[发明专利]一种基于PCA的加权融合移动机器人定位方法

说明书

本发明公开了一种基于PCA的加权融合移动机器人定位方法，包括：预处理视觉数据，构建训练样本集和测试样本集；利用ELM回归算法建立ELM神经网络模型，将训练样本集输入到ELM神经网络中，训练ELM神经网络模型；将测试样本集输入到训练好的ELM神经网络模型中，得到相邻帧图像间的相对位移，并进行积分，得到相邻帧图像的位置，即视觉定位结果；利用视觉信息对原始加速度测量信号进行漂移校正，将漂移校正后的加速度进行二次积分，得到基于惯性数据的定位结果；根据PCA对视觉定位结果及惯性定位结果进行权重分配，得到最终的定位结果。本发明可以有效控制惯性导航系统(INS)的累积误差，有效解决视觉导航系统(VNS)易受外部干扰的问题，提升定位精度。

技术领域

本发明涉及移动机器人定位、信息融合以及信号处理的技术领域，尤其涉及一种基于PCA的加权融合移动机器人定位方法。

背景技术

近年来，移动机器人定位服务的需求快速增长，移动机器人定位系统变得越来越受欢迎。随着计算机视觉技术的不断改进，国内外专家对视觉导航系统(VNS)越来越感兴趣。VNS为我们提供了一种利用视觉数据来理解和感知移动机器人所处环境的好方法，它可以在具有丰富的特征匹配和识别的场景中获得高定位精度。C.Piciarelli提出了一种将图像与具有位置标记的视觉特征的参考模型进行比较从而实现定位的视觉移动机器人定位技术(在这里简称为VL算法)，与非视觉导航系统相比，它具有信息量大，定位精度高，无噪音等优点，然而它某些情况下效果不佳，诸如遮挡，光线变化和人员访问干扰等。而惯性导航系统(INS)可以在没有外部设备的情况下提供位置，并且具有快速的数据更新速度，具有体积小，成本低，便携性强等特点。但是由于随着时间的推移，陀螺仪和加速度计的误差将迅速增长，INS只能够实现短期，短距离定位。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：易受外部信息的干扰，在受到外部信息干扰的情况下效果不佳，且惯性导航系统累积误差较大。

为解决上述技术问题，本发明提供如下技术方案：采集视觉数据并进行预处理，构建训练样本集和测试样本集；利用ELM回归算法建立ELM神经网络模型，将所述训练样本集输入到ELM神经网络中，训练所述ELM神经网络模型；将所述测试样本集输入到训练好的ELM神经网络模型中，得到相邻帧图像间的相对位移，对所述相对位移进行积分，得到所述相邻帧图像的位置，即视觉定位结果；利用视觉信息对原始加速度测量信号进行漂移校正，将漂移校正后的加速度进行二次积分，得到基于惯性数据的定位结果；根据PCA策略对视觉定位结果以及惯性定位结果进行权重分配，得到最终的定位结果。

作为本发明所述的基于PCA的加权融合移动机器人定位方法的一种优选方案，其中：所述构建训练样本集过程包括，提取图像的加速鲁棒性特征描述符，对每帧图像提取N个加速鲁棒性特征的特征点，并进行特征点匹配；采用随机抽样一致性算法对匹配结果进行处理，去除误匹配点，得到最符合匹配点的仿射变换矩阵；以每一帧图像与下一帧图像之间的仿射变换矩阵为输入，每一帧图像与下一帧图像真实坐标之间的相对位移为输出，建立训练样本集。

作为本发明所述的基于PCA的加权融合移动机器人定位方法的一种优选方案，其中：所述仿射变换矩阵包括，

其中，r表示旋转角度，A表示缩放向量，T_x、T_y表示平移向量。