[發(fā)明專利]一種提高多變場景定位魯棒性的降維表達(dá)方法

有效

• 申請?zhí)枺?/td>: 202010960762.1
• 申請日: 2020-09-14
• 公開（公告）號: CN112232126B
• 公開（公告）日: 2023-08-25
• 發(fā)明（設(shè)計）人: 朱蕾;陳煒楠;管貽生;何力;張宏
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/774;G06N3/0464;G06V10/82;G06F17/16
• 代理公司: 廣東廣信君達(dá)律師事務(wù)所 44329
• 代理人: 張生梅

本發(fā)明公開了一種提高多變場景定位魯棒性的降維表達(dá)方法，包括：在自動駕駛汽車實際行駛的空間環(huán)境中，將自動駕駛汽車的運動模型設(shè)定為平面運動；利用圖像分類神經(jīng)網(wǎng)絡(luò)，將自動駕駛汽車采集的當(dāng)前路況圖像作為輸入，以圖像的語義分析結(jié)果作為輸出，對平面運動進(jìn)行運動降維，得到降維后的平面運動形式表達(dá)；使用當(dāng)前路況圖像和上一幀路況圖像作為圖像對，利用圖相對進(jìn)行平面運動假設(shè)評估，得到平面運動假設(shè)檢驗結(jié)果；基于所述平面運動形式表達(dá)以及平面運動假設(shè)檢驗結(jié)果，確定進(jìn)行姿態(tài)優(yōu)化求解的形式，并建立代價函數(shù)求解自動駕駛汽車的姿態(tài)。本發(fā)明從后端優(yōu)化的收斂表現(xiàn)入手，提高系統(tǒng)收斂能力，進(jìn)而降低對神經(jīng)網(wǎng)絡(luò)錯誤預(yù)測結(jié)果的敏感程度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分類和自動駕駛領(lǐng)域，具體涉及一種提高多變場景定位魯棒性的降維表達(dá)方法，可應(yīng)用于提高自動駕駛的多場景識別魯棒性。

背景技術(shù)

自動駕駛是視覺里程計的重要應(yīng)用之一，通過使用里程計信息，自動駕駛汽車可以實現(xiàn)自身定位和周圍環(huán)境感知，其數(shù)據(jù)來源通常是搭載在汽車頂部的相機采集的圖片，KITTI和RobotCar為此類技術(shù)的研究提供了數(shù)據(jù)集。

近年來，隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，圖像分類和傳統(tǒng)的端到端的數(shù)據(jù)驅(qū)動方法相結(jié)合的VSLAM(Visual?Simultaneous?Localization?and?Mapping)系統(tǒng)是一個重要的發(fā)展趨勢。相比于傳統(tǒng)類型的VSLAM系統(tǒng)的運動模型和非線性優(yōu)化，圖像識別網(wǎng)絡(luò)可以估計相對位姿以進(jìn)行進(jìn)一步定位，并且可以預(yù)測環(huán)境結(jié)構(gòu)。在視覺里程計領(lǐng)域，基于模型和數(shù)據(jù)驅(qū)動相結(jié)合的方法相比于傳統(tǒng)系統(tǒng)已顯現(xiàn)出先進(jìn)的性能，然而其收斂性能仍然會被神經(jīng)網(wǎng)絡(luò)估計的影響所限制。

端到端的方法代表性研究工作有DeepVO，UndeepVO，此類方法有效的克服了傳統(tǒng)VSLAM對光照變化和視角變化敏感的問題，但其精度仍然低于基于模型的方法，并且泛化能力受到訓(xùn)練數(shù)據(jù)集的限制。

發(fā)明內(nèi)容

本發(fā)明提出一種提高多變場景定位魯棒性的降維表達(dá)方法，該發(fā)明無需在線學(xué)習(xí)即可改善道路駕駛視覺里程計的預(yù)訓(xùn)練網(wǎng)絡(luò)泛化能力，實現(xiàn)更高的自動駕駛定位精度和視覺里程計效率。

為了實現(xiàn)上述任務(wù)，本發(fā)明采用以下技術(shù)方案：

一種提高多變場景定位魯棒性的降維表達(dá)方法，包括以下步驟：

在自動駕駛汽車實際行駛的空間環(huán)境中，將自動駕駛汽車的運動模型設(shè)定為平面運動；利用圖像分類神經(jīng)網(wǎng)絡(luò)，將自動駕駛汽車采集的當(dāng)前路況圖像作為輸入，以圖像的語義分析結(jié)果作為輸出，對平面運動進(jìn)行運動降維，得到降維后的平面運動形式表達(dá)；

使用當(dāng)前路況圖像和上一幀路況圖像作為圖像對，利用圖相對進(jìn)行平面運動假設(shè)評估，得到平面運動假設(shè)檢驗結(jié)果；

基于所述平面運動形式表達(dá)以及平面運動假設(shè)檢驗結(jié)果，確定進(jìn)行姿態(tài)優(yōu)化求解的形式，并建立代價函數(shù)求解自動駕駛汽車的姿態(tài)。

進(jìn)一步地，所述自動駕駛汽車的運動模型的具體分類包括前進(jìn)、左平移、右平移以及旋轉(zhuǎn)四種運動類型，四種類型分類結(jié)果之和為1，其中：

左平移與右平移在同一個自由度內(nèi)，共用概率C_x表達(dá)，前進(jìn)的圖像分類概率為C_z，旋轉(zhuǎn)的圖像分類概率為C_r，進(jìn)而有C_x+C_z+C_r＝1；此時，自動駕駛車輛在i時刻的平面運動模型表示為：

其中θ為自動駕駛汽車旋轉(zhuǎn)轉(zhuǎn)角，為時刻i下的圖像分類結(jié)果；將降維后的平面運動形式表達(dá)為群G(C_r,C_x,C_z)，該群為李群SE(3)的子群。

進(jìn)一步地，所述使用當(dāng)前路況圖像和上一幀路況圖像作為圖像對，利用圖相對進(jìn)行平面運動假設(shè)評估，得到平面運動假設(shè)檢驗結(jié)果，包括：