[发明专利]机器人视觉SLAM回环检测方法、计算机设备及存储介质

说明书

本发明公开了机器人视觉SLAM回环检测方法、计算机设备及存储介质，其中，方法考虑了移动和嵌入式视觉应用场景，采用轻量级深度学习模型对图片进行特征提取，并将其编码为一个全图像级的低维CNN特征向量，减少了移动端储存资源的消耗和相似性度量计算资源的开销，使检测过程更加高效。还有的是，方法中使用奇异值分解检测CNN特征向量组成矩阵的数据依赖和冗余信息，去掉这些依赖和冗余后重构矩阵用以检测回环，这样做可以减少歧义检测。

技术领域

本发明涉及机器人定位的技术领域，尤其涉及到机器人视觉SLAM回环检测方法、计算机设备及存储介质。

背景技术

同步定位与地图构建(Simultaneous Localization And Mapping)一直是自主机器人系统研究的热点，其主要功能是通过创建环境地图，使机器人能够在没有先验信息的未知环境中实现自主导航，同时完成对自身的精确定位。在定位的过程中，机器人需要识别出之前经过的地方。此功能是由视觉SLAM系统中被称为回环检测的部分来完成。正确的回环检测有助于SLAM系统实现重新定位，并通过减少由于机器人运动在地图上所产生的累积漂移来提高映射精度。

研究者开发了基于bag-of-words(BoW)的回环检测方法。尽管BoW方法为回环检测提供了一个快速的解决方案，但是BoW需要大量的内存来存储视觉词汇。同时，这种方法只有在已知的环境中进行回环检测才能表现良好，对于未知的环境来说并不实用。

在过去的几年里，深度学习已经被引入到视觉SLAM系统中，以克服真正的回环检测的挑战。众所周知，基于深度学习的回环检测方法对多变的环境条件，例如季节变化以及由于动态对象的存在而造成的遮挡具有更强的鲁棒性。现有的基于深度学习的回环检测方法大多使用开源深度学习模型的某个卷积层或者全连接层的输出特征作为图像表示来进行回环检测。然而，这些方法有以下几点不足：1卷积层的输出实际上是高维向量，这不仅给移动端带来了巨大的存储压力，还增加了相似性度量的计算开销；2预训练的分类模型在第一个全连接层之前进行了池化操作，这将造成特征的丢失；3全连接层的输出忽略了特征的空间信息，不能得到全图像级的特征表示，而回环检测的关键点在于对两张图片进行全图像域的相似性度量。因此现有的方法要么需要大量存储资源，要么在回环检测中由于特征丢失不能很好地应对光照变化、环境条件、不同视点、不同地方存在相似物等挑战。此外，在移动和嵌入式视觉应用场景，大体量的深度学习模型会增加内存开销。

发明内容

本发明的目的在于克服现有技术的不足，提供一种机器人视觉SLAM回环检测方法、计算机设备及存储介质，解决了现有的基于深度学习的回环检测方法存储开销大以及由于特征丢失严重导致回环检测准确率低的问题，减少了由于机器人运动在地图上所产生的累积漂移，提高了地图映射精度，同时降低了相似性度量的计算量，提高了检测的实时性。。

为实现上述目的，本发明所提供的技术方案为：

机器人视觉SLAM回环检测方法、计算机设备及存储介质，包括以下步骤：

S1、搭建神经网络架构，定义为CAE+，其包括两部分，第一部分采用开源的预训练的轻量级深度学习模型，第二部分为包含A层的CNN网络，将其定义为DEmodel，其中A的大小根据第一部分的输出维度来选择；

S2、将训练集图片裁剪后输入到CAE+进行训练，得到训练后的CAE+模型；

S3、将搭载在移动机器人上的相机获取到的当前图片裁剪后输入到训练后的CAE+模型，得到全图像级的CNN特征向量，并将该CNN特征向量用阿拉伯数字按照图片获取顺序进行编号；

S4、对历史图像的CNN特征向量矩阵先进行归一化然后执行奇异值分解，将最大的M个奇异值置零，重构CNN特征向量矩阵；

S5、计算当前图像的CNN特征向量与奇异值分解后的历史图像的CNN特征向量的相似度，选择相似度最高的前K个历史图像的CNN特征向量；