[发明专利]一种基于语义分割的SLAM回环检测改进方法

说明书

本发明公开一种基于语义分割的SLAM回环检测改进方法，包括以下步骤：一、获取道路场景语义分割的通用数据集；二、使用RGB摄像头获取环境图像，在不同种环境状况下采集道路环境图像；三、获取语义分割预测的各个像素的分类结果；四、根据分类结果，获取语义分割图中包含对应类别的对象特征向量；五、构建包含语义信息的地点模型；六、通用数据集中的图像经过地点模型分析得到语义地点向量，创建地点的图像库，存入包含地点语义信息的向量，七、匹配待检测图像和图像库中图像的相似度；八、进行闭环检测，如果找到相似度超过阈值的向量，则代表当前图像是闭环节点，否则把当前图像加入到已有的图像库中。

技术领域

本发明涉及语义分割及SLAM技术领域，具体涉及一种基于深度学习的SLAM回环检测的改进方法。

背景技术

即时定位与地图构建(simultaneous localization and mapping，SLAM)是指车辆在无人操控的情况下在陌生环境中依靠自身携带的传感器估计自身的位置同时构建地图的过程。它是很多机器人应用场景如环境感知，避障导航等的先决条件，根据其使用的传感器不同分为激光SLAM和视觉SLAM。因为视觉SLAM成本较低，同时图片携带有丰富的纹理信息所以使用较广泛。通过对图片进行深度学习计算，可以得到环境中的语义信息。

SLAM分为传感器获取数据，视觉里程计分析计算，后端优化同时对传感器采集信息判断是否是已检测的信息完成闭环检测防止导航偏移。并进行构图的过程。由于视觉传感器在感知周围环境的过程中，可能会出现累计漂移的问题。所以回环检测的主要作用就是判断车辆是否构成闭环，从而使用全局优化模块修正估计的位姿以及建立的地图。本发明主要讨论的就是闭环检测过程中如何提高检测精度的方法(仉新.移动机器人同时定位与地图构建系统的算法研究[D].沈阳工业大学,2020.)。

在视觉SLAM技术使用的过程中，遇到的主要挑战就是由于环境的改变而造成回环检测的准确率下降，其中环境条件的改变包括环境光照条件的变化如四季更替和昼夜变化。环境的变化还体现在摄像机拍摄到的图片可能存在角度的变化。角度的微小改变都可能使得无人车的导航发生改变。如何提取到对光照和视角鲁棒性都很强的特征就成了研究的热门问题。传统方法是使用BoW(视觉词袋模型(Bag of Words)。具体做法是将图片进行手工特征采集，然后将每一个局部特征描述子转换为一个单词，对整张图像的单词统计就得到相应的词袋向量。对比不同的词袋向量的差异就得到闭环检测的结果。通过k近邻算法聚类来构建的地点描述向量是对图片信息的抽象表示，一定程度上体现了图片的全局信息，但是这种方法不能表现聚类中心的类别信息，同时不能分辨聚类点是否是参照物。在实际环境中，有可能存在运动的物体如行人，运动的车辆等，把其作为聚类点明显会对场景的描述发生偏差。在图像规模比较大的情况下，由于视觉词汇表单词大小的限制，BoW算法对图像的表示会越来越粗糙，编码后损失的图像信息较多，检索精度也随之而降低(刘威.应用于移动机器人视觉SLAM的地点识别研究[D].杭州电子科技大学,2019.)。

为了提高SLAM系统中闭环检测的鲁棒性，融合深度学习的检测方法逐渐成为国内外一个重要的研究内容。因此，如何利用深度学习提高视觉SLAM中闭环检测鲁棒性就成为亟待解决的技术问题。

发明内容

本发明要解决的技术问题是：如何通过深度学习最新研究成果构建地点模型用于提高闭环检测的鲁棒性。克服基于特征的方法只能建立视觉词袋向量，没有对象语义信息和相互关系信息的缺点。

本发明至少通过如下技术方案之一实现。

一种基于语义分割的SLAM回环检测改进方法，包括以下步骤：

步骤一、获取道路场景语义分割的通用数据集，将该通用数据集按照划分为训练集、测试集、验证集；

步骤二、使用RGB摄像头获取环境图像，在不同种环境状况下采集道路环境图像；