步骤S4中，完成当前环境的退化检测后，对多分辨率地图进行更新，然后返回步骤S1并重复执行步骤S1至步骤S4以继续进行退化检测，直至完成整体环境的退化检测。

进一步地，所述对多分辨率地图进行更新的方法包括：步骤S5，基于列文伯格-马夸尔特算法对残差模型进行优化求解，获得第二位姿；步骤S6，如果当前环境不存在退化情况，则使用第二位姿以及激光点云数据更新多分辨率地图，如果当前环境存在退化情况，则对第二位姿进行校正，获得第三位姿后使用第三位姿以及激光点云数据更新多分辨率地图。

进一步地，所述步骤S6中，对第二位姿进行校正，获得第三位姿的方法包括：步骤S61，基于近似海森矩阵特征值分解后得到的特征值确定退化方向和非退化方向；步骤S62，将初始位姿在退化方向上进行投影，将第二位姿在非退化方向上进行投影，然后对两个投影结果进行线性组合，获得第三位姿。

进一步地，所述步骤S61中，基于近似海森矩阵特征值分解后得到的特征值确定退化方向和非退化方向的方法包括：将最小特征值相关联的特征向量确定为退化方向，将其余的特征值相关联的特征向量确定为非退化方向；其中，近似海森矩阵特征值分解后得到特征值以及与特征值相关联的特征向量。

进一步地，所述步骤S62中，将初始位姿在退化方向上进行投影，将第二位姿在非退化方向上进行投影，然后对两个投影结果进行线性组合，获得第三位姿的方法包括：步骤S621，基于退化方向的特征向量构建退化矩阵M

进一步地，所述步骤S6中，使用第二位姿以及激光点云数据更新多分辨率地图，或者使用第三位姿以及激光点云数据更新多分辨率地图的方法包括：步骤S63，基于地图分辨率r，构建概率栅格地图，其中，地图分辨率r是一个包含多种预设分辨率的数组，依次选取地图分辨率r中的预设分辨率构建概率栅格地图并执行步骤S64和步骤S65；步骤S64，将激光点云数据插入到概率栅格地图中，将第二位姿或第三位姿所在位置分别跟所有激光点云数据所在位置相连，然后统计相连线段所经过的所有栅格；步骤S65，更新相连线段所经过的所有栅格的占用概率，实现多分辨率地图的更新。

进一步地，所述步骤S63中，地图分辨率r＝{r

进一步地，所述步骤S65中，更新相连线段所经过的所有栅格的占用概率的方法包括：步骤S651，将相连线段所经过的所有栅格划分为命中栅格和未命中栅格，其中，命中栅格指的是激光点云数据所在的栅格，未命中栅格指的是相连线段所经过的所有栅格中除命中栅格外的其他栅格；步骤S652，依次判断相连线段所经过的所有栅格是否第一次被扫描到，若是，则为命中栅格更新一个固定的表示占用的概率值，为未命中栅格更新一个固定的表示空闲的概率值，若否，则进入步骤S433；步骤S653，为该非第一次被扫描到的栅格更新一个新的概率值P

一种芯片，所述芯片储存有计算机程序代码，所述计算机程序代码被执行时实现所述环境退化检测方法。

一种移动机器人，所述移动机器人装配有所述芯片。

本申请所述的环境退化检测方法，通过多分辨率地图进行相关性扫描匹配后获得第一位姿，然后构建残差模型并求解近似海森矩阵，对近似海森矩阵进行特征值分解得到特征值，计算其中最大特征值与最小特征值的比率，以此比率作为环境退化的判断标准，可以消除单一特征值对环境变量的依赖，提高移动机器人判断环境退化的准确性。

附图说明

图1为本申请一种实施例所述环境退化检测方法的流程示意图。

图2为本申请一种实施例所述多分辨率相关性扫描匹配示意图。

图3为本申请一种实施例所述表示不同环境的激光点云的示意图。

图4为本申请一种实施例所述感知退化器的ROC曲线示意图。

图5为本申请一种实施例所述栅格与地图分辨率的关系示意图。

图6为本申请一种实施例所述一帧激光点云插入概率栅格地图的示意图。

具体实施方式

下面将结合附图，对本申请实施例进行详细描述。应当理解，下面所描述的具体实施例仅用于解释本申请，并不用于限定本申请。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

