[發(fā)明專利]一種基于PCA的加權(quán)融合移動(dòng)機(jī)器人定位方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110321406.X
• 申請(qǐng)日: 2021-03-25
• 公開（公告）號(hào): CN113111873A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 楊金鐸;王元峰;張軼靈;王冕;賴勁舟;張羿;顧行健;蔣天柱
• 申請(qǐng)（專利權(quán)）人: 貴州電網(wǎng)有限責(zé)任公司
• 主分類號(hào): G06K9/32
• 分類號(hào): G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京禹為知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 王曉東

本發(fā)明公開了一種基于PCA的加權(quán)融合移動(dòng)機(jī)器人定位方法，包括：預(yù)處理視覺數(shù)據(jù)，構(gòu)建訓(xùn)練樣本集和測(cè)試樣本集；利用ELM回歸算法建立ELM神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練樣本集輸入到ELM神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練ELM神經(jīng)網(wǎng)絡(luò)模型；將測(cè)試樣本集輸入到訓(xùn)練好的ELM神經(jīng)網(wǎng)絡(luò)模型中，得到相鄰幀圖像間的相對(duì)位移，并進(jìn)行積分，得到相鄰幀圖像的位置，即視覺定位結(jié)果；利用視覺信息對(duì)原始加速度測(cè)量信號(hào)進(jìn)行漂移校正，將漂移校正后的加速度進(jìn)行二次積分，得到基于慣性數(shù)據(jù)的定位結(jié)果；根據(jù)PCA對(duì)視覺定位結(jié)果及慣性定位結(jié)果進(jìn)行權(quán)重分配，得到最終的定位結(jié)果。本發(fā)明可以有效控制慣性導(dǎo)航系統(tǒng)(INS)的累積誤差，有效解決視覺導(dǎo)航系統(tǒng)(VNS)易受外部干擾的問題，提升定位精度。

技術(shù)領(lǐng)域

本發(fā)明涉及移動(dòng)機(jī)器人定位、信息融合以及信號(hào)處理的技術(shù)領(lǐng)域，尤其涉及一種基于PCA的加權(quán)融合移動(dòng)機(jī)器人定位方法。

背景技術(shù)

近年來，移動(dòng)機(jī)器人定位服務(wù)的需求快速增長(zhǎng)，移動(dòng)機(jī)器人定位系統(tǒng)變得越來越受歡迎。隨著計(jì)算機(jī)視覺技術(shù)的不斷改進(jìn)，國(guó)內(nèi)外專家對(duì)視覺導(dǎo)航系統(tǒng)(VNS)越來越感興趣。VNS為我們提供了一種利用視覺數(shù)據(jù)來理解和感知移動(dòng)機(jī)器人所處環(huán)境的好方法，它可以在具有豐富的特征匹配和識(shí)別的場(chǎng)景中獲得高定位精度。C.Piciarelli提出了一種將圖像與具有位置標(biāo)記的視覺特征的參考模型進(jìn)行比較從而實(shí)現(xiàn)定位的視覺移動(dòng)機(jī)器人定位技術(shù)(在這里簡(jiǎn)稱為VL算法)，與非視覺導(dǎo)航系統(tǒng)相比，它具有信息量大，定位精度高，無噪音等優(yōu)點(diǎn)，然而它某些情況下效果不佳，諸如遮擋，光線變化和人員訪問干擾等。而慣性導(dǎo)航系統(tǒng)(INS)可以在沒有外部設(shè)備的情況下提供位置，并且具有快速的數(shù)據(jù)更新速度，具有體積小，成本低，便攜性強(qiáng)等特點(diǎn)。但是由于隨著時(shí)間的推移，陀螺儀和加速度計(jì)的誤差將迅速增長(zhǎng)，INS只能夠?qū)崿F(xiàn)短期，短距離定位。

發(fā)明內(nèi)容

本部分的目的在于概述本發(fā)明的實(shí)施例的一些方面以及簡(jiǎn)要介紹一些較佳實(shí)施例。在本部分以及本申請(qǐng)的說明書摘要和發(fā)明名稱中可能會(huì)做些簡(jiǎn)化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡(jiǎn)化或省略不能用于限制本發(fā)明的范圍。

鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

因此，本發(fā)明解決的技術(shù)問題是：易受外部信息的干擾，在受到外部信息干擾的情況下效果不佳，且慣性導(dǎo)航系統(tǒng)累積誤差較大。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：采集視覺數(shù)據(jù)并進(jìn)行預(yù)處理，構(gòu)建訓(xùn)練樣本集和測(cè)試樣本集；利用ELM回歸算法建立ELM神經(jīng)網(wǎng)絡(luò)模型，將所述訓(xùn)練樣本集輸入到ELM神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練所述ELM神經(jīng)網(wǎng)絡(luò)模型；將所述測(cè)試樣本集輸入到訓(xùn)練好的ELM神經(jīng)網(wǎng)絡(luò)模型中，得到相鄰幀圖像間的相對(duì)位移，對(duì)所述相對(duì)位移進(jìn)行積分，得到所述相鄰幀圖像的位置，即視覺定位結(jié)果；利用視覺信息對(duì)原始加速度測(cè)量信號(hào)進(jìn)行漂移校正，將漂移校正后的加速度進(jìn)行二次積分，得到基于慣性數(shù)據(jù)的定位結(jié)果；根據(jù)PCA策略對(duì)視覺定位結(jié)果以及慣性定位結(jié)果進(jìn)行權(quán)重分配，得到最終的定位結(jié)果。

作為本發(fā)明所述的基于PCA的加權(quán)融合移動(dòng)機(jī)器人定位方法的一種優(yōu)選方案，其中：所述構(gòu)建訓(xùn)練樣本集過程包括，提取圖像的加速魯棒性特征描述符，對(duì)每幀圖像提取N個(gè)加速魯棒性特征的特征點(diǎn)，并進(jìn)行特征點(diǎn)匹配；采用隨機(jī)抽樣一致性算法對(duì)匹配結(jié)果進(jìn)行處理，去除誤匹配點(diǎn)，得到最符合匹配點(diǎn)的仿射變換矩陣；以每一幀圖像與下一幀圖像之間的仿射變換矩陣為輸入，每一幀圖像與下一幀圖像真實(shí)坐標(biāo)之間的相對(duì)位移為輸出，建立訓(xùn)練樣本集。

作為本發(fā)明所述的基于PCA的加權(quán)融合移動(dòng)機(jī)器人定位方法的一種優(yōu)選方案，其中：所述仿射變換矩陣包括，

其中，r表示旋轉(zhuǎn)角度，A表示縮放向量，T_x、T_y表示平移向量。