[发明专利]一种视觉同步定位与地图构建的回环检测方法及装置

说明书

本发明公开了一种视觉同步定位与地图构建的回环检测方法及装置，其中，所述方法包括：获取基于深度学习的卷积策略训练后建模得到的第一模型；获取与当前场景匹配的相似场景，对所述相似场景进行图片采集，得到第一图片数据集；根据所述基于深度学习的卷积策略和所述第一图片数据集对所述第一模型进行训练，得到用于回环检测验证的第二模型；将待验证数据帧输入所述第二模型，得到与视觉同步定位与地图构建(slam)系统关键帧数据库中的关键帧相似度高于第一阈值的数据帧；提取所述数据帧，将所述数据帧作为回环候选帧进行相似变换解算，得到回环关键帧。

技术领域

本发明涉及机器人技术领域，尤其涉及一种视觉同步定位与地图构建(slam，simultaneous localization and mapping)的回环检测方法及装置。

背景技术

近来年，智能机器人技术在世界范围内得到了广泛的关注。从室内的移动机器人，到野外的自动驾驶汽车、空中的无人机、水下环境的探测机器人，人们致力于把机器人用于各种不同的实际场景，slam作为研究热点之一，一方面是因为视觉直观且重要；另一方面，CPU、GPU处理速度的增长也使得许多以前被认为无法实时化的视觉算法，可以以10Hz以上的速度运行；同时，硬件技术水平的提高也促进了slam的发展。

slam技术是机器人技术研究中的基础性的研究难点，没有准确的定位与地图，扫地机就无法在房间自主地移动，只能随机乱碰；家用机器人就无法按照指令准确到达某个房间。在这些应用领域中，利用slam技术可向应用层提供空间定位的信息，并完成地图的构建或场景的生成。

slam通常都有一个基本框架。如图1所示，在slam基本框架中，一个slam系统分为前端视觉里程计(VO，Visual Odometry)、后端优化、建图、回环检测四个模块。其中回环检测，又称闭环检测(Loop closure detection)，是指机器人识别曾到达场景的能力。回环检测实质上是一种检测数据相似性的算法，如果回环检测成功，可以显著地减小累积误差。对于视觉slam，多数系统采用传统模式识别的方法或目前较为成熟的词袋模型(BoW，Bag ofWords)进行回环检测。采用传统模式识别的方法进行回环检测时，将回环检测建构成一个分类问题，训练分类器进行分类。采用词袋模型进行回环检测时，将图像中的SIFT，SURF等视觉特征聚类，然后建立词典，进而寻找每个图中含有哪些“单词”。

当前实时slam领域里主要采用基于词汇树的词袋模型进行回环检测。该方法需要采用大量的实时slam运行类似环境的训练图片来进行离线视觉词典训练，对训练图片数量的要求比较高。而对于一般的环境大小固定的室内环境而言，采集足够数量的当前环境的训练图片较为困难。

此外，如图2所示，使用词袋模型进行回环检测时，由于基于视觉词汇进行图像匹配的方法比较模糊、粗糙，通常需要进行匹配相似度得分、匹配词汇树个数等多轮阈值以及逻辑上的判断多个步骤，逻辑复杂，阈值个数多，与使用场景相适应的参数也较难调节。

发明内容

有鉴于此，本发明实施例提供一种slam回环检测方法及装置，以解决使用词袋模型进行slam回环检测时难以采集大量场景图片以及较难调节系统参数的问题。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供一种视觉同步定位与地图构建的回环检测方法，所述方法包括：

获取基于深度学习的卷积策略训练后建模得到的第一模型；

获取与当前场景匹配的相似场景，对所述相似场景进行图片采集，得到第一图片数据集；

根据所述基于深度学习的卷积策略和所述第一图片数据集对所述第一模型进行训练，得到用于回环检测验证的第二模型；

将待验证数据帧输入所述第二模型，得到与视觉同步定位与地图构建slam系统关键帧数据库中的关键帧相似度高于第一阈值的数据帧；