在现有技术中，参照CN116182837A，移动机器人判断环境退化的方法是，对海森矩阵进行奇异值分解并找到其最小特征值，当最小特征值小于等于经验阈值时，认为环境发生退化。但是，由于传感器的测量噪声以及激光雷达扫描帧中的扫描点数等环境变量会影响特征值的大小，使得上述方法存在较大误差，降低了移动机器人判断环境退化的准确性。

为了解决上述技术问题，本申请实施例提供一种环境退化检测方法，通过多分辨率地图进行相关性扫描匹配后获得第一位姿，然后构建残差模型并求解近似海森矩阵，对近似海森矩阵进行特征值分解得到特征值，计算其中最大特征值与最小特征值的比率，以此比率作为环境退化的判断标准，可以消除单一特征值对环境变量的依赖，提高移动机器人判断环境退化的准确性。

如图1所示，所述环境退化检测方法包括：

步骤S1，基于多分辨率地图进行相关性扫描匹配，获得第一位姿；

步骤S2，基于第一位姿构建残差模型，然后求解近似海森矩阵；

步骤S3，对近似海森矩阵进行特征值分解，然后计算最大特征值与最小特征值的比率，获得退化条件数；

步骤S4，比较退化条件数与退化阈值的大小，如果退化条件数大于退化阈值，则当前环境存在退化情况，如果退化条件数小于等于退化阈值，则当前环境不存在退化情况。

需要说明的是，多分辨率地图指的是多张不同分辨率的地图，在本公开实施例中，通过修改地图分辨率的数值，构建低分辨率地图、中分辨率地图和高分辨率地图共三张不同分辨率的地图。具体地，以中分辨率地图为原始地图，扩展低分辨率地图和高分辨率地图，低分辨率地图用于加速定位，高分辨率地图用于获得更高的定位精度。通过在搜索窗口内进行暴力搜索，可以得到搜索窗口中的最优位姿，并且当地图分辨率越高，得到的位姿精度越高。不过，越高的地图分辨率也会带来更高的计算成本，在同样的物理搜索区间条件下，分辨率与计算复杂度呈三次方的关系，所以引入多分辨率地图构造多分辨率相关性扫描匹配，可以获得更精确的位姿且不会带来较高的计算成本。

作为其中一种实施方式，所述步骤S1中，基于多分辨率地图进行相关性扫描匹配，获得第一位姿的方法包括：

步骤S11，基于里程计和惯性测量单元获取线速度和角速度，计算初始位姿；

步骤S12，基于初始位姿构建搜索窗口；

步骤S13，基于多分辨率地图，在搜索窗口内依次对低分辨率地图、中分辨率地图和高分辨率地图进行暴力搜索，获得第一位姿ξ

其中，W指的是搜索窗口，ξ是W中的其中一个候选位姿，P

可以理解的是，移动机器人刚开始使用的多分辨率地图是空地图，需要获得初始位姿。在执行步骤S11的过程中，基于轮式里程计和惯性测量单元，获取当前时刻移动机器人本体的线速度以及角速度，在连续激光雷达帧间的时间增量内可以认为移动机器人以匀速运动，因此基于匀速模型可以得到在新的激光雷达时刻下的初始位姿ξ

其中，ξ

在本公开实施方式中，选择合适的角度搜索步长可以提高匹配得到的位姿精度，角度搜索步长的选取考虑当前帧扫描点中距离最远的扫描点，在不超过地图分辨率r的范围内实现递进。所述步骤S12中，基于初始位姿构建搜索窗口的方法包括：

