[发明专利]弱纹理环境下的机器人定位方法、装置、设备及介质

权利要求书

1.一种弱纹理环境下的机器人定位方法，其特征在于，包括：

获取机器人上的相机传感器采集的图像帧，对所述图像帧进行灰度化处理，得到灰度图像，并计算所述图像帧的深度信息；

根据所述图像帧的深度信息，对所述灰度图像进行特征提取，得到所述灰度图像的特征点和特征面；

获取所述图像帧的初始位姿以及上一时刻的图像帧位姿，根据相邻图像帧的特征点和特征面之间的对应关系，计算相邻图像帧之间的位姿变化，进而更新所述初始位姿，得到机器人自身的位置和姿态；

其中，所述计算所述图像帧的深度信息，包括：

获取所述图像帧的预测结构信息；

将所述预测结构信息输入至结构化模型中，得到所述图像帧的深度信息；

其中，所述结构化模型L为：

其中，N(p)表示像素p处由预测深度产生的表面法线值，N₀(p)表示像素p处的法线真值，N和N₀表示单位法线，D(p)表示像素p处深度的预测值，D₀(p)表示像素p处的深度的真值。

2.根据权利要求1所述的弱纹理环境下的机器人定位方法，其特征在于，在更新所述初始位姿后，还包括：

将所述灰度图像中匹配的特征面点集进行融合，并根据融合后的结果更新所述初始位姿。

3.根据权利要求1所述的弱纹理环境下的机器人定位方法，其特征在于，在得到机器人自身的位置和姿态后，还包括：

判断是否需要插入新的关键帧，判断条件包括下述中的一项或多项：

距离上一次全局重定位后超过20帧图像；

局部地图构建处于空闲状态，或距上一个关键帧插入后，已经有超过20帧图像；

当前帧跟踪少于50个地图云点；

当前帧跟踪少于参考关键帧云点的90％；

提取出了新的特征面；

若判断需要插入新的关键帧，则插入，并根据插入的关键帧对所述初始位姿进行优化。

4.根据权利要求1所述的弱纹理环境下的机器人定位方法，其特征在于，在更新所述初始位姿后，还包括：

根据弱纹理环境中的相同信息，计算回环误差，并根据所述回环误差对所述初始位姿再次进行优化，以获得更加准确的机器人自身位置和姿态。

5.根据权利要求1所述的弱纹理环境下的机器人定位方法，其特征在于，对所述灰度图像进行特征提取，得到所述灰度图像的特征点和特征面，包括：

根据快速特征点提取算法ORB提取灰度图像中的特征角点，以及，利用凝聚层次聚类面抽取方法PEAC从所述灰度图像和深度信息中提取特征面。

6.一种弱纹理环境下的机器人定位装置，其特征在于，包括：

第一处理模块，用于获取机器人上的相机传感器采集的图像帧，对所述图像帧进行灰度化处理，得到灰度图像，并计算所述图像帧的深度信息；

第二处理模块，用于根据所述图像帧的深度信息，对所述灰度图像进行特征提取，得到所述灰度图像的特征点和特征面；

第三处理模块，用于获取所述图像帧的初始位姿以及上一时刻的图像帧位姿，根据相邻图像帧的特征点和特征面之间的对应关系，计算相邻图像帧之间的位姿变化，进而更新所述初始位姿，得到机器人自身的位置和姿态；

其中，所述计算所述图像帧的深度信息，包括：

获取所述图像帧的预测结构信息；

将所述预测结构信息输入至结构化模型中，得到所述图像帧的深度信息；

其中，所述结构化模型L为：

其中，N(p)表示像素p处由预测深度产生的表面法线值，N₀(p)表示像素p处的法线真值，N和N₀表示单位法线，D(p)表示像素p处深度的预测值，D₀(p)表示像素p处的深度的真值。

7.根据权利要求6所述的弱纹理环境下的机器人定位装置，其特征在于，所述第三处理模块在更新所述初始位姿后，还具体用于：

将所述灰度图像中匹配的特征面点集进行融合，并根据融合后的结果更新所述初始位姿。