[发明专利]轻量级的基于深度学习的惯性辅助视觉里程计实现方法

摘要

本发明公开了一种轻量级的基于深度学习的惯性辅助视觉里程计实现方法，涉及移动机器人自主导航定位技术领域，其采用快速光流提取网络学习连续视频帧数据，并得到光流特征；将光流特征输入密集卷积网络中进行处理，处理输出结果连接至全连接层网络，得到初步位姿数据；对加速度数据和角速度数据进行预处理；通过扩展卡尔曼滤波器将初步位姿数据和预处理得到的数据融合。该方法将密集卷积网络应用于视觉里程计中，对旋转姿态的更加敏感，减小角度累积估计误差，提高地图重建精度；使用扩展卡尔曼滤波器将惯性测量单元数据与相机数据融合，减小了位姿数据误差，取得了更好的效果；视觉里程计实现的整个过程计算量小，且速度快，对相机的要求低。

主权项

1.一种轻量级的基于深度学习的惯性辅助视觉里程计实现方法，其特征在于，所述视觉里程计包括快速光流提取网络、密集卷积网络以及扩展卡尔曼滤波器，所述惯性辅助视觉里程计实现方法包括以下步骤：/nS1、机器人在移动过程中，通过相机获取连续视频帧数据，通过惯性测量单元获取加速度数据和角速度数据；/nS2、采用所述快速光流提取网络学习所述连续视频帧数据，并得到光流特征；/nS3、将所述光流特征输入所述密集卷积网络中进行处理，并输出得到初步位姿数据，所述初步位姿数据包括位置向量I、姿态向量I、位置向量I预测方差和姿态向量I预测方差；/nS4、对所述加速度数据和所述角速度数据进行积分，得到位置向量II、姿态向量II、位置向量II方差和姿态向量II方差；/nS5、通过所述扩展卡尔曼滤波器将位置向量I、姿态向量I、位置向量I预测方差、姿态向量I预测方差、位置向量II、姿态向量II、位置向量II方差和姿态向量II方差进行数据融合，得到融合后的位姿数据。/n