[发明专利]一种基于标准化的深度学习视觉惯导组合导航设计方法

说明书

本发明公开了一种基于标准化的深度学习视觉惯导组合导航设计方法，该方法包括以下步骤：设计引入对训练集标签进行标准化操作，计算标签的均值和方差，将标签变换为均值为0、方差为1的分布，保存得到的均值和方差；在网络设计中，为平衡图像数据和惯导数据的贡献，通过网络将惯导特征和图像特征变至同一维度m；在验证阶段或者测试阶段通过上述计算得到的均值和方差对网络输出的结果进行逆标准化操作得到最后的结果。本发明考虑了在基于标准化的深度学习视觉惯导组合导航设计方法中，对训练集标签进行标准化操作，减去了在目标函数中需要进行平衡因子的选择，增加了神经网络的泛化性能，提高了相对位姿预测的准确度。

技术领域

本发明涉及传感器融合和运动估计技术领域，具体涉及一种基于标准化的深度学习视觉惯导组合导航设计方法。

背景技术

随着自动驾驶，无人机的不断发展，实现高精度、高鲁棒性的定位是完成自主导航，探索未知区域的等任务的重要前提，纯视觉里程计方法，系统利用视觉传感器获取周围的环境信息，通过对图像数据进行分析，估计系统的运动状态，但是一旦场景中出现遮挡物或者由于数据传输的原因导致图像数据丢失，运动状态的估计无疑为受到很严重的干扰，误差会原来越大。视觉惯导里程计在纯视觉里程计的基础上添加和惯性测量单元(IMU)信息，可以在视觉失去作用的情况下来提高运动状态估计的精度。

传统的视觉惯导里程计技术已经得到了充分的研究，但针对数据丢失，数据损坏等一些研究仍未得到很好的解决，并且需要大量的人工选择特征和进行传感器之间的外参标定，这无疑是很耗费时间的。近年来，深度学习技术在计算机视觉领域取得了巨大成就，广泛应用于各个领域中。视觉惯导组合导航作为一项回归任务，同样可以采用深度学习的方法进行训练，而现有的基于深度学习的视觉惯导组合导航任务中，目标函数都是通过一个平衡因子来平衡对平移和旋转的学习，而找到这个平衡因子需要大量的训练时间，这也无疑很耗费人力物力，针对这个问题，因此需要设计一种新的目标函数来避免人工设置平衡因子。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于标准化的深度学习视觉惯导组合导航设计方法，避免人工设置相对平移和相对旋转的平衡因子。

本发明的目的可以通过采取如下技术方案达到：

一种基于标准化的深度学习视觉惯导组合导航设计方法，所述导航设计方法包括以下步骤：

S1、建立深度学习网络模型，其中，所述深度学习网络模型包括第一、第二、第三主模块，第一主模块是由10层CNN堆叠而成，称为主模块A；第二主模块包含两层Bi-LSTM，称为主模块B；第三主模块称为主模块C，主模块C包括第一、第二、第三子模块，第一子模块为Attention子模块，第二子模块为两层Bi-LSTM子模块，第三子模块为全连接层子模块；图像数据输入到主模块A提取图像特征；惯导数据输入到主模块B提取惯导特征，保证惯导特征的维度和图像特征的维度一致；将图像特征和惯导特征进行串联输入到主模块C中的Attention子模块，Attention子模块的输出与Attention子模块的输入相乘后输入到主模块C的两层Bi-LSTM子模块，将两层Bi-LSTM子模块的输出输入到全连接层子模块输出结果；

S2、设计损失函数，对训练集标签进行标准化，将训练集标签变换至均值为0、方差为1的分布，并将标准化计算得到的均值和方差保存，随后将主模块C中全连接层子模块输出与标准化的标签相减得到最终的损失函数；

S3、训练并保存结果，主模块A和主模块C中全连接层子模块采用的激活函数为Relu，主模块C中Attention子模块采用的激活函数为Relu和Sigmoid，输入训练数据对步骤S1所构建的深度学习网络模型进行训练，训练完毕后将深度学习网络模型保存到指定路径；

S4、将测试数据输入到步骤S3训练得到的深度学习网络模型中得到输出结果，然后通过步骤S2中得到的均值和方差进行逆标准化得到预测结果。

进一步地，所述导航设计方法还包括测试验证步骤，过程如下：