[发明专利]一种融合语义信息的仿生SLAM回环检测方法

说明书

本发明公开了一种融合语义信息的仿生SLAM回环检测方法。本发明使用YOLOv5模型识别图像中的语义标签，将语义信息扩充为视觉模板的附加信息，在模板匹配阶段综合利用图像的像素信息与语义标签中的种类、位置等信息，增加了闭环检测的信息量，能够有效提高闭环检测的精度。本发明使用YOLOv5提取图像中语义标签能更好地模拟人脑对于所处场景的识别过程，有助于仿生SLAM在实际中的应用，增加使用图像的语义信息进行闭环检测，降低感知混淆的影响，提高了仿生SLAM算法的稳定性和环境适应性。

技术领域

本发明属于视觉检测方法领域，具体涉及一种融合语义信息的仿生SLAM回环检测方法。

背景技术

近年来，大脑感知模型的迅速发展为机器人同步定位与地图构建(SLAM)提供了改进。其中闭环检测是SLAM系统的关键组成部分。现有基于大脑感知的SLAM系统的闭环检测算法在复杂环境下检测精度较低，相似场景外观出现在不同地点带来闭环匹配错误严重，机器人无法准确地进行重定位和累积误差纠正。

空间环境感知能力是动物重要的认知能力之一，它使动物能够在未知环境进行场景识别与导航。实验研究发现，海马结构是动物进行环境认知的关键脑区，内部存在着一系列与空间环境认知相关的细胞。如存在于CA区(海马角)的位置细胞当动物在空间特定位置时进行发电，对空间特定位置点进行表达，是构成认知地图的基础机制；存在于后下托中的头朝向细胞只在特定头方向上放电，对动物头朝向角度进行表征；存在于内嗅皮层中的网格细胞在空间六边形区域周期性放电，通过对自运动信号进行路径积分更新位置细胞的放电野，为认知地图的形成提供了空间度量。这些神经细胞的种群活动为认知空间提供了一种编码形式。这些早期的空间认知研究不仅有助于深入理解大脑感知环境的工作原理，也为研究人员提供了机器人认知环境的新发展方向。

目前的检测方法中通过连接HD-by-velocity单元和连接grid-by-velocity单元的协同工作，实现路径集成并构建大尺度地图。一种具有高生物保真度的脑源性SLAM模型，该模型融合网格细胞模型、放置细胞模型、自运动信号和视觉信息在移动机器人上构建认知地图。

然而，在这些仿生的SLAM模型被用于复杂环境之前，需要解决多个问题。特别是闭环检测方面。传统RatSLAM算法中局部场景的匹配过程采用的是SAD(绝对插值和模型)，没有对场景进行几何处理和特征提取，相似场景特征在不同地点的出现会对视觉模板的识别匹配造成较大干扰，存在可靠性较低、环境适应度较差的问题。研究表明人眼观察物体时，看到的是一个又一个物体，而不是提取特征点，因此对图像中物体标注语义信息能够模拟人眼识别场景中各种物体，这能够有效降低感知混淆，提高匹配精度。

发明内容

针对现有技术中的上述不足，本发明提供的一种融合语义信息的仿生SLAM回环检测方法解决了目前闭环检测的准确性较低和稳定性较差的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种融合语义信息的仿生SLAM回环检测方法，包括以下步骤：

S1、通过Yolov5网络将待匹配图像进行语义标注，得到待匹配图像的语义信息；

S2、根据待匹配图像的语义信息与匹配模板进行粗匹配，得到初步相似的匹配模板集；

S3、根据待匹配图像和匹配模板集的语义信息、像素信息，计算待匹配图像与匹配模板集的综合相似度；

S4、根据待匹配图像与匹配模板集的综合相似度，完成仿生SLAM回环检测。

进一步地：所述S1中，待匹配图像的语义信息具体为待匹配图像中的所有类语义标签；

其中，每个所述语义标签均包括语义标签的类别、中心点横坐标、中心点竖坐标、长值和宽值。

上述进一步方案的有益效果为：Yolov5网络能够找出图像中所有具有辨别力的标志物，对具有复杂场景具有更稳定、更精确的匹配效果。