[发明专利]基于特征匹配网络的SLAM方法、系统、设备及存储介质

说明书

本发明公开了一种基于特征匹配网络的SLAM方法、系统、设备及存储介质，通过SLAM的运行模式训练原本针对匹配任务的特征提取网络，将训练完毕的基于匹配任务的特征提取网络嵌入到SLAM系统框架中，优化原有SLAM系统框架，提高了所设计的SLAM系统的鲁棒性，使其能够很好的应对各类SLAM场景的挑战，保证了定位和建图精度；此外，利用训练完毕的基于匹配任务的特征提取网络从单目相机采集的图像中进行特征点提取，由于只需要单目相机即可完成，从而降低智能车的成本。上述方案整体成本低，不需要对环境及车辆自身进行改造，可移植性强。

技术领域

本发明涉及智能驾驶技术以及车辆领域，尤其涉及一种基于特征匹配网络的SLAM方法、系统、设备及存储介质。

背景技术

随着科技的发展，车辆、机器人等科技产品与人们生活的关系越来越密切。自动驾驶技术也愈发成熟，现如今，自动驾驶的主要挑战来源于复杂场景，如光照变换、快速旋转时，如何使车辆保证良好的定位和导航性能。因而，复杂场景下的SLAM(SimultaneousLocalization And Mapping，即时定位与地图构建)系统成为了SLAM领域的重要研究方向。而此基础就是设计更加鲁棒和稳定的特征。常用的手工特征在某些特定场景下具有优势，但仍存在不足之处。ORB(Oriented FAST and Rotated BEIEF)特征运行速度极快，但缺乏旋转和尺度不变性。SIFT(Scale Invariant Feature Transform)特征对各种复杂场景表现出令人满意的能力，但很难满足实时性要求。近年来出现了大量性能优于手工特征的特征提取网络，但这些网络大多针对图像匹配任务而设计，简单地将这些特征提取网络应用于SLAM系统通常表现出一般的性能。具体来说，与针对2D-2D匹配的匹配任务不同，SLAM系统需要同时完成建图工作，SLAM系统通常使用地图点(3D点)和图像点(2D点)的匹配，然后通过优化重投影误差来估计姿态。所以，基于特征的SLAM系统的需求与匹配任务有着本质区别，导致一些基于深度学习的视觉特征不能完全有效地适应SLAM系统。因而，设计基于特征匹配网络的SLAM方法可以有效运用深度学习领域的先进成果，大幅度助力自动驾驶技术的发展。另一方面，如果自动驾驶技术可以使用成本更低的单目相机完成，将极大程度上缩减技术成本。然而，随之带来的问题是图像质量下降，导致特征提取困难。

目前主要存在如下相关的技术方案：

1)专利《基于光流跟踪和特征匹配的回环检测及视觉SLAM方法》(公开号：CN113888603A)利用双目相机，使用光流法采集点特征，LSD算法提取线特征，取得了比ORB-SLAM2更好的效果。但是，双目相机成本较高。

2)专利《一种基于RGBD相机的弱纹理及动态场景视觉SLAM定位方法》(公开号：CN113379842A)通过RGBD相机来感知环境，在弱纹理及动态场景中获得了很好的效果，但是RGB-D相机普遍成本较高，并且该方案没有涉及大视野变换等挑战场景。

3)专利《一种基于单目视觉实现SLAM定位的方法及相关装置》(公开号：CN111928842A)通过brisk算子提取至少两帧图片中每一帧图片的特征点，然后对相邻图片做特征点匹配，进一步实现后续的定位及建图工作，但brisk算子缺乏良好的旋转不变性和尺度不变性，在复杂场景下容易出现前后两帧图像无法匹配，致使跟踪失败的情况。

综上，目前方案主要存在的问题如下：

1)如何在降低传感器成本的同时保证高质量的定位精度。

2)复杂场景下特征点匹配困难，容易出现跟踪失败的现象。

3)如何有效的应用特征提取网络来保证高质量的定位精度。

发明内容

本发明的目的是提供一种基于特征匹配网络的SLAM方法、系统、设备及存储介质，充分考虑成本与精度的要求，具有鲁棒性强、成本低、精度高的优点。

本发明的目的是通过以下技术方案实现的：