[发明专利]一种基于视觉特征的移动机器人实时定位方法

说明书

本发明公开了一种基于视觉特征的移动机器人实时定位方法，首先采集图像数据，通过融合注意力机制提取图像中几何变换信息；将提取的特征通过卷积神经网络降维后进行多任务学习；将学习后的特征数据生成数据集，通过几何信息的数据关联，生成点云的二维视觉特征；将采集到图像数据的第一帧图像设置成关键帧，然后结合得到当前帧特征信息特征匹配，通过构建多地图系统方法，不断将关键帧与当前帧进行图像缝合，将提取的特征添加到缝合窗口，实时更新匹配图中的视觉特征；将更新匹配图与当前帧的视觉特征进行匹配，利用帧间差分估计算法进行当前帧的位姿估计。本发明解决了实际环境帧间累计误差较大，导致移动机器人定位失败的问题。

技术领域

本发明属于机器人视觉技术领域，具体涉及一种基于视觉特征的移动机器人实时定位方法。

背景技术

随着各个行业智能自动化要求不断提高，应工业、农业和军事等行业的需求，自主移动机器人的研究刻不容缓。实时定位与地图构建技术的出现很好的解决了机器人在未知环境下的定位和建图问题。因此实现对机器人实时定位的研究，可以降低机器人在实际运动过程中遇到突发问题，并且提高机器人的工作运行效率，间接推动智能化发展。

在传统的同步定位与地图构建，在行进过程中一直会累计误差，导致移动机器人定位失败。如何提高在实际运动过程实现对机器人的实时定位的方法是尤其关键的一步。

发明内容

本发明的目的是提供一种基于视觉特征的移动机器人实时定位方法，解决了实际环境帧间累计误差较大，导致移动机器人定位失败的问题。

本发明所采用的技术方案是，一种基于视觉特征的移动机器人实时定位方法，具体按照以步骤进行实施：

步骤1、采集图像数据，通过多层卷积神经网络，进行初步信息提取；

步骤2、通过融合注意力机制进一步提取图像中的几何变换信息；

步骤3、将提取的特征通过卷积神经网络降维，后连接两个单独的全连接网络进行多任务学习；

步骤4、将学习后的特征数据生成数据集，通过几何信息的数据关联，生成了点云的二维视觉特征；

步骤5、将步骤1采集到图像数据的第一帧图像设置成关键帧，然后结合步骤3和步骤4得到当前帧特征信息进行特征匹配，获得匹配图；

步骤6、通过构建多地图系统方法，不断将关键帧与当前帧进行图像缝合，将提取的特征添加到缝合窗口，可以实时更新匹配图中的视觉特征；

步骤7、将更新匹配图与当前帧的视觉特征进行匹配，并利用帧间差分估计算法进行当前帧的位姿估计，最终实现移动机器人实时定位。

本发明的特点还在于，

步骤1中初步信息提取由局部底层几何变换信息到全局高层几何变换信息的提取。

步骤1中采用移动机器人自带的RGB-D传感器进行图像数据采集。

步骤2中融合注意力机制的具体步骤为：

步骤2.1、将步骤1采集的图像数据在神经网络内部的某个特征图F∈R^C×H×W作为输入；其中，H为向量矩阵，A表示行数，B表示列数；

步骤2.2、通过注意力模块先后生成一个一维的通道注意力矩阵M_C∈R^E×F及一个二维的空间注意力矩阵M_S∈R^X×Y；

步骤2.3、计算出总的注意力机制特征矩阵为以及其中，表示逐个元素相乘，F′是注意力模块内部优化的特征矩阵，F″是注意力模块优化后输出的特征矩阵。