[发明专利]基于有效关键帧的闭环检测机器人自定位误差消除方法

权利要求书

1.一种基于有效关键帧的机器人闭环检测自定位误差消除方法，其特征在于，包括以下步骤：

(1)以偏移度为选取原则融入ORB-SLAM的关键帧提取之中，对关键帧进行粗提取；

(2)经上述粗提取后，区别度较大区域所提取出来的关键帧有较好的特征性，相似区域提取的关键帧则较为模糊，将相似区域的关键帧作为待定部分，作为深度学习的输入，以卷积神经网络，实行关键帧的精提取，获取关键帧集合；

(3)在上述关键帧集合基础上进行历史闭环检测，确定机器人在当前时刻所得到的图案提取到的关键帧，是否进入历史同一状况，若不是，则没发生闭环；若是，则在当前时刻，发生闭环，针对存在误差的地方，在历史地图上进行自定位的更新修正，消除误差；

所述步骤(1)的包括以下步骤：

(11)提取数据帧：参考ORB-SLAM提取关键帧策略，使用FAST算法找到关键点，用BRIEF作为描述符；

(12)判断匹配点是否大于15个点，是则到(13)，否则返回(11)；

(13)判断自上个关键帧过去20或与关键帧之间的偏移大于一固定阈值，记为n，是则到(14)，否则返回(11)；

(14)判断与关键帧之间偏移度大于n，是则到(15)，否则执行(17)；

(15)判断跟踪参考帧的25％以上，是则到(16)，否则返回(11)；

(16)判断跟踪是否大于15个点，是则到(18)，否则返回(11)；

(17)判断跟踪是否大于50个点，是则到(18)，否则返回(11)；

(18)判断当前帧跟踪到的点是否小于参考帧的90％，是则作为插入关键帧，否则返回(11)；

所述步骤(2)包括以下步骤：

(21)获取待定部分的特征向量，作为输入端，进入深度学习模型Alex-NET；

(22)经模型得到深度卷积网络特征，生成特征向量；

(23)结合支持向量机分类器对关键帧提取出来的特征向量完成类识别；

所述步骤(3)包括以下步骤：

(31)进入闭环检测，提取记录当前关键帧；

(32)判断当前关键帧所处区间为低概率区间还是高概率区间；

(33)低概率区间的采用跳跃式检测法，高概率区间的采用逐帧式检测法；

(34)判断是否检测到闭环，是则到(35)，否则到(31)；

(35)判断是否在低概率区间检测到闭环，是则到(36)，否则到(38)；

(36)获取上一检测关键帧；

(37)重置当前区间为高概率区间，并回到(31)，提取关键帧；

(38)进行自定位信息更新，消除误差。

2.根据权利要求1所述的一种基于有效关键帧的机器人闭环检测自定位误差消除方法，其特征在于，所述步骤(13)的实现过程如下：结合李群李代数，以李群定义关键帧流形，在该流形上，以对应李代数上的直线距离作为偏移情况，如式(1)所示为第1帧到第2帧的偏移程度，其中，δ为关键帧的位置，d为不同关键帧处的偏角状态，Δd则反应了偏移程度：

同时，对于两个有间隔的图像帧a帧和a'帧之间的偏移度的大小定义为从第a到第a'之间的累计邻近图像帧偏移度和，如式(2)所示：

3.根据权利要求1所述的一种基于有效关键帧的机器人闭环检测自定位误差消除方法，其特征在于，步骤(21)所述的Alex-NET模型具有5层的卷积层、3层的池化层和3层的全连接层，包含有60M个参数和650个神经元，类识别上限为1000类；激活函数为线性整流函数。