[發明專利]機器人視覺SLAM回環檢測方法、計算機設備及存儲介質

在審

• 申請號: 202110770369.0
• 申請日: 2021-07-07
• 公開（公告）號: CN113378788A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 陳琰;鐘洋;薛家駿;李嶺;蔡夢祥
• 申請（專利權）人: 華南農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 鄭婭敏

本發明公開了機器人視覺SLAM回環檢測方法、計算機設備及存儲介質，其中，方法考慮了移動和嵌入式視覺應用場景，采用輕量級深度學習模型對圖片進行特征提取，并將其編碼為一個全圖像級的低維CNN特征向量，減少了移動端儲存資源的消耗和相似性度量計算資源的開銷，使檢測過程更加高效。還有的是，方法中使用奇異值分解檢測CNN特征向量組成矩陣的數據依賴和冗余信息，去掉這些依賴和冗余后重構矩陣用以檢測回環，這樣做可以減少歧義檢測。

技術領域

本發明涉及機器人定位的技術領域，尤其涉及到機器人視覺SLAM回環檢測方法、計算機設備及存儲介質。

背景技術

同步定位與地圖構建(Simultaneous Localization And Mapping)一直是自主機器人系統研究的熱點，其主要功能是通過創建環境地圖，使機器人能夠在沒有先驗信息的未知環境中實現自主導航，同時完成對自身的精確定位。在定位的過程中，機器人需要識別出之前經過的地方。此功能是由視覺SLAM系統中被稱為回環檢測的部分來完成。正確的回環檢測有助于SLAM系統實現重新定位，并通過減少由于機器人運動在地圖上所產生的累積漂移來提高映射精度。

研究者開發了基于bag-of-words(BoW)的回環檢測方法。盡管BoW方法為回環檢測提供了一個快速的解決方案，但是BoW需要大量的內存來存儲視覺詞匯。同時，這種方法只有在已知的環境中進行回環檢測才能表現良好，對于未知的環境來說并不實用。

在過去的幾年里，深度學習已經被引入到視覺SLAM系統中，以克服真正的回環檢測的挑戰。眾所周知，基于深度學習的回環檢測方法對多變的環境條件，例如季節變化以及由于動態對象的存在而造成的遮擋具有更強的魯棒性。現有的基于深度學習的回環檢測方法大多使用開源深度學習模型的某個卷積層或者全連接層的輸出特征作為圖像表示來進行回環檢測。然而，這些方法有以下幾點不足：1卷積層的輸出實際上是高維向量，這不僅給移動端帶來了巨大的存儲壓力，還增加了相似性度量的計算開銷；2預訓練的分類模型在第一個全連接層之前進行了池化操作，這將造成特征的丟失；3全連接層的輸出忽略了特征的空間信息，不能得到全圖像級的特征表示，而回環檢測的關鍵點在于對兩張圖片進行全圖像域的相似性度量。因此現有的方法要么需要大量存儲資源，要么在回環檢測中由于特征丟失不能很好地應對光照變化、環境條件、不同視點、不同地方存在相似物等挑戰。此外，在移動和嵌入式視覺應用場景，大體量的深度學習模型會增加內存開銷。

發明內容

本發明的目的在于克服現有技術的不足，提供一種機器人視覺SLAM回環檢測方法、計算機設備及存儲介質，解決了現有的基于深度學習的回環檢測方法存儲開銷大以及由于特征丟失嚴重導致回環檢測準確率低的問題，減少了由于機器人運動在地圖上所產生的累積漂移，提高了地圖映射精度，同時降低了相似性度量的計算量，提高了檢測的實時性。。

為實現上述目的，本發明所提供的技術方案為：

機器人視覺SLAM回環檢測方法、計算機設備及存儲介質，包括以下步驟：

S1、搭建神經網絡架構，定義為CAE+，其包括兩部分，第一部分采用開源的預訓練的輕量級深度學習模型，第二部分為包含A層的CNN網絡，將其定義為DEmodel，其中A的大小根據第一部分的輸出維度來選擇；

S2、將訓練集圖片裁剪后輸入到CAE+進行訓練，得到訓練后的CAE+模型；

S3、將搭載在移動機器人上的相機獲取到的當前圖片裁剪后輸入到訓練后的CAE+模型，得到全圖像級的CNN特征向量，并將該CNN特征向量用阿拉伯數字按照圖片獲取順序進行編號；

S4、對歷史圖像的CNN特征向量矩陣先進行歸一化然后執行奇異值分解，將最大的M個奇異值置零，重構CNN特征向量矩陣；

S5、計算當前圖像的CNN特征向量與奇異值分解后的歷史圖像的CNN特征向量的相似度，選擇相似度最高的前K個歷史圖像的CNN特征向量；