[发明专利]一种机器人视觉回环检测系统

说明书

本发明涉及一种机器人视觉回环检测系统，包括输入模块、可变相似感知区域模块、轻量化特征提取模块及相似度评估模块，输入模块用于输入图像及其元数据；可变相似感知区域模块包括用于构建数据流的可变滑动窗口单元，和用于对数据流进行采样及构建三重样本的相似度矩阵单元；轻量化特征提取模块用于构建基本特征提取网络，利用网络权重敏感度分析方法，构建参数敏感度损失函数；对三重样本进行特征提取，计算样本间相似度，构建三重损失函数；基于参数敏感度损失函数和三重损失函数组成的联合损失函数，优化网络参数；相似度评估模块用于判断是否发生回环。本发明实现了基于终身学习的回环检测系统，且检测的准确率高、运行时间短、召回率高。

技术领域

本发明涉及视觉检测技术领域，尤其涉及一种机器人视觉回环检测系统。

背景技术

移动机器人导航和无人驾驶技术的重要特性是能够识别自己相对于环境的位置。同时定位和地图构建(Simultaneous localization and mapping，SLAM)方法在没有环境先验信息情况下，在线收集环境数据，并逐步生成地图，其中机器人根据每一个新获得的观测结果进行自身定位。尽管现代设备的精密程度高，系统计算性能强，但是累积误差总是存在的。因此，需要对轨迹内的回环进行回环检测(Loop-closure detection，LCD)，判别出机器人是否到达过先前的位置，从而有效地纠正轨迹的漂移并优化机器人的位姿估计。

目前，回环检测可以分为基于传统特征的方法和基于卷积神经网络(Convolutional Neural Network，CNN)的方法。基于传统特征的方法主要利用人工设计特征生成视觉单词，通过这些单词构建词袋库模型(Bag Of Words，BOW)，利用词袋库进行向量表示，并计算向量间相似度，从而确定是否存在回环。然而这类方法易受到光照、天气和视点等环境变化的影响。此外由于运行时间的增长，从而产生大量单词，影响运行的效率。

而基于卷积神经网络的方法则是通过对图像进行特征提取，使用网络提取的特征进行相似度计算，其效率优于词袋库模型。但是，基于卷积神经网络的方法要达到高准确率，需要大量的数据对其进行训练，但训练完成的模型仅对一类环境数据有效，对于新环境，效果仍会下降。因而，通常期望一个模型可以直接对未知的新环境进行学习，由此引入终身学习的概念，如图1所示。

传统方法通过对新环境数据进行学习，拓展视觉词汇来表示新的场景，但是，长期对新场景的学习会导致数据呈线性增长；CNN模型学习新环境通常需要调整所有内部参数以适应新的环境，因此会丧失之前学习的知识。由此就会带来一个挑战：如图2所示(颜色深浅代表参数对损失函数的影响，颜色越深，损失越小)，如果只对新增加的数据进行训练和拟合，会导致网络参数发生改变，造成灾难性遗忘，即CNN模型学习旧数据的能力随着时间的推移而下降(从黑点转移至白点)。另一方面，CNN模型将所有环境进行联合训练，导致存储成本将会呈线性增长，因此在资源有限的设备上无法运行。

发明内容

本发明提供一种机器人视觉回环检测系统，以解决上述技术问题。

为解决上述技术问题，本发明提供一种机器人视觉回环检测系统，包括输入模块、可变相似感知区域模块、轻量化特征提取模块以及相似度评估模块，

所述输入模块用于输入图像及其元数据，所述元数据为基于输入图像计算的辅助信息，所述辅助信息至少包括位姿和GPS；

所述可变相似感知区域模块包括可变滑动窗口单元和相似度矩阵单元，所述可变滑动窗口单元用于构建数据流，所述相似度矩阵单元用于对数据流进行采样，构建三重样本，所述三重样本包括锚图像、正样本图像和负样本图像；

所述轻量化特征提取模块用于构建基本特征提取网络，利用网络权重敏感度分析方法，构建参数敏感度损失函数；对三重样本进行特征提取，计算样本间相似度，构建三重损失函数；基于参数敏感度损失函数和三重损失函数组成的联合损失函数，优化网络参数；

所述相似度评估模块用于判断是否发生回环。