[发明专利]一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法

说明书

技术领域

本发明涉及仿生学和机器视觉领域，尤其涉及一种基于啮齿类动物模型和RTAB-Map闭环检测算法的SLAM方法。

背景技术

传统的概率算法能够处理传感器与环境的模糊性，有很好的同步定位与地图构建性能并建立高准确度、高精度的笛卡尔地图，但这些方法很少能够完全解决整个地图构建和导航问题。如何通过现有其他技术解决动态复杂环境下整个地图构建和导航成为移动机器人同步定位和地图构建的关键问题之一。

视觉里程计仅用相邻帧图像估计运动，存在累积误差，闭环检测通过场景的重定位消除累积误差，保证了轨迹与地图的全局一致性。一些闭环检测算法，如FAB-MAP和IAB-Map等在每一时刻将当前场景与所有历史场景实时匹配，效率较低，不能满足闭环检测的实时性要求。

发明内容

许多生物虽然不具备高精度传感器和高分辨率的地图，但仍具有强大的导航能力，并且能够解决整个SLAM问题。RTAB-Map闭环检测算法基于关键点的检测策略在满足系统稳定的前提下具有良好的实时性能。

本发明针对现有技术的不足，提供一种基于啮齿类动物模型和RTAB-Map闭环检测算法的SLAM方法，以解决现有技术导致的上述多项缺陷。

本发明提出的一种基于啮齿类动物模型和RTAB-Map闭环检测算法的SLAM方法，包括以下步骤：

步骤1)通过吸引子竞争网络的动力学模型控制位姿网内部的活动，构建位姿细胞内部动态过程；

步骤2)局部场景细胞进行视觉场景学习形成局部场景；

步骤3)通过位姿感知细胞和局部场景细胞在特定时间获得的瞬时图像进行经历地图的构建；

所述步骤1)中，通过吸引子竞争网络的动力学模型控制位姿网内部的活动，其动态过程经历三个阶段：兴奋度更新，对所有细胞的全局抑制和对位姿感知细胞活动的归一化。

所述步骤2)中，局部场景细胞进行视觉场景学习形成局部场景，视觉细胞激活程度aⁱ，位姿细胞网络最大活性位置Pⁱ和产生视觉模板Vⁱ之间关系为：

Vⁱ＝{aⁱ,Pⁱ}

注入位姿细胞网络的局部场景细胞活性可由下式表示：

其中，δ为视觉校准加强常数。

所述步骤3)中，经验e_i编码经历能级Eⁱ，位姿细胞位置Pⁱ，视觉模板Vⁱ和视觉细胞位置pⁱ

e_i＝{Eⁱ,Pⁱ,Vⁱ,pⁱ}

第i个经历的总能级可表示为：

其中，x'_pc,y'_pc,θ'_pc为最大活性姿态细胞坐标；x_i',y_i',θ_i'为与该经历相关的位姿感知细胞坐标；r_a为(x',y')平面的区域常数；θ_a为θ'维上区域常数；V^curr为当前视景；Vⁱ为与经历i相关场景。

经历位姿改变

其中，α为认知速度常数，N_f为经历i到其他经历的连接数；N_t为从其他经历到经历i的连接数。实验表明认知速度α＝0.5可以在地图上迅速收敛到一稳定状态。

所述步骤3)中，经历地图可通过RTAB-MAP闭环检测算法进行实时调整。

所述步骤3)中，RTAB-MAP闭环检测算法包括创建定位点、权重更新、贝叶斯过滤器更新、选择闭环假设和该算法所用的存储器间的相互转化。

所述经验为步骤(3)中特定时间特定位置采集到瞬时图像的经历地图构建的信息集合。

与现有技术相比，本发明的优点在于：