[發(fā)明專利]一種基于雙重約束的機(jī)器人地圖構(gòu)建方法、存儲介質(zhì)及設(shè)備

有效

• 申請?zhí)枺?/td>: 202310031294.3
• 申請日: 2023-01-09
• 公開（公告）號: CN116067360B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計）人: 徐韜;陳孟元
• 申請（專利權(quán)）人: 安徽工程大學(xué)
• 主分類號: G01C21/00
• 分類號: G01C21/00
• 代理公司: 蕪湖思誠知識產(chǎn)權(quán)代理有限公司 34138
• 代理人: 項磊

1.一種基于雙重約束的機(jī)器人地圖構(gòu)建方法，其特征在于：包括下列步驟：

步驟S1、通過聚合注意力機(jī)制特征動態(tài)調(diào)節(jié)的目標(biāo)檢測網(wǎng)絡(luò)對潛在動態(tài)物體所在區(qū)域添加邊界框；

步驟S2、采用密度聚類算法初步區(qū)分邊界框內(nèi)前景點和背景點，并通過計算前景點內(nèi)的邊界點的靜態(tài)概率準(zhǔn)確區(qū)分邊界點的運(yùn)動狀態(tài)從而得到初步靜態(tài)點集合，然后使用初步靜態(tài)點集合對相機(jī)位姿進(jìn)行初步估計；

步驟S3、采用雙重靜態(tài)點約束方法進(jìn)一步確定潛在動態(tài)物體的運(yùn)動狀態(tài)；

步驟S4、剔除動態(tài)點集合，并使用高質(zhì)量的靜態(tài)點集合進(jìn)行二次位姿優(yōu)化；

所述步驟S1中，聚合注意力機(jī)制將為各層通道分配權(quán)重，將H×W×C的輸入特征圖F輸入到聚合注意力機(jī)制中，分別使用尺寸為(τ，1)和(1，ρ)的池化核對特征圖沿橫向和縱向進(jìn)行編碼，然后兩個方向感知的特征圖通過concat操作得到特征圖f，計算方式如下：

其中，τ、ρ分別表示池化核的高、寬，P_c(h，u)表示高度為h的第u個位置的特征圖輸出，P_c(v，w)表示寬度為w的第v個位置的特征圖輸出，c表示通道數(shù)，f₁表示1×1的卷積變換函數(shù)，η表示非線性激活函數(shù)，f表示特征圖；

還將特征圖f分解為兩個單獨的張量f_x和f_y，再經(jīng)過卷積變換將f_x和f_y變換為與輸入F具有相同通道數(shù)的張量，最后通過卷積變換和sigmoid激活函數(shù)處理得到聚合注意力權(quán)重，其計算方式如下：

F_u＝Γ(c₁(f_x))*Γ(c₂(f_y))

其中，F(xiàn)_u表示聚合注意力權(quán)重，Γ表示sigmoid激活函數(shù)，f_x和f_y分別為特征圖分解的兩個張量，c₁和c₂分別表示對應(yīng)兩個分解后張量的1×1的卷積變換函數(shù)；

所述步驟S1中，將聚合注意力機(jī)制嵌入殘差網(wǎng)絡(luò)中，再使用特征動態(tài)調(diào)節(jié)網(wǎng)絡(luò)對輸出層L₁、L₂和L₃之間的融合比例進(jìn)行動態(tài)調(diào)節(jié)；動態(tài)調(diào)節(jié)的具體步驟如下：(1)特征圖尺寸調(diào)整：采用下采樣或上采樣的方式對不同層級的特征圖的尺寸進(jìn)行調(diào)整；(2)生成權(quán)重：對3個輸出層的特征圖進(jìn)行1×1的卷積變換得到權(quán)重向量a、b、c；(3)權(quán)重向量拼接與歸一化：將權(quán)重向量進(jìn)行拼接并通過sigmoid函數(shù)歸一化并將輸入映射至[0，1]范圍內(nèi)且和為1；(4)計算各個輸出層的輸出，包括：計算L₁的輸出y₁：和分別為L₁、L₂和L₃層級的第(i，j)個位置的特征圖輸出，將和分別與L1層級的可學(xué)習(xí)權(quán)重a、b、c相乘之后再相加即可得到輸出y₁；以相同方式計算出L₂、L₃的輸出y₂、y₃；

