[发明专利]一种基于空间关系特征匹配的闭环检测方法及系统

说明书

本发明公开了一基于空间关系特征匹配的闭环检测方法及系统，对接收的机器人采集的待测图像进行分块，并引入分块冗余机制，对中间区域的特征块添加相应的冗余分块；然后对两张待测图像对应分块进行特征点匹配，最终对两张待测图像进行相似度融合，得到两张待测图像的空间相似性得分，依据空间相似性得分判断机器人是否完成闭环检测。本发明考虑了特征在空间中的相对位置关系，有效降低感知混叠出现的概率，能够保证高精度的同时拥有较高的召回率，可以有效地对机器人的位姿进行修正，协助机器人完成闭环检测。

技术领域

本发明属于机器人技术领域，涉及机器人进行环境感知的SLAM(SimulaneousLocalization and Mapping)系统的闭环检测，尤其涉及一种适用于SLAM系统的基于空间关系特征匹配的闭环检测技术。

背景技术

在过去的几十年的时间里，随着信息技术的发展，机器人逐渐扮演了越来越重要的角色。而当机器人在移动到一个未知环境中时，需要对环境做出感知和理解。SLAM技术被认为是机器人进行环境感知的核心环节，而在SLAM系统中一个非常关键的问题就在于闭环检测，其旨在判断机器人是否到达了曾经到达过的区域。这对于机器人自身的定位和三维重建非常重要，由于机器人在运行的过程中，对于位姿的估计会随着时间慢慢出现漂移，导致机器人错误的定位和糟糕的重建效果，所以对于这个偏差的修正非常有必要。闭环检测可以很好的解决SLAM中的位姿漂移问题，所述闭环检测这一环节对于修复机器人错误的定位偏差的修正非常有必要。当闭环检测发生时，可以让机器人进行重新定位，或建立具有全局一致性的位姿和地图，在基于位姿图的视觉SLAM系统当中，闭环会产生额外的约束，从而减小误差，保证了机器人对于环境的理解和地图的构建

闭环检测常用到的方法一般分为两类，基于外观的闭环检测和基于里程计的闭环检测。基于里程计的闭环检测可以被定义为，机器人所估计的位姿与过去某一时刻相近时，则认为是闭环，这种方法的精度完全依赖与SLAM系统中位姿估计的精度，观测噪声的存在可能会使全局位姿存在大量累计的偏差，这会严重降低闭环检测的有效性，所以这一方法被认定为不奏效的。基于外观的闭环检测可以定义为，外观相似的图片，可能被认定为一个闭环。在SLAM系统当中，当连续的几帧或者几十帧图像都比较相似时，即可判定机器人重新到达了某一历史时刻的位置，从而修正位姿，得到具有全局一致性的位姿和地图。这种独立于SLAM位姿估计系统的好处在于可以完全不受位姿估计精度的影响，从而保证了闭环检测的正确性。

近年来，基于外观的视觉闭环检测算法得到了较大的发展。其中基于视觉词袋(BoVW)的方法是一种主流的方法，这种方法将视觉特征聚成类，以词的形式保存图像特征，并以此构建词汇树，当传入的图像到达时，将其转换为视觉单词的向量，并在历史传入图像的词汇树中查询相似特征。最后，以两个图像特征向量之间的距离来描述两幅图像的相似性得分，从而检测是否存在闭环。其中，FAB-MAP是一种被广泛引用的闭环检测算法，其考虑了每个图像来代表地图上的位置。对于新图像，FAB-MAP搜索所有包括所有图像的地图，实现较高精度的闭环检测。

对于计算量的问题，后续的方法在此基础上展开了研究，在FABMAP2.0中通过分析视觉单词的稀疏性大幅度减小了对于内存和计算消耗，提升了FABMAP的实时性。DBoW2在进行闭环判定时忽略了当前时刻的相邻帧，采用二进制的方式编码，还引入了几何一致性验证和时间一致性验证来确定循环是否正确，实现了非常有效和快速的解决方案，使闭环检测实现实时性能。此外，引入了计算机社区的词袋检索的倒排索引，对需要检索的特征位置只保存ID进行检索，大大减小了算法在遍历时的复杂度和内存开销，实现了闭环检测的实时性。