[发明专利]一种基于多任务网络模型定位的方法及系统在审
| 申请号： | 201910957160.8 | 申请日： | 2019-10-10 |
| 公开（公告）号： | CN112648997A | 公开（公告）日： | 2021-04-13 |
| 发明（设计）人： | 胡婷婷;温冬寒;郑伟波 | 申请（专利权）人： | 成都鼎桥通信技术有限公司 |
| 主分类号： | G01C21/20 | 分类号： | G01C21/20;G06N3/04 |
| 代理公司： | 北京德琦知识产权代理有限公司 11018 | 代理人： | 牛峥;王丽琴 |
| 地址： | 610041 四川省成都市高新*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 任务 网络 模型 定位 方法 系统 | ||
1.一种基于多任务网络模型定位的方法，其特征在于，包括：
构建多任务网络模型，包括全局位姿回归子网络和相对位姿估计子网络；
全局位姿回归子网络中的卷积部分采用Resnet结构构建，全局位姿回归子网络的最后一层设置为全连接层，以机器人拍摄的单帧图像作为输入，以机器人的位姿信息作为输出；
相对位姿估计子网络中的卷积部分采用Resnet结构构建，包括两个线程网络及一个卷积子网络，相对位姿估计子网络的最后一层设置为全连接层，将机器人拍摄的相邻帧图像作为输入，输入到两个线程网络中，两个线程网络通过共享残差生成抽象特征，将生成的抽象特征在卷积子网络串联后，输出到全连接层处理，以机器人的相对位姿信息作为输出。
2.如权利要求1所述的方法，其特征在于，所述全局位姿回归子网络采用50网络结构、34或101网络结构。
3.如权利要求1所述的方法，其特征在于，所述相对位姿估计子网络采用50网络结构、34或101网络结构。
4.如权利要求1所述的方法，其特征在于，所述全局位姿回归子网络在训练的同时，利用由相对位姿估计子网络训练时得到的机器人的相对位姿信息设置搜索空间。
5.如权利要求1所述的方法，其特征在于，所述全局位姿回归子网络和所述相对位姿估计子网络在训练时，共同使用50结构的前三个残差模块，通过交替训练，在不同任务上使用不同的损失函数。
6.一种基于多任务网络模型定位的系统，其特征在于，包括：全局位姿回归子网络和相对位姿估计子网络，其中，
全局位姿回归子网络，用于其中的卷积部分采用Resnet结构构建，最后一层设置为全连接层，以机器人拍摄的单帧图像作为输入，以机器人的位姿信息作为输出；
相对位姿估计子网络，用于其中的卷积部分采用Resnet结构构建，包括两个线程网络及一个卷积子网络，最后一层设置为全连接层，将机器人拍摄的相邻帧图像作为输入，输入到两个线程网络中，两个线程网络通过共享残差生成抽象特征，将生成的抽象特征在卷积子网络串联后后，输出到全连接层处理，以机器人的相对位姿信息作为输出。
7.如权利要求6所述的系统，其特征在于，所述全局位姿回归子网络在训练的同时，利用由相对位姿估计子网络训练时得到的机器人的相对位姿信息设置搜索空间。
8.如权利要求6所述的系统，其特征在于，所述全局位姿回归子网络采用50网络结构、34或101网络结构。
9.如权利要求6所述的系统，其特征在于，所述相对位姿估计子网络采用50网络结构、34或101网络结构。
10.如权利要求6所述的系统，其特征在于，所述全局位姿回归子网络和所述相对位姿估计子网络在训练时，共同使用50结构的前三个残差模块，通过交替训练，在不同任务上使用不同的损失函数。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于成都鼎桥通信技术有限公司，未经成都鼎桥通信技术有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910957160.8/1.html，转载请声明来源钻瓜专利网。
