[发明专利]一种融入注意力和预测的特征选择SLAM方法

权利要求书

1.一种融入注意力和预测的特征选择SLAM方法，其特征在于，包括以下步骤：

步骤1：采集相机传感器数据输入前端视觉里程计SLAM，获取特征点；

步骤2：在获取的特征点中选择最大化logdet度量的前K个特征；

步骤3：将选择的特征放入SLAM后端进行非线性优化，获取相机传感器的当前位姿。

2.根据权利要求1所述的一种融入注意力和预测的特征选择SLAM方法，其特征在于，所述传感器为相机。

3.根据权利要求1所述的一种融入注意力和预测的特征选择SLAM方法，其特征在于，所述选择最大化logdet度量的前K个特征包括：

步骤2.1：建立量化特征点可行性的数学模型；

步骤2.2：建立非线性透视投影模型，并利用其简化后的线性测量模型计算特征点的信息矩阵；

步骤2.3：将计算的特征点的信息矩阵带入可行性的数学模型，计算每个特征点的logdet度量并降序排列，选择前K个特征。

4.根据权利要求3所述的一种融入注意力和预测的特征选择SLAM方法，其特征在于，所述量化特征点可行性的数学模型采用logdet度量，包括：

步骤2.1-1：所述数学模型表述为度量方程f最大时的特征点集S：

并且|S|≤κ

其中，S为特征集，κ为特征点数量；

步骤2.1-2：所述数学模型度量方程f采用logdet度量，因此上述模型改写为：

其中，用表示k时刻到K+H时间段上的状态向量，是k时刻到K+H时间段上待优化的预测的状态向量；此外设P_k:k+H为与关联的k时刻到K+H时间段上估计误差的协方差矩阵，它的逆矩阵称为k时刻到K+H时间段上信息矩阵，表示为Δ_l是第l个特征的信息矩阵；p_l是第l个特征被跟踪到的概率，其可以通过对特征检测得分进行归一化得到。

5.根据权利要求3所述的一种融入注意力和预测的特征选择SLAM方法，其特征在于，所述建立非线性透视投影模型，利用线性测量模型计算特征点的信息矩阵，包括：

步骤2.2-1：建立非线性透视投影模型；

其中，是特征点l在世界坐标系下的位置，是相机在h时刻的位姿；

步骤2.2-2：简化上述非线性透视投影模型为线性测量模型并计算特征点的信息矩阵：

Ⅰ.将H时间段内任意h时刻的传感器的预测姿态定义为

Ⅱ.令则exp(φ^)分别是旋转矩阵ΔR、转换成李群李代数后的形式。

Ⅲ.将旋转矩阵平移向量表示为R和t，然后用这些量参数化非线性透视投影模型，将非线性透视投影模型方程的左边表示为并用全微分公式将其线性化，如下：

其中，

Ⅳ.则，第l特征在时间段H内的贡献为Δ_l，可以表示为：

Δ_l＝A^TA

其中，是k时刻的是k+l时刻的U_kl是特征点l在k时刻方程对t的偏导数，U_(k+H)l是特征点l在k+H时刻方程对t的偏导数。