步骤S121，获取距离最远的激光点云数据的距离d

其中，P

步骤S122，计算角度搜索步长Δθ，公式如下，

其中，r指的是地图分辨率；

步骤S123，基于角度搜索步长和地图分辨率，计算搜索步数，公式如下，

其中，w

步骤S124，基于搜索步数计算总的候选位姿

步骤S125，基于初始位姿构建搜索窗口W，公式如下，

其中，ξ

参照图2所示的多分辨率相关性扫描匹配示意图，构建中分辨率地图，同时扩展用于加速匹配过程的低分辨率地图以及用于获得更高像素精度位姿的高分辨率地图。同样的物理搜索区间下，在低分辨率地图中，每一个像素栅格表示的物理空间较大，因此搜索窗口更小，通过暴力搜索的方式获取窗口内最优位姿的速度更快，但位姿精度较低。在低分辨率地图上快速获得位姿后，继续在中分辨率地图上进行细化匹配搜索，然后再在高分辨率地图上用同样的方式细化候选的位姿，获得高像素精度的位姿结果。

作为其中一种实施方式，在中分辨率地图和高分辨率地图上进行细化匹配搜索时，由于此时位姿已在真实最优位姿附近，可以通过减小物理搜索区间来加速搜索。具体地，所述步骤S13中，在搜索窗口内对低分辨率地图、中分辨率地图和高分辨率地图进行暴力搜索的过程中，包括：

步骤S131，完成低分辨率地图的搜索后，按照预设比例缩小L

步骤S132，完成中分辨率地图的搜索后，再次按照预设比例缩小L

在一实施例中，假如在1m的线性搜索区间以及左右各5°的角度搜索区间的范围内搜索，地图分辨率取5cm，那么在x方向上的搜索步长就是1m/0.05m＝20，在y方向上的搜索步长就是1m/0.05m＝20，总共20*20＝400个候选的位置，组成线性搜索窗口。同理，基于角度搜索步长获得角度搜索窗口后，与线性搜索窗口相乘可得到搜索窗口W。当把线性搜索区间1m减小到0.5m和/或角度搜索区间5°减小到1°时，候选的可能位置数量变少，于是搜索窗口变小，从而起到减小物理搜索区间的效果。

作为其中一种实施方式，连续的激光扫描帧间的小运动可以认为是局部线性的，因此通过计算损失函数的梯度，以将误差从传感器噪声传递到状态估计的不确定性。损失函数(loss function)用来估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数，通常使用L(Y,f(x))来表示，损失函数越小，模型的鲁棒性就越好。可以先计算出损失函数对每个参数的梯度，然后将这些梯度按照一定的顺序组成一个矩阵，就可以得到雅可比矩阵。在2D激光SLAM系统中，局部位姿含有三个自由度即偏航角θ和二维的平移矢量(t

步骤S21，基于第一位姿构建残差模型，公式如下，

其中，ξ

步骤S22，通过列文伯格-马夸尔特算法对残差模型进行优化求解，然后计算损失函数的梯度，获得雅可比矩阵

其中，

步骤S23，计算P

其中，H

在本公开实施例中，为分离出可能的退化方向，通过对海森矩阵进行特征值分解，得到相应的特征值和特征向量，其中与最小特征值相对应的特征向量表征估计的位姿变换的最小可观测方向，与最大特征值相对应的特征向量表征估计的位姿变换的最大可观测方向。在所述步骤S3中，对近似海森矩阵进行特征值分解，然后计算最大特征值与最小特征值的比率，获得退化条件数κ，公式如下，

其中，λ

在执行步骤S3的过程中，由于传感器的测量噪声以及激光雷达扫描帧中的扫描点数等环境变量会影响特征值的大小，如果使用单一的特征值表征环境的退化情况，存在较大的误差，可能会导致错误的判断。因此，在本公开实施例中，采用最大特征值和最小特征值的比率表征环境退化情况，可以消除单一特征值对环境变量的依赖，提高移动机器人判断环境退化的准确性。其中，退化条件数κ(即最大特征值和最小特征值的比率)的大小与环境的退化性呈正相关，较大的退化条件数对应于较高程度的退化，接近于1的退化条件数κ代表优化问题在约束参数的各个方向可观测性近似相等。在实际使用中，通过在已知存在退化情况的环境中进行测试得到退化阈值κ