所述步驟S2中，采用密度聚類算法并結(jié)合圖像深度信息區(qū)分檢測框內(nèi)的前景點和背景點，并采取自適應(yīng)的方法確定密度聚類算法的鄰域半徑eps和鄰域樣本數(shù)的閾值min?Pts，聚類完成后，將聚類中樣本平均值最低的樣本作為檢測框的前景點；同時為避免邊緣信息聚類錯誤，通過前景點內(nèi)的特征點標(biāo)簽以及其組成的集合O^K，計算前景點內(nèi)距離邊界最近的特征點的靜態(tài)概率P，若P小于設(shè)定閾值，則說明此邊界點沒有誤分類，靜態(tài)概率P的計算方式如下：

其中，P表示邊界特征點的靜態(tài)概率，表示第K幀前景點內(nèi)特征點的標(biāo)簽，p_i為前景點內(nèi)的第i個特征點，O^K表示第K幀前景點內(nèi)特征點的標(biāo)簽集合，為第K幀內(nèi)前景點的第j個邊界點，M^K表示第K幀內(nèi)前景點的邊界像素點集合，e為自然常數(shù)；

求出邊界點的靜態(tài)概率之后將其與設(shè)定閾值進(jìn)行對比，若小于設(shè)定閾值則該點為靜態(tài)點，從而得到初步靜態(tài)點集合U，然后采用最小化重投影誤差進(jìn)行相機(jī)初步位姿估計，為后續(xù)二次相機(jī)位姿優(yōu)化提供優(yōu)化初值，計算方式如下：

其中，{R，t}為相機(jī)位姿，對應(yīng)旋轉(zhuǎn)矩陣R和平移向量t；κ表示Huber核函數(shù)；n為靜態(tài)點集中匹配點對的總數(shù)；κ_i為2D特征點坐標(biāo)；P_i表示與特征點匹配的3D空間點坐標(biāo)；π(·)為從相機(jī)坐標(biāo)到像素坐標(biāo)的投影函數(shù)；

所述步驟S3中，雙重靜態(tài)點約束方法將空間中的3D點投影至當(dāng)前幀和關(guān)鍵幀，計算當(dāng)前幀投影點與極線的距離，若距離小于設(shè)定閾值則空間中3D點即為靜態(tài)點，反之通過計算投影點實際位置與其匹配點的2范數(shù)或深度差值進(jìn)一步判斷3D點的運(yùn)動狀態(tài)；若2范數(shù)大于設(shè)定閾值，說明投影點實際位置與其匹配點位置誤差較大，此時空間中3D點為動態(tài)點；若深度差值大于設(shè)定閾值，說明實際深度與估計深度相差較大，此時空間中3D點為動態(tài)點；

所述步驟S3中，雙重靜態(tài)點約束方法的計算方式如下：

其中，ω表示靜態(tài)點得分，λ和μ代表權(quán)重參數(shù)，A、B表示極線方程的參數(shù)，S₁為空間中3D點S在關(guān)鍵幀K上的實際投影點，S₂為3D點S在當(dāng)前幀C中的投影點，S′₂為在當(dāng)前幀C中與S₁匹配得到的點，F(xiàn)為基礎(chǔ)矩陣，Φ是S點在當(dāng)前幀的投影深度與實際深度的深度差值，∨為或符號；

所述步驟S3中，當(dāng)趨近于0⁺時，取λ＝1，μ＝0，此時ω趨近于0⁺，說明空間中3D點S在當(dāng)前幀投影點S₂離極線越近，S即為靜態(tài)點；若大于設(shè)定的第一閾值ε₁，取λ＝0，μ＝1，此時若||S₂-S′₂||₂＞ε₂或Φ＞ε₃則認(rèn)為S點為動態(tài)點，反之即為靜態(tài)點，其中ε₂、ε₃分別為對應(yīng)的第二閾值和第三閾值；基于此對臨界點ω的得分設(shè)定動態(tài)閾值ε₄，若ω＞ε₄，S即為動態(tài)點。