[發明專利]一種視覺里程計后端優化方法及系統

在審

• 申請號: 202011203957.8
• 申請日: 2020-11-02
• 公開（公告）號: CN112985399A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 李學生;龔迪琛;李清勝
• 申請（專利權）人: 德魯動力科技（成都）有限公司
• 主分類號: G01C21/20
• 分類號: G01C21/20;G01C22/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種視覺里程計后端優化方法，其特征在于，包括以下步驟：

S1.通過圖像數據采集單元采集實時圖像數據，并對所述實時圖像數據進行圖像數據位姿估計處理，生成第一位姿估計數據；

S2.通過姿態數據采集單元采集圖像數據采集單元的姿態數據，并對所述姿態數據進行姿態數據位姿估計處理，生成第二位姿估計數據；

S3.將所述第一位姿估計數據與所述第二位姿估計數據進行位姿融合處理，生成第三位姿估計數據；

S4.對所述S1步驟中的所述實時圖像數據進行回環檢測處理；以及

S5.根據所述回環檢測處理的結果對所述第三位姿估計數據進行位姿優化并生成第四位姿估計數據；

其中，所述S4步驟利用深度學習神經網絡模型進行回環判斷，所述深度學習神經網絡模型采用自動編碼器得到所述實時圖像數據的特征響應。

2.根據權利要求1所述的視覺里程計后端優化方法，其特征在于：

所述S4步驟包括：

S401.對所述實時圖像數據進行分割，得到所述實時圖像數據的多個圖像分塊；

S402.對所述多個圖像分塊進行關鍵點檢測，并根據所述關鍵點檢測得到多個初選關鍵點，從所述多個初選關鍵點中篩選多個有效關鍵點，對所述多個有效關鍵點進行向量化操作，得到多個關鍵點向量化數據；

S403.將所述多個圖像分塊以及所述多個關鍵點向量化數據輸入所述深度學習神經網絡模型中，所述深度學習神經網絡模型采用所述自動編碼器進行處理，得到所述實時圖像數據的特征響應；以及

S404.根據所述特征響應計算所述實時圖像數據與所述實時圖像數據的前一幀圖像數據之間的相似度，并根據所述相似度進行回環判斷。

3.根據權利要求1所述的視覺里程計后端優化方法，其特征在于：

所述S1步驟中所述圖像數據位姿估計處理包括提取所述實時圖像數據的特征信息。

4.根據權利要求1所述的視覺里程計后端優化方法，其特征在于：

所述S2步驟中所述姿態數據位姿估計處理包括通過所述姿態數據位姿估計單元對所述姿態數據進行預積分處理以獲取所述第二位姿估計數據。

5.根據權利要求1所述的視覺里程計后端優化方法，其特征在于：

所述S3步驟中所述位姿融合處理為通過對所述實時圖像數據與所述姿態數據之間進行緊耦合來實現所述第一位姿估計數據與所述第二位姿估計數據的位姿融合估計。

6.一種視覺里程計后端優化系統，其特征在于，包括：

圖像數據模塊，所述圖像數據模塊包括圖像數據采集單元以及圖像數據位姿估計單元，所述圖像數據模塊用于實時圖像數據的采集以及進行圖像數據位姿估計處理操作，并生成第一位姿估計數據；

姿態數據模塊，所述姿態數據模塊與所述圖像數據模塊數據聯通，所述姿態數據模塊包括姿態數據采集單元以及姿態數據位姿估計單元，所述姿態數據模塊用于對所述圖像數據采集單元的姿態進行測量以及進行姿態數據位姿估計處理操作，并生成第二位姿估計數據；

位姿融合模塊，所述位姿融合模塊分別與所述圖像數據模塊以及所述姿態數據模塊均數據聯通，所述位姿融合模塊將所述第一位姿估計數據以及第二位姿估計數據進行位姿融合處理，并生成第三位姿估計數據；以及

回環檢測模塊，所述回環檢測模塊與所述圖像數據模塊數據聯通，其包括深度學習神經網絡單元，所述回環檢測模塊對所述實時圖像數據進行回環檢測，并根據所述回環檢測的操作結果傳輸至所述位姿融合模塊中對所述第三位姿估計數據進行位姿優化并生成第四位姿估計數據。