基于上述实施例，实现一个感知退化器，用于识别环境的退化情况。首先，在含有退化情况的环境中一共采集了318帧激光点云数据，如图3(a)和图3(b)所示，激光点云有较为丰富的几何结构特征，此时的环境信息不存在退化情况，而图3(c)所示采样的激光点云出现了明显的几何退化情况，此时处于狭长且对称的走廊环境中，没有明显的几何信息利于准确定位，沿走廊轴向方向极易出现定位偏差。然后，通过手工标注对318帧激光点云数据进行分类，其中142帧激光点云数据对应于长走廊退化环境，其余176帧为易于定位的特征丰富环境。接下来，使用上述感知退化器对图3的环境进行识别，以验证感知退化器的识别能力。

参照图4，感知退化器的性能通过计算ROC曲线下面积AUC(Area Under Curve)描述，图4显示了感知退化器的高灵敏性，其中AUC值为0.97。图4中用不同颜色的五角星标记了在不同阈值条件下感知退化器的识别能力(图4中最上边的五角星表示κ＝7，最下边的五角星表示κ＝9，中间的五角星表示κ＝8)，其中越接近左上角的五角星表示更高的分类性能，可以看到当阈值κ＝8时能获得较好的分类识别能力，在较小的错误识别比率下得到较高的正确识别比率。因此，可以理解的是，将退化阈值κ

在本公开实施例中，所述步骤S4完成当前环境的退化检测后，对多分辨率地图进行更新，然后返回步骤S1并重复执行步骤S1至步骤S4以继续进行退化检测，直至完成整体环境的退化检测。

作为其中一种实施方式，所述对多分辨率地图进行更新的方法包括：

步骤S5，基于列文伯格-马夸尔特算法对残差模型进行优化求解，获得第二位姿；

步骤S6，如果当前环境不存在退化情况，则使用第二位姿以及激光点云数据更新多分辨率地图，如果当前环境存在退化情况，则对第二位姿进行校正，获得第三位姿后使用第三位姿以及激光点云数据更新多分辨率地图。

在执行步骤S5的过程中，为了获得更精准的位姿，进一步对第一位姿进行优化求解，使得具有像素精度的第一位姿变成具有亚像素精度的第二位姿，其中，亚像素精度优于像素精度。当

可以理解的是，在执行步骤S6的过程中，当没有出现环境退化的情况，则使用第二位姿更新多分辨率地图，当出现环境退化的情况，则使用校正后的第二位姿，即第三位姿更新多分辨率地图。

作为其中一种实施方式，当移动机器人检测到激光雷达获取的环境信息存在几何退化后，使用重映射的方法可以对位姿进行校正，以提高位姿的准确性。具体地，所述步骤S6中，对第二位姿进行校正，获得第三位姿的方法包括：

步骤S61，基于近似海森矩阵特征值分解后得到的特征值确定退化方向和非退化方向；

步骤S62，将初始位姿在退化方向上进行投影，将第二位姿在非退化方向上进行投影，然后对两个投影结果进行线性组合，获得第三位姿。

在执行步骤S61的过程中，基于近似海森矩阵特征值分解后得到的特征值确定退化方向和非退化方向的方法包括：将最小特征值相关联的特征向量确定为退化方向，将其余的特征值相关联的特征向量确定为非退化方向；其中，近似海森矩阵特征值分解后得到特征值以及与特征值相关联的特征向量。

在执行步骤S62的过程中，将初始位姿在退化方向上进行投影，将第二位姿在非退化方向上进行投影，然后对两个投影结果进行线性组合，获得第三位姿的方法包括：

步骤S621，基于退化方向的特征向量构建退化矩阵M

M

M

M

步骤S622，将初始位姿ξ

步骤S623，将第二位姿ξ

步骤S624，对两个投影结果进行线性组合，获得第三位姿ξ

ξ

作为其中一种实施方式，使用连续的经过校正的位姿及其对应的点云数据可以构建需要的多分辨率地图，地图采用概率栅格地图的形式，离散的网格点来源于给定的地图分辨率r。参照图5，图中每个栅格并不是一个点，而是边长为r的小区域，栅格坐标取其中心点的坐标。可以理解的是，激光点云的坐标以其自身为准，要将激光点云插入到地图中就需要确认激光点云属于哪个栅格，一般认为，激光点云属于与其距离最近的栅格坐标所属的栅格。具体地，所述步骤S6中，使用第二位姿以及激光点云数据更新多分辨率地图，或者使用第三位姿以及激光点云数据更新多分辨率地图的方法包括：

