[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

说明书

本发明公开了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，包括基于偏移度的关键帧粗提取，以偏移度为另一选取原则融入ORB‑SLAM的关键帧提取之中；针对区域特征相似的关键帧部分采用基于深度学习的精提取，利用Alex‑NET进行学习，完成关键帧精提取；最后基于上述的有效关键帧集进行历史闭环检测，以判断自身是否进入历史同一状况。本发明以一个多角度的有效关键帧选取策略，能很好的处理有大偏移的运动情况；利用深度学习网络，避免了相似区域关键帧提取模糊的问题；而基于历史关键帧数据集的闭环检测则避免了为发生闭环或少发生闭环情况下的时间浪费问题，提高了系统的运行速度，降低了整个过程的算法复杂度。

技术领域

本发明涉及基于有效关键帧的机器人闭环检测自定位误差消除方法，尤其涉及偏移动态情况下的闭环检测方法。

背景技术

长久以来，人们使用机器人对复杂环境的测量及构图一直不够理想，动态情况下的特征量的跟随效果差、环境纹理稀疏、计算负荷大以及实时性差等问题都影响着测量效果，因此，一系列的机器人SLAM构图方案被提出。

机器人SLAM算法起初是采用滤波方式，例如基于卡尔曼滤波的方法，但其必须基于高斯假设的前提之下，极大程度上限制了应用场合。而2007年，Montemerlo利用粒子滤波器实现FastSLAM算法，尽管脱离了高斯分布的噪声模型但也面临着粒子退化的问题，其效果也不如人意。随着研究发展，优化算法的效果要好于滤波算法已成为共识，因此一大批优化算法应运而生。优化算法在系统上将整个SLAM分为前后端两个部分，而这两个部分包含了以下三个步骤：(1)特征提取：作为SLAM系统的前端，对地图进行关键帧的获取，将地图信息以关键帧的形式，进行记录；(2)数据匹配：同样作为前端，完成短期内的特征跟踪，长期内的闭环检测的工作；(3)地图建立及优化：对前端信息进行地图构建并优化。在这之中，步骤(3)的研究发展最为全面，在既得的关键帧信息前提下的地图构建算法都有着不错的效果，例如基于SIEF的子地图连接以及语义地图的构建。然而对于关键帧的提取与闭环检测则显得较为不足，尤其是动态且环境纹理信息不足的情况下，特别地，较好的关键帧提取结果集也会对最后地图构建部分起到不错的帮助效果。

为采集到较为全面的关键帧，我们需要对其提取过程进行优化。而传统的提取过程中，由于动态偏移角度过大，很容易遗失许多有效的关键帧。而随着深度学习的发展，其与SLAM的结合应用使得整个系统对动态环境的适应力越来越强，取得了不错的效果。例如Konda和Memisevic提出的基于端到端的深度神经网络架构，其用于预测摄像机位姿变换进行帧间估计，取得了不错的效果。Costanta利用卷积神经网络学习图像数据的最优特征表示进行视觉里程估计，并展示了其算法在应对图像运动模糊、光照变化方面的鲁棒性。然而，深度学习需要基于大量的训练材料才能得到一个较好的网络模型，且随着目标范围的增大，训练模式与训练周期并非简单的线性增长。因此，对于全局地图为目标的深度学习容易导致整个算法的复杂度偏高，训练周期过长。

发明内容

发明目的：为了解决现有技术中对复杂动态环境的SLAM有效关键帧丢失问题以及由逐帧闭环检测导致的算法复杂度过高的问题，本发明提供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。

技术方案：为达成上述目的，本发明所述的一种基于有效关键帧的闭环检测机器人自定位误差消除方法，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。