[发明专利]一种基于距离度量学习的视觉SLAM回环检测方法

说明书

本发明公开了一种基于距离度量学习的视觉SLAM回环检测方法，包括：对CNN模型进行预训练，使用训练集做优化；将训练集的图片平均分成k组，同时输入k个CNN预训练模型，所述k个CNN预训练模型共享参数；使用多元组构造方法构造多元组进行训练；构造出所有场景的多元组之后，根据多元组之间的距离关系进行优化CNN模型；当步骤四没有构造出合适的多元组时，直接结束训练，进入测试阶段；使用优化过的CNN模型，进行实际机器人回环检测应用。本发明解决了同时对外观变化和视角变化具有鲁棒性的技术问题，降低相似性度量的运算量。

技术领域

本发明公开了一种基于距离度量学习的视觉SLAM回环检测方法，涉及机器人移动定位技术领域。

背景技术

视觉SLAM(同步定位与建图)是移动机器人领域的关键技术。在一个SLAM系统中，机器人将建立周围环境的模型并同步估计它的运动轨迹。一个典型的视觉SLAM系统通常由以下几个模块构成：视觉里程计、后端优化、回环检测和建图。其中，回环检测模块用于自动检测出机器人是否曾经到过某个地点。如果回环成功检测出来，机器人将能够为后端的优化提供额外的约束项并减小优化误差。

在实际导航过程中，机器人周围的环境可能会发生改变。这些改变可以分为外观的改变和视角的改变。外观的改变可能是由于光照、天气和阴影的变化。同时，机器人在移动过程中在同一地点不同的角度拍摄到的画面看上去不一样。因此，回环检测需要对外观和视角的变化具有鲁棒性。

除了对外观和视角的变化具有鲁棒性之外，回环检测的另一个重要的问题是实时性。机器人需要在很短的时间内判断出是否经过当前位置。然而，由于视觉SLAM的其他模块也需要消耗大量的内存，回环检测不能够占用许多计算资源。

目前，主流的视觉SLAM系统用的回环检测方法大多是词袋模型。词袋模型需要人工设计特征并将这些特征组成词典，并计算目标图片与词典中特征的距离，从而判断是否形成回环。但是，这种人工设计特征的方法极易受到环境因素的干扰，比如光照、拍摄角度和动态物体等。

最近，许多研究人员将卷积神经网络(CNN)用于解决回环检测问题。与传统方法相比，CNN能够提取到更高质量的图片特征，而且在ImageNet数据集上预训练的CNN模型有很强的泛化性，能够被用于解决多种不同的视觉任务。已有研究发现CNN的中层提取到的特征对外观变化具有鲁棒性，CNN高层提取到的特征对视角变化具有鲁棒性。然而，如何同时对外观变化和视角变化具有鲁棒性仍然是一个关键技术难题。同时，图片的相似性度量通常是比较图片特征之间的欧式距离。但是CNN模型提取的图片特征维数很高，所以相似性度量需要大量的运算量，对实时性是一个很大的挑战。

发明内容

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于距离度量学习的视觉SLAM回环检测方法，解决同时对外观变化和视角变化具有鲁棒性的技术问题，降低相似性度量的运算量。

本发明为解决上述技术问题采用以下技术方案：

一种基于距离度量学习的视觉SLAM回环检测方法，所述方法包括如下步骤：

步骤一、对CNN模型进行预训练，使用训练集做优化；

步骤二、将训练集的图片平均分成k组，同时输入k个CNN预训练模型，所述k个CNN预训练模型共享参数；

步骤三、使用多元组构造方法构造多元组进行训练；

步骤四、构造出所有场景的多元组之后，根据多元组之间的距离关系进行优化CNN模型；

步骤五、当步骤四没有构造出合适的多元组时，直接结束训练，进入测试阶段；

步骤六、使用优化过的CNN模型，进行实际机器人回环检测应用。