[发明专利]基于深度学习和卡尔曼滤波的机器人移动跟踪系统及方法

权利要求书

1.一种基于深度学习和卡尔曼滤波的机器人移动跟踪系统，其特征在于，包括以下模块：

控制客户端模块，用于接收用户指令确认追踪场景和追踪物体并根据追踪场景和追踪物体选择开启相应的感知设备；

机器人感知模块，用于接收来自控制客户端模块的控制信号开启相应感知设备，并将感知设备获取的信息传输至定位跟踪模块；

定位跟踪模块，用于接收机器人感知模块的信息并根据追踪场景和追踪物体加载不同的深度学习模型，配合卡尔曼滤波算法快速定位跟踪物体，并且将处理数据实时同步至机器人移动模块和控制客户端模块；

机器人移动模块，用于匹配机器人的类型选择对应的移动控制方法，并根据根据跟踪定位模块返回的实时坐标跟踪物体。

2.根据权利要求1所述一种基于深度学习和卡尔曼滤波的机器人移动跟踪系统，其特征在于，所述控制客户端模块、机器人感知模块、定位跟踪模块和机器人移动模块依次无线连接，所述机器人移动模块和定位跟踪模块还与控制客户端模块无线连接。

3.根据权利要求2所述一种基于深度学习和卡尔曼滤波的机器人移动跟踪系统，其特征在于，所述控制客户端模块基于python的web开发框架和tornado技术构建。

4.根据权利要求3所述一种基于深度学习和卡尔曼滤波的机器人移动跟踪系统，其特征在于，所述机器人感知模块包括激光雷达感知部件、红外感知部件、惯性测量装置和双目摄像头系统。

5.根据权利要求4所述一种基于深度学习和卡尔曼滤波的机器人移动跟踪系统，其特征在于，所述机器人的类型包括轮式移动机器人、双足式机器人和四足式机器人。

6.一种基于深度学习和卡尔曼滤波的机器人移动跟踪方法，其特征在于，包括以下步骤：

机器人感知模块根据控制客户端的指令开启感知设备并获取当前输入图像；

提取当前输入图像的特征向量并根据特征向量得到跟踪物体信息；

将跟踪物体信息作为卡尔曼滤波算法的输入数据得到跟踪物体实时位置；

将跟踪物体信息和跟踪物体实时位置反馈到机器人移动控制模块并控制机器人移动跟踪。

7.根据权利要求6所述一种基于深度学习和卡尔曼滤波的机器人移动跟踪方法，其特征在于，判断到场景中出现多个相似跟踪物体的位置，基于深度学习方法，通过视觉系统获取每个物体的特征向量并进行特征向量相似度的计算，得到最优相似度的特征向量和对应的坐标位置。

8.根据权利要求7所述一种基于深度学习和卡曼滤波算法的机器人移动跟踪方法，其特征在于，所述提取当前输入图像的特征向量并根据特征向量得到跟踪物体信息这一步骤，其具体还包括：

将输入图像经过DarkNet-53网络结构处理得到输入数据的特征向量；

将特征向量经过Yolo网络通过1*1的卷积处理和损失函数，输出跟踪物体信息。

9.根据权利要求8所述一种基于深度学习和卡尔曼滤波的机器人移动跟踪方法，其特征在于，所述跟踪物体信息包括跟踪物体类别、跟踪物体在当前视野的中心坐标、高度、宽度和缩放比例。

10.根据权利要求9所述一种基于深度学习和卡尔曼滤波的机器人移动跟踪方法，其特征在于，所述将跟踪物体信息作为卡尔曼滤波算法的输入数据得到跟踪物体实时位置这一步骤，其具体包括：

根据跟踪物体信息得到跟踪物体当前视野的坐标数据并输入到卡尔曼滤波算法得到跟踪物体的状态向量；

根据跟踪物体的状态向量和观测方程得到跟踪物体实时位置。