[发明专利]基于场景重识的定位方法、电子设备、存储介质、系统

权利要求书

1.基于场景重识的定位方法，其特征在于，包括以下步骤：

数据转换，将三维激光数据转换为二维单通道图像；

建立特征地图，根据场景对所述图像标记对应的场景标签；将所述图像与场景标签作为输入，采用神经网络训练模型进行训练得到特征向量模型，利用特征向量模型将所述图像转化得到特征向量，根据所述特征向量建立特征地图；

全局定位，利用特征向量模型获取当前激光数据对应的特征向量，将所述特征向量与所述特征地图进行匹配，根据最优匹配结果计算当前位置。

2.如权利要求1所述的基于场景重识的定位方法，其特征在于，所述步骤数据转换具体为：

S101、获取三维激光数据中各激光点的仰角；

S102、根据所述激光点的仰角，将三维激光数据划分得到不同仰角区间的子集；

S103、统计相同仰角区间内相邻激光点之间的距离变化，得到各个所述子集的一维统计分布；

S104、对各个所述子集的统计分布进行排列，得到二维单通道图像。

3.如权利要求1所述的基于场景重识的定位方法，其特征在于，所述步骤建立特征地图具体采用k-d树将所有所述特征向量构建特征地图。

4.如权利要求3所述的基于场景重识的定位方法，其特征在于，所述步骤建立特征地图具体为：

S201、获取所述二维单通道图像，并对所述二维单通道图像进行标注，得到所述图像对应的标签；

S202、将所述图像与所述标签作为输入，采用神经网络训练模型进行训练得到一维特征向量；

S203、根据所述一维特征向量，采用k-d树构建特征地图。

5.如权利要求4所述的基于场景重识的定位方法，其特征在于，所述S201步骤具体为：计算每一帧激光数据对应的机器人位姿，根据所述位姿差值判断是否为相同场景，并将所述激光数据与所述图像配上闭环场景或非闭环场景的标签。

6.如权利要求4所述的基于场景重识的定位方法，其特征在于，所述S202步骤中采用对称神经网络训练模型进行训练。

7.如权利要求1所述的基于场景重识的定位方法，其特征在于，步骤全局定位还包括：对匹配结果进行评估，获得最优匹配结果的衡量概率P_ob，其中d_max为预设距离值，为匹配排名前n中第i名的距离值。

8.如权利要求7所述的基于场景重识的定位方法，其特征在于：步骤全局定位还包括：将所述概率P_ob的最优匹配结果融入粒子滤波框架，概率P_ob融入粒子权重的估计得到W_particle＝P_ob W_ob，其中W_ob是根据粒子距离最优匹配结果的距离得到的权重，W_ob符合高斯分布；融入里程信息，得到估计位姿。

9.一种电子设备，其特征在于包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的方法。

11.基于场景重识的定位系统，其特征在于：包括处理终端、激光测量装置；

所述激光测量装置用于采集机器人移动过程中的激光数据，所述激光数据为三维点数据；

所述处理终端用于获取所述激光数据，所述处理终端执行如权利要求1-8任一项所述的基于场景重识的定位方法，得到当前机器人的位姿。