[发明专利]基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法

权利要求书

1.基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法，其特征在于，包括：

步骤S1，基于移动机器人k-1时刻的状态向量和协方差矩阵，以及移动机器人k时刻的IMU数据和系统噪声协方差矩阵，获得移动机器人k时刻的预测状态向量和一步预测误差协方差矩阵；

步骤S2，建立k时刻观测噪声的符合基于伽马分布的学生t混合分布的模型，基于移动机器人k时刻的视觉信息、观测噪声模型和预测状态向量获得层次高斯形式的似然函数分布；

步骤S3，基于似然函数分布构建联合后验概率密度函数，利用变分贝叶斯方法对后验联合概率密度函数进行联合求解获得移动机器人k时刻的状态向量。

2.如权利要求1所述的基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法，其特征在于，在所述步骤S1中，移动机器人k时刻的预测状态向量为：

X_k|k-1＝F_k-1X_k-1||k-1，其中，F_k-1表示基于IMU数据获得的k-1时刻和k时刻的移动机器人的状态向量转换关系，X_k-1||k-1表示移动机器人k-1时刻的状态向量；

移动机器人k时刻的一步预测误差协方差矩阵为：

其中，P_k-1|k-1表示移动机器人k-1时刻的协方差矩阵，Q_k表示移动机器人k时刻的系统噪声协方差矩阵。

3.如权利要求1或2所述的基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法，其特征在于，在所述步骤S2中，移动机器人k时刻的观测噪声模型为：

其中，v_k表示移动机器人k时刻的观测噪声，表示v_k的初始值；β_k表示形状参数，β_k的分布函数为其中，表示第一常实数，y表示第二常实数，I_m表示m阶单位矩阵；R_k表示尺度矩阵；u_k表示第一自由度，u_k的分布函数为p(u_k)＝G(u_k；a_k，b_k)，a_k、b_k分别是属于u_k的伽马分布的第一实数参数和第二实数参数；δ_k表示第二自由度；λ_k表示第一辅助参数，λ_k的分布函数为p(λ_k)＝G(λ_k；δ_k/2，δ_k/2)；ξ_k表示第二辅助参数，ξ_k的分布函数为p(ξ_k)＝G(ξ_k；u_k/2，u_k/2)；N表示高斯分布；G表示伽马分布，GaSTM表示基于伽马分布的学生t混合分布。

4.如权利要求3所述的基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法，其特征在于，在所述步骤S2中，基于移动机器人k时刻的视觉信息、观测噪声模型和预测状态向量获得层次高斯形式的似然函数分布的步骤包括：

基于移动机器人k时刻的视觉信息获取移动机器人k时刻的视觉状态信息Y_k，且Y_k满足Y_k＝H_kX_k|k-1+v_k；其中，H_k表示观测矩阵，表示移动机器人k时刻的视觉状态信息Y_k与预测状态向量X_k|k-1的映射关系；

建立似然函数分布为：

p(Y_k|X_k|k-1)＝GaSTM(Y_k；H_kX_k|k-1，β_k，R_k，u_k，δ_k)；

将似然函数分布转换为层次高斯形式为：