[发明专利]基于图神经网络特征提取与匹配的移动机器人地图构建方法、存储介质及设备

说明书

本发明公开了基于图神经网络特征提取与匹配的移动机器人地图构建方法、存储介质及设备，其中方法包括下列步骤：步骤S1，通过先验位置估计特征提取图神经网络，对图像特征点进行快速均匀检测与描述，构建相应特征点信息；步骤S2，通过图注意力机制特征匹配中的消息传递图神经网络聚合特征点信息；步骤S3，使用自我与联合注意力机制对前后帧图像进行分权重特征匹配；步骤S4，优化筛选已建立的特征匹配点对集合，并将优化后的高吻合度匹配点对与系统后端的非线性优化、闭环修正算法相融合，进行相机位姿估计与局部地图构建。本发明有助于提升特征提取算法在面对外界光照变化剧烈与纹理稀疏场景下的稳定性与准确性，并加快特征匹配的速度。

技术领域

本发明涉及同步定位与地图创建(Simultaneous Location And Mapping，SLAM)技术领域，具体基于图神经网络特征提取与匹配的移动机器人地图构建方法、存储介质及设备。

背景技术

近年来在工业与家用领域，移动机器人的应用数量都在急剧增长，其在未知环境下的同步定位与地图构建也已成为了移动机器人领域研究热点。当前视觉SLAM主要有两种趋势，一是在前端增加新的传感器，如IMU或GPS等，通过获取外界移动信息来添加新的相机位姿约束，但此类方法需要移动机器人处理多源信息融合时具有较强的紧耦合能力，同时保证计算量的平衡。二是与现在较为突出的深度学习相结合，使用神经网络模型为视觉SLAM问题解决提供了新的智能化选择。近几年图神经网络的兴起大大加速了这一进程，基于现实处理图数据的迫切需求图神经网络应运而生，面对传统卷积神经网络难以处理的图数据，图神经网络创新性的运用节点域定义节点相关性挖掘节点之间丰富的关系信息，造就了图神经网络在图像领域强大的表征能力。2005年，Marco Gori等人首次提出图神经网络概念，省去了传统方法将图数据转换为向量的中间步骤，将学习过程直接架构在图数据之上。2013年，Bruna等人首次将卷积引入图神经网络中，研究人员开始将可学习的卷积操作用于图数据之上。近来有各种基于图卷积的神经网络模型被开发出来，2019年，Tang等人开始将其运用于传统SLAM前端特征提取中，在轨迹精度上取得了较为准确的结果。但现有技术仍无法解决在移动机器人大视角运动下由于光照变换剧烈或遭遇纹理稀疏场景造成的特征跟踪丢失问题以及弯道轨迹漂移等问题，导致无法构建高精确度完整地图。

发明内容

本发明的目的是提供基于图神经网络特征提取与匹配的移动机器人地图构建方法，用于解决现有技术中由于移动机器人大视角运动下造成的轨迹漂移问题，并能解决移动机器人面对复杂的外界光照与纹理稀疏场景无法构建高精确度完整地图的技术问题。

所述的基于图神经网络特征提取与匹配的移动机器人地图构建方法，包括下列步骤：

步骤S1，通过先验位置估计特征提取图神经网络，对图像特征点进行快速均匀检测与描述，构建相应特征点信息；

输入图像经编码层处理生成对应输入图像信息的8×8特征映射集合，之后使用划分像素区域估计位置坐标的方法，结合关键点位置坐标与特征点描述符，使用多层感知机将特征点位置坐标嵌入到高维向量，并通过先验位置估计特征提取网络估计每个输出的8×8特征映射集合的相对图像坐标，并将其映射到全局图像像素坐标，融合特征点的初始相对位置坐标、视觉描述符与置信度得到特征点信息；

步骤S2，通过图注意力机制特征匹配中的消息传递图神经网络聚合特征点信息；

步骤S3，使用自我与联合注意力机制对前后帧图像进行分权重特征匹配；

步骤S4，优化筛选已建立的特征匹配点对集合，并将优化后的高吻合度匹配点对与系统后端的非线性优化、闭环修正算法相融合，进行相机位姿估计与局部地图构建。