[发明专利]一种无人艇自主定位方法及装置

说明书

本发明提供一种无人艇自主定位方法及装置，所述方法包括：建立水岸分割模型；使用改进的SuperPoint方法对特征点进行提取匹配，建立深度学习特征点提取模型；构建权重重投影误差优化；构建无人艇自主定位模型；将艇载相机获取的实时图像帧序列输入到所构建的无人艇自主定位模型中得到无人艇航行轨迹估计。本发明通过将传统的SLAM框架与改进的深度学习方法融合，实现无人艇的精准定位。

技术领域

本发明涉及无人艇自主定位技术领域，具体地，涉及一种用于内河的无人艇自主定位方法及装置。

背景技术

近年来，无人艇由于其具有执行水上复杂任务的能力而日益突出，商业、科学和环境界对其的强烈需求加快了无人艇的应用和发展。无人艇常见使用场景有水文测量和制图、海洋资源勘探、水质检测和漂浮废物清除等等。相较于海上以及沿海无人艇，用于狭窄内河的无人艇与人类生活息息相关，具有更大的潜在研究价值。

与在开放的海上水域航行不同，狭窄内河场景所带来的挑战比如环境中障碍物的复杂分布、全球定位系统信号受干扰、水面动态波纹、雾气及强光反射等等都阻碍了无人艇在狭窄内河航道的应用。基于狭窄内河无人艇感知定位方面的需求和挑战，可以使用同时定位与建图(Simultaneous Localization and Mapping，SLAM)方法来实现无人艇在狭窄内河航道的精准定位。然而由于激光雷达SLAM会受到水面雾气和强光反射等影响造成位姿估计不准确，并且其昂贵的传感器设备并不适用于小型的民用狭窄内河无人艇。

由于深度学习的快速发展，基于卷积神经网络的特征点检测匹配方法在SLAM系统中得到了应用，深度学习方法通过在原有的SLAM系统中替换相应的特征点提取匹配方法而融合成新的SLAM系统，但是由于特征点检测匹配方法对训练场景存在依赖性，因此，针对上述存在的问题，为提升SLAM系统在狭窄内河的复杂场景下的定位精度，并综合考虑狭窄内河环境中动态水波纹影响特征点提取、传统特征点提取不鲁棒以及岸边植被重复纹理影响位姿估计等因素，从深度学习对传统SLAM框架进行模块替换的角度出发，构建了适用于狭窄内河无人艇自主定位的SLAM系统。

发明内容

针对现有技术中的缺陷，本发明的目的在于提供一种无人艇自主定位方法及装置，通过将传统的SLAM框架与改进的深度学习方法融合，实现无人艇的精准定位。

为解决上述问题，本发明的技术方案为：

一种无人艇自主定位方法，包括以下步骤：

建立水岸分割模型；

使用改进的SuperPoint方法对特征点进行提取匹配，建立深度学习特征点提取模型；

构建权重重投影误差优化；

构建无人艇自主定位模型；

将艇载相机获取的实时图像帧序列输入到所构建的无人艇自主定位模型中得到无人艇航行轨迹估计。

优选地，所述建立水岸分割模型的步骤具体包括：基于DeepLab v3+算法建立水岸分割模型Inland-DeepLab v3+，Inland-DeepLab v3+算法是通过在DeepLab v3+算法编码器输入层中多输出一层低级特征，并对其中间层重复8次所得到。

优选地，所述建立水岸分割模型的步骤具体包括：设置水面区域和背景区域权重占比其中w₀为背景像素权重，w₁为水面区域像素权重。

优选地，所述使用改进的SuperPoint方法对特征点进行提取匹配，建立深度学习特征点提取模型的步骤具体包括：将CBAM注意力机制加入到SuperPoint方法中，建立深度学习特征点提取模型Attention-SuperPoint。