[发明专利]一种融入注意力和预测的特征选择SLAM方法

说明书

本发明涉及一种融入注意力和预测的特征选择SLAM方法。本发明方法包括：建立量化特征点可行性的数学模型；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；从SLAM前端视觉里程计检测到的特征中通过带有延迟求值的贪婪算法选择κ个特征(近似的)最大化logdet度量，再将选择的特征放入SLAM后端进行非线性优化。

技术领域

本发明涉及SLAM领域，具体地说是一种融入注意力和预测的特征选择SLAM方法。

背景技术

视觉SLAM在面对快速变动场景时，由于缺乏可跟踪特征，基于视觉的感知技术往往会失败。

国际上重多的研究机构投入了大量的人力、物力进行研究，SLAM问题是机器人研究中的重要部分，其重点是要使机器人实时地获取到自己的位姿。人类在日常生活中可以不间断地处理大量获取自外界的信息，如在高速公路上驾驶汽车，或在拥挤的街道上行走。在认知科学中，人们一致认为，人类可以高效地处理面临的大量数据是由于我们能够优先考虑视觉场景的某些方面，而忽视其他方面。这是我们人类的一种视觉注意力机制，是一种认知过程，通过选择相关信息，过滤掉不相关的刺激，使人类能够解析大量的视觉数据，从而在有限的资源下实现性能的最大化。机器人虽然做不到人类这样，但这种视觉注意力机制是值得机器人自主定位导航借鉴的。

发明内容

本发明主要解决的问题是视觉SLAM在面对急转弯、快速变动场景时，由于缺乏可跟踪特征，基于视觉的感知技术往往会失败。本发明基于环境和相机运动状态的相互关联性而产生的特征效用，引入预测机制，利用注意力和预测选择特征来减少跟踪特征的丢失，通过滤去那些将丢失在视野中的特征点，增加SLAM系统的稳定性，特征选择器知道机器人的意图(未来的运动)，并相应地选择更有可能出现在未来视野中的特征，可以用更少的含信息多的特征点来提高优化效率。

本发明的一种融入注意力和预测的特征选择SLAM方法，包括如下步骤：

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。

所述传感器为相机。

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。

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。