[发明专利]基于多尺度预测的深度卷积神经网络的无人机语义地图构建方法

说明书

本发明属于视觉导航领域，具体涉及一种基于多尺度预测的深度卷积神经网络的无人机语义地图构建方法，结合基于RGB‑D相机的视觉SLAM系统和基于回归预测的多尺度预测的深度卷积神经网络SSD框架，设计算法剔除动态物体点、融合位姿信息和语义信息以及构建语义目标数据库，实时构建高层次语义地图。适合中小型无人机的高定位精度、微型化及低成本的特点，具有理论与实用价值。

技术领域

本发明属于视觉导航领域，涉及一种基于多尺度预测的深度卷积神经网络的无人机语义地图构建方法，特别针对动态环境下小型无人机实时构建高层次语义地图，硬件配置微型化及低成本的要求。

背景技术

近年来，无人机(UAV)在军事上的作用日趋重要，如美国研制的“捕食者”、“全球鹰”、A160，法国的“鹰”，西欧国家(EADS公司)的HALE无人机。美国的无人机动力装置为1台双路涡喷发动机，控制系统采用惯性+“导航星”空间无线电导航系统数据修正方式。机载模块化侦察设备包括侧视雷达、光电侦察系统、无线电技术侦察和无线电电子对抗设备、一体化数据接收与传递系统、ATACCS目标指示系统、转发设备等。海军型还将装备有水面活动目标选择系统的扫描雷达。美国军事专家通过分析“全球鹰”无人机的作用使用经验，发现该机还有一系列缺点，主要是有效载荷的重量和体积有限，能源系统功率不足，每次出动不能保证所有侦察设备同时运行。因此，相对于大型军用机，无人机要求具有低成本、小尺寸、低功耗、高精度的特点，以便于其运输、发射和回收。

在无人机领域，地图构建技术是感知、建模、规划与理解的基础与核心。无人机同时定位与地图构建技术解决的就是如何利用传感器的数据进行自定位，与此同时构建出周围环境得地图。视觉SLAM是以相机为主要外部传感器的SLAM系统，有时还会结合其他传感器的信息，如IMU信息，可应用于机器人、无人驾驶和增强现实(AR)等领域。目前大多数的视觉SLAM算法是在静态场景这一假设下运行的，获得的信息中不包含高层的语义信息，仅仅是一些几何点信息。通过SLAM算法，无人机可以精确定位，但无法对环境中的物体进行识别和建模，这将导致无人机无法根据环境中的高层中语义信息进行智能操作。随着室内外移动机器人技术、自动驾驶和增强现实技术等研究与应用的发展，室内外场景中语义理解能力的重要性愈发显著。

因此，本发明旨在研究如何利用语义信息辅助SLAM系统，提出基于多尺度预测的深度卷积神经网络的无人机语义地图构建方法，正是为了适合中小型无人机的高定位精度、微型化及低成本的特点，具有理论与实用价值。

发明内容

本发明重点研究无人机视觉导航系统的关键技术。以复杂的动态环境为背景，探索动态环境下构建语义地图的方法，结合基于RGB-D相机的动态视觉SLAM系统和基于回归预测的多尺度预测的深度卷积神经网络SSD框架，设计算法剔除动态物体点、融合位姿信息和语义信息以及构建语义目标数据库，实时构建高层次语义地图。本方法在动态环境下语义地图构建等方面可以帮助无人机实现更为智能的导航任务。具体的研究方案如图1所示。主要内容如下：

1)基于多尺度预测的深度神经网络SSD实现环境信息的语义信息提取

2)使用基于二维视觉中的光流检测法作为动态信息检测的方法来判断相机视野中那些像素对应的物体在运动

3)设计动态地图构建算法，以此来构建动态语义地图

附图说明

图1是本发明的研究方案图。

图2是本发明的多尺度预测的深度神经网络的网络结构图。

具体实施方式

主要环节的具体设计思路如下：

(1)基于多尺度预测的深度神经网络SSD实现环境信息的2D语义信息提取