[发明专利]一种SLAM技术结合深度学习的区域定位方法

权利要求书

1.一种SLAM技术结合深度学习的区域定位方法，其特征在于，步骤如下：

第一步，在某一特定区域内安装基站，要求基站可接收到区域内目标所在处的信号强度；首先根据实际场景大小与障碍物情况将定位区域划分成m个小区域，并按照一定的间隔划分采样点，然后将一个能得到信号强度的仪器由待测目标佩戴；最后分别在m个小区域中的采样点处采集各个信号强度X，将采集到的各个RSSI值记录保存下来；

第二步，采用双目相机进行定位，在待测目标上安装双目相机，待测目标经过第一步中m个小区域上的全部采样点，利用视觉SLAM的经典框架，即传感器数据处理、前端视觉里程计、后端优化、回环检测和建图五大模块得到待测目标在各小区域中的各个采样点的坐标Y（x,y）；

第三步，先训练分类模型，输入为第一步得到的信号强度X，输出为划分的m个小区域；即输入滤波后的信号强度，即可先判断待测目标在第i个小区域内，i=1,2...,m；再分别训练m个小区域的预测模型，将第i个小区域内得到的待测目标所处位置的信号强度作为输入X，第二步得到的坐标作为输出Y，由此将X和Y作为对应的训练数据训练好第i个预测模型；

上述的分类模型引入GA-BP神经网络；利用遗传算法对GA-BP神经网络的初始权值和阈值进行优化，有效避免GA-BP神经网络在训练时陷入局部最优；分类模型的隐藏层为2层，输出层连上softmax分类器，输出节点为m个；输出0代表待测目标位于第1个区域中，输出1代表待测目标位于第2个区域中，以此类推，输出m-1代表待测目标位于第m个区域中；

预测模型引入去噪自编码和栈式自编码网络；

设预测模型有n层网络，具体网络模型为：

（1）预测模型的第1层结构：先训练一个自编码器，得到信号强度的一阶特征h⁽¹⁾；

（2）预测模型的第i层结构：将第i-1层输出的特征h^(i-1)作为输入，对其进行自编码，并获得特征h⁽ⁱ⁾；

（3）预测模型的第n层结构：把步骤（2）得到的特征h⁽ⁿ⁾进行线性输出，得到坐标；

（4）再把n层结合起来构成预测模型，其由输入的信号强度得到坐标；

第四步，训练好分类模型和预测模型后，撤去双目相机；先将待测目标的信号强度传入分类模型，判断待测目标位于第i个区域，再将信号强度输入第i个预测模型，即得到目标坐标（x,y）。