[发明专利]一种基于元学习的辅助机场无人车的视觉定位方法

说明书

一种基于元学习的辅助机场无人车的视觉定位方法，本发明通过元学习算法对可微分随机抽样一致算法的三个训练步骤进行优化，达到只需通过一次训练就可以得到高效的预测模型，最终训练好的模型可以对机场无人驾驶车辆摄像头输入的RGB图像实现处理，得到RGB摄像头的当前六自由度的位置和姿态，其中我们的相机定位模型分为两个部分：第一部分是通过卷积神经网络实现RGB图像的场景坐标回归得到世界场景坐标系下的三维坐标；第二部分是通过可微分的随机抽样一致算法实现鲁棒性的位姿优化得到RGB相机的位姿。本发明可以仅通过RGB图像的输入得到机场无人车的相机的高精度位姿，从而辅助机场无人车的自动驾驶。

技术领域

本发明属于视觉定位领域，具体为一种基于元学习的辅助机场无人车的视觉定位方法。

背景技术

随着社会的进步，汽车工业的不断发展，无人驾驶汽车应运而生，一时间成为各大车厂的一个发力点，也成为了当前人工智能领域的研究热点之一。机场作为一个较为封闭的环境，是无人驾驶技术最可能先实现的场景之一。从系统的角度来看，无人驾驶系统包括环境感知系统，行为决策系统以及车辆控制系统。其中，定位模块与转向控制模块是无人汽车的两个关键模块。目前传统方法仍是支撑无人驾驶汽车得以落地的主要技术。但传统方法针对光照变化、场景变化等问题的鲁棒性较差，难以满足无人驾驶汽车在实景场景中的应用需求。

无人驾驶车辆的定位方法可分为基于全球定位系统、磁感应、惯导、视觉和激光雷达的地图信息匹配定位等多种方法。根据无人车的应用场景，可采用不同的定位方法。其中基于GPS的方法是一种绝对位姿估计方法。该方法通过GPS来进行车辆定位。基于GPS的定位方法优点在于可全天候连续定位，使用差分GPS可实现厘米级定位，且适用于全局定位；缺点在于易受到环境变化影响，高楼、隧道、室内环境都会屏蔽GPS信号。对于机场中的无人车而言，基于GPS的重新定位的局限性是显而易见的。当卫星信号被屏蔽或延迟时，GPS将无法工作或变得不准确。与此同时，自动驾驶技术需要可靠、高精度的摄像机位置和方向估计。因此，本专利围绕视觉定位辅助无人驾驶车辆技术为研究点，利用视觉传感器，构建深度神经网络，实现端到端的无人车位姿精确估计。

发明内容

为了克服现有技术的不足，本发明旨在提供一种基于元学习的辅助机场无人车的视觉定位方法，用以在机场无人驾驶环境实现GPS信号遮挡等辅助定位导航技术，可以满足普遍的车载相机的低成本、精确的导航性能。

为达到上述目的，本发明的技术方案如下：

一种基于元学习的辅助机场无人车的视觉定位方法，其特征在于，具体步骤如下：

S11机场无人车携带的相机采集单元采集RGB图像，通过基于元学习优化的随机抽样一致方法对获取的RGB图像进行场景坐标回归，得到该RGB图像中心点位姿预测，从而得到装载相机的无人车的位姿，

上述基于元学习优化的随机抽样一致方法包括：

S11-1场景坐标回归，通过基础卷积神经网络ConvNeXt预测二维RGB图像的每个像素i对应的3维停车场的场景坐标y_i(ω)，其中ω为神经网络ConvNeXt模型的参数，通过该模型实现图像2维像素点(x_i,y_i)到3维场景坐标的：p为2维像素点(x_i,y_i)在像素坐标系下的坐标，P^C为点在相机坐标系下的坐标，P^W为点在世界坐标系下的坐标，ω为点的深度，K为相机的内参矩阵，R_CW和为从世界坐标系到相机坐标系的位姿转换；

用f(I；ω)表示2维图像相机坐标系到场景坐标系的映射，其中I表示给定的一张图像，ω为ConvNeXt神经网络需要学习的参数，优化可学习的参数ω通过最小化训练集上最终估计的期望姿势损失l：