[发明专利]移动机器人同步定位与地图构建系统的字典优化方法

说明书

本发明公开了一种移动机器人同步定位与地图构建系统的字典优化方法，包括更改字典格式和训练小规模字典，其特征在于：所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式。所述训练小规模字典：首先提取ORB特征点，再对所有特征做K‑means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建。本发明通过更改字典格式和训练小规模字典，能加快移动机器人系统启动速度，并在轻量化系统的基础上保持性能不损失。

技术领域

本发明涉及移动机器人领域，具体涉及一种移动机器人同步定位与地图构建系统的字典优化方法。

背景技术

随着机械、信息、材料、控制、医学等领域的技术进步，家庭服务机器人同步定位与地图构建(Simultaneous Localization and Mapping，简称SLAM)技术帮助机器人在未知环境下进行实时定位并构建环境地图，是移动机器人实现自主定位与导航的基础。视觉SLAM在过去十几年逐渐兴起且发展迅速，根据视觉传感器的种类不同，视觉SLAM根据传感器的不同主要分为单目、双目和RGB-D SLAM三类。Mur-Artal等人在2015年提出ORB-SLAM算法，作者基于PTAM框架，改进了大部分组件，使用ORB特征代替FAST特征，增加闭环线程消除累计误差，实现更加精确的定位和地图构建，但ORB-SLAM没有解决单目SLAM的尺度模糊以及纯旋转问题，所构建的地图仅包含稀疏地图点，利用价值低。

ORB-SLAM2在2017由RMur-Artal等人提出，是ORB-SLAM的改进版本，在单目的基础上，增加了对双目和RGB-D相机的支持，是完整的视觉SLAM方案。ORB-SLAM2的系统框架，主要包含三个并行线程:跟踪(Tracking)、局部建图(Local Mapping)、闭环(Loop Closing)。现有技术中，ORB-SLAM2提供了一个基于ORB特征的大规模数据训练的字典，并且为了便于系统直接读取字典，增加了Text格式字典的存储方法，但Text文件的读取过程中需要转换数据类型和换行符，当数据规模较大时，读取工作将非常耗时，这导致在机器人平台上应用时启动速度较慢。此外，ORB-SLAM2提供的字典是基于庞大的数据库训练得来，这虽然帮助了系统在不同环境下能够保持良好的精度和鲁棒性，但对于应用在特定环境下的机器人来说，大规模字典无法完全发挥作用，无效数据过多。

发明内容

本发明的目的在于克服上述缺点而提出了一种能使移动机器轻量化系统并加快启动速度，且数据可靠性高的同步定位与地图构建系统的字典优化方法。

本发明的一种移动机器人同步定位与地图构建系统的字典优化方法，包括更改字典格式和训练小规模字典，其中：

所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式。

所述训练小规模字典：首先提取ORB特征点，再对所有特征做K-means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建。

上述移动机器人同步定位与地图构建系统的字典优化方法，其中：所述ORB特征提取是利用四叉树结构提取特征点。

上述移动机器人同步定位与地图构建系统的字典优化方法，其中：所述K-means++算法进行字典树聚类，具体步骤如下：

(1)在数据集中随机选1个样本点作为第1个初始化的聚类中心；

(2)选取第n+1(n≥1)个聚类中心，规则为：距离已有聚类中心越远的样本点被选中的概率越高；重复上述过程，直到K个聚类中心被全部确定；

(3)计算每一个样本点x_i到K个聚类中心的距离，并将其归类到距离最小的聚类中心的类中；

(4)对每个类别c_i，由重新计算它的聚类中心(其实质为样本质心)；