[發明專利]一種基于語義SLAM的移動機器人自動導航和目標識別算法

在審

• 申請號: 202011162281.2
• 申請日: 2020-10-27
• 公開（公告）號: CN112344936A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 卑璐璐;黃凱
• 申請（專利權）人: 徐州工程學院
• 主分類號: G01C21/20
• 分類號: G01C21/20;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N7/00;G06N20/00
• 代理公司: 北京淮海知識產權代理事務所(普通合伙) 32205
• 代理人: 張旭

本發明公開了一種基于語義SLAM的移動機器人自動導航和目標識別算法，通過語義SLAM和區域卷積神經網路進行結合，將卷積神經網絡基于語義分割機制，然后對采集的圖片進行處理，這樣方便提前定位到重要特征數據所在的區域，減少不必要的計算，調高運算速度和性能；同時，采用深度殘差網絡結構，這樣避免了梯度消失問題的發生，提高網絡訓練的效率，因此本發明不僅能保證移動機器人自動導航和目標識別的準確性，而且能有效提高自主導航過程和目標識別過程中的魯棒性，最終保證移動機器人的穩定運行。

技術領域

本發明涉及一種移動機器人自動導航和目標識別算法，具體是一種基于語義SLAM的移動機器人自動導航和目標識別算法。

背景技術

在智能制造或物聯網生產平臺中，不同類型的機器人或自主導航小車之間高效協同工作，對于智能生成自動化程度，以及生產合作高效化具有較大的影響，是衡量物聯網和智能制造過程中信息協同、高效互聯的重要參數指標。此外，利用視覺SLAM技術，在很大程度上簡化了大量冗余傳感器數據，對于高效的生產平臺提供了堅實的硬件基礎。

語義分割在涉及極其復雜的場景情況下，需要一些特殊的關注，并且為了確保魯棒定位和建圖，更好的場景圖例，也就是大量對象之間的深度關聯挖掘需要進一步考慮。相對比，對象檢測適用于粗粒度的場景推理，而語義分割更為普遍，因為它適用于精細的場景處理。類似的，語義分割的發展經歷了從“機器學習為基礎”到“深度學習為基礎”的轉變。如今，CNN的引入已經極大的提升了對象分割的精度和效率；因此，對于構建語義SLAM系統的情況，通常首選基于CNN的解決方案。

區域卷積神經網絡(R-CNN)系列屬于典型的2-階段網絡，包括R-CNN，Fast R-CNN，Faster R-CNN，以及最新的Mask R-CNN。R-CNN不僅是R-CNN系列的先驅網絡，同時也是最早采用基于CNN進行對象檢測任務的方法。原則上，R-CNN通過選擇性搜索生成區域建議，之后的特征提取和分類分別通過AlexNet和支持向量機(SVMs)實現。不同于R-CNN，Fast R-CNN改變了生成區域建議和提取圖像特征的順序，并且使用softmax替換了SVMs。Faster R-CNN受益于生成的對象建議，用來撿塊檢測速度的提升，而對象建議可通過區域建議網絡，輔助錨點和共享特征實現。顯而易見，Faster R-CNN更快，但是對于實時SLAM任務來說，它的檢測速度還不夠。相比而言，Mask R-CNN為了獲得更加精確的語義分割目標，犧牲了部分檢測速度；因此，它可以獲得一個實例級別的結果，也就是，每個檢測對象中的像素都有其唯一的類別。值得注意的是，最新類型的對象檢測算法實現同步完成目標定位和分類任務，而不是首先進行對象的2D定位。具有代表性的Yolo系列算法(已知的最快的語義提取器)采用S×S的網格替代區域建議，并且這些網格的分類類別作為最終檢測結果的理想候選結果。一般而言，Yolo系列的檢測速度滿足一般的實時語義SLAM系統，但是為了更高的準確度，最新的Centernet提供了一個新穎的基于特征點的方法。