步骤S63，基于地图分辨率r，构建概率栅格地图，其中，地图分辨率r是一个包含多种预设分辨率的数组，依次选取地图分辨率r中的预设分辨率构建概率栅格地图并执行步骤S64和步骤S65；

步骤S64，将激光点云数据插入到概率栅格地图中，将第二位姿或第三位姿所在位置分别跟所有激光点云数据所在位置相连，然后统计相连线段所经过的所有栅格；

步骤S65，更新相连线段所经过的所有栅格的占用概率，实现多分辨率地图的更新。

作为其中一种实施方式，所述步骤S63中，地图分辨率r＝{r

需要说明的是，本申请中的所有步骤或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所述出现或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。例如，所述步骤S63可以在移动机器人刚开始基于多分辨率地图进行相关性扫描匹配时执行，此时的概率栅格地图为空地图，在移动机器人获得初始位姿后进行一次更新，从而得到供所述步骤S1执行的多分辨率地图。

作为其中一种实施方式，当一帧激光点云插入到概率栅格地图中时，会计算出命中的栅格集合和未命中的栅格集合。参照图6，图中空心圆表示当前移动机器人所在位置，基于第二位姿或第三位姿获得，图中实心圆表示当前激光点云所在位置，基于激光雷达获取，图中深灰色栅格表示命中的栅格集合，图中浅灰色栅格表示未命中的栅格。对于第一次观测到的栅格分配一个固定的概率值表示占用或空闲，若不是第一次被观测到则更新命中或未命中的概率。具体地，所述步骤S65中，更新相连线段所经过的所有栅格的占用概率的方法包括：

步骤S651，将相连线段所经过的所有栅格划分为命中栅格和未命中栅格，其中，命中栅格指的是激光点云数据所在的栅格，未命中栅格指的是相连线段所经过的所有栅格中除命中栅格外的其他栅格；

步骤S652，依次判断相连线段所经过的所有栅格是否第一次被扫描到，若是，则为命中栅格更新一个固定的表示占用的概率值，为未命中栅格更新一个固定的表示空闲的概率值，若否，则进入步骤S433；

步骤S653，为该非第一次被扫描到的栅格更新一个新的概率值P

P

其中，x指的是非第一次被扫描到的栅格，p指的是x第一次被扫描到时所更新的概率值，clamp函数指的是区间限定函数，用于判断其参数是否在预设区间内，若超出预设区间则将其限定在区间内，

本申请实施例提供一种芯片，所述芯片储存有计算机程序代码，并可以设置在前述的移动机器人内，所述计算机程序代码被执行时实现所述环境退化检测方法。示例性的，所述计算机程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述芯片中，并由所述芯片执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序代码在所述移动机器人中的执行过程。所述芯片可以提高移动机器人判断环境退化的准确性。

本申请实施例提供一种移动机器人，所述移动机器人装配有所述芯片。所述移动机器人通过多分辨率地图进行相关性扫描匹配后获得第一位姿，然后构建残差模型并求解近似海森矩阵，对近似海森矩阵进行特征值分解得到特征值，计算其中最大特征值与最小特征值的比率，以此比率作为环境退化的判断标准，可以消除单一特征值对环境变量的依赖，提高移动机器人判断环境退化的准确性。

本领域的普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，该计算机程序可存储于一非易失性计算机可读存储介质中，该计算机程序在执行时，可包括如上述个方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器ROM、可编程存储器PROM、电可编程存储器DPROM、电可擦除可编程存储器DDPROM或闪存。易失性存储器可包括随机存取存储器RAM或者外部高速缓冲存储器。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上各实施例仅表达了本申请的几种实施例，其描述较为具体和详细，但并不能因此而理解为申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。