一种基于误差反馈的同步定位与建图动态权重融合方法
本发明涉及同步定位与建图(simultaneous localization and mapping, slam)领域,尤其涉及一种基于误差反馈的同步定位与建图动态权重融合方法。
背景技术:
1、随着机器人技术的持续进步,移动机器人已经在物流运输、安防巡检、自动驾驶等领域得到广泛应用。为了实现稳定可靠的自主导航,机器人必须具备高精度的环境感知、定位与建图的能力。其中,同步定位与建图(slam)技术作为移动机器人感知体系的核心,承担着估计自身位姿和构建环境地图的关键任务。然而,slam系统在实际应用中往往面临多种挑战,例如环境动态变化、传感器噪声波动以及特征稀疏场景等,容易导致定位精度下降和地图退化现象,从而影响机器人整体性能。
2、目前,激光雷达(lidar)凭借其高精度、抗干扰能力强的优势,被广泛用于slam系统中。基于激光雷达的slam方法主要分为两类:一类是基于几何约束的传统算法,如icp(iterative closest point)、gicp(generalized icp)等,其通过点云间的几何对应关系进行配准,具有较强的数学可解释性。然而,这类方法高度依赖环境中的局部几何特征,当机器人处于特征稀疏或重复性结构区域时,icp类方法容易因匹配点不足而出现漂移。此外,纯几何匹配难以应对动态环境,例如行人或车辆的移动会破坏点云的稳定性,使得几何一致性难以保证。
3、另一类slam方法采用深度学习模型从点云中提取高维隐式特征,能够在一定程度上增强对噪声和复杂环境的适应能力。然而,深度模型虽然具有强大的表达能力,但存在泛化能力不足的问题。在训练集中未出现的场景或特殊结构中,深度学习分支易产生不可信的特征,进而降低位姿估计精度。此外,深度网络在推理阶段通常输出固定特征权重,无法根据实时场景变化自适应调整融合策略,从而限制了其在真实场景中的稳定性。
4、为克服几何方法和深度学习方法的单一缺陷,现有部分研究尝试将两类方法进行融合,例如采用直接拼接特征或使用静态注意力机制进行权重分配。但这些融合方法普遍存在结构僵化的问题:注意力权重在训练过程中已经固定,而在推理阶段不再更新。这意味着,当机器人在环境中遭遇突变(例如从静态区域进入动态区域)时,融合策略无法随场景变化自动调整,会导致系统难以维持稳定的定位精度。此外,现有融合方法大多未引入几何误差作为反馈信号,从而无法实现对融合分支进行有效的在线调节。
5、在实际复杂环境中,点云质量会随着运动状态、环境变化或传感器姿态变化而发生波动。例如,在急转弯场景中,深度学习模型提取的高维特征更具优势;而在结构规则且稳定的场景中,几何匹配结果更为可信。如果融合模块无法充分利用这些差异特征,就会出现定位漂移增大、地图结构失真等问题,严重影响移动机器人在复杂环境下的可靠运行。
6、因此,如何实现特征融合权重的自适应动态调整,以适应复杂多变的实际环境,是本领域亟待解决的技术问题。
技术实现思路
1、本发明针对现有技术无法根据环境变换动态调整特征融合权重的技术问题,提出一种基于误差反馈的同步定位与建图动态权重融合方法,以提升slam的定位精度、场景适应能力和系统鲁棒性。
2、为了实现上述目的,本发明的技术方案如下:
3、一种基于误差反馈的同步定位与建图动态权重融合方法,包括以下步骤:
4、s1、获取几何特征向量与深度学习特征向量;所述几何特征向量基于点云数据的几何配准得到,所述深度学习特征向量基于点云数据的深度神经网络编码得到;
5、s2、计算几何一致性误差:基于当前位姿估计结果,对源点云与目标点云进行配准,计算得到用于表征当前融合环境动态变化的总误差e;
6、s3、生成动态融合权重:将所述总误差e输入至轻量级神经网络映射,输出用于特征融合的动态权重向量w;
7、s4、执行特征动态重标定:利用所述动态权重向量w对所述几何特征向量与深度学习特征向量进行逐元素加权标定,并将标定后的特征拼接,输出融合特征向量z。
8、进一步地,步骤s1中,所述几何特征向量的获取步骤具体包括:
9、采用迭代最近点icp算法对连续两帧点云进行配准,得到刚体变换矩阵;
10、将所述刚体变换矩阵转换为双四元数形式,进行参数化表达,生成几何特征向量。
11、进一步地,步骤s1中,所述深度学习特征向量的获取步骤具体包括:
12、将点云数据通过圆柱投影转换为二维图像;
13、将所述二维图像输入至卷积神经网络点云编码器中,提取高层语义与运动特征,生成深度学习特征向量。
14、进一步地,步骤s2中,所述计算几何一致性误差的步骤具体包括:
15、计算点到点误差、点到面误差及面到面误差中的一种或多种;
16、对计算得到的多种误差进行求和或加权求和,得到总误差e。
17、进一步地,步骤s3中,所述生成动态融合权重的步骤具体包括:
18、对所述总误差e进行归一化处理,得到反映误差变化趋势的误差反馈参数;
19、将所述误差反馈参数输入至一个轻量级多层感知机mlp网络,经sigmoid激活函数映射后,输出维度与特征向量维度匹配的动态权重向量w。
20、进一步地,上述的一种基于误差反馈的同步定位与建图动态权重融合方法,还包括以下步骤:
21、s5、位姿预测与优化:基于所述融合特征向量z进行时序建模,预测当前帧的相对位姿,并结合回环检测结果进行图优化,输出优化后的位姿。
22、进一步地,步骤s5具体包括:
23、将所述融合特征向量z输入至长短期记忆网络lstm,输出当前时刻的相对位姿预测;
24、采用全局描述子对历史关键帧进行匹配,检测回环事件;
25、利用因子图优化框架,融合里程计因子与回环因子,对轨迹与地图进行联合优化。
26、第二方面,本发明还提供一种基于误差反馈的同步定位与建图动态权重融合系统,包括以下模块以实现上述任一项所述的方法:
27、数据获取模块,用于获取点云数据;
28、多分支特征提取模块,包括几何分支单元和深度学习分支单元,所述几何分支单元用于从点云数据中提取几何特征向量,所述深度学习分支单元用于从点云数据中提取深度学习特征向量;
29、推断注意力融合模块inaf,分别与所述几何分支单元和深度学习分支单元连接,用于接收几何特征向量与深度学习特征向量,并基于当前环境的几何一致性误差,动态生成融合权重,对两分支特征进行重标定后输出融合特征;所述推断注意力融合模块包括:
30、误差计算单元,用于计算当前帧与目标帧之间的几何一致性误差;
31、权重生成单元,包含一个轻量级神经网络,用于根据所述几何一致性误差映射生成动态权重;
32、特征重标定单元,用于根据所述动态权重对输入的两分支特征进行逐元素加权融合;
33、位姿估计与优化模块,与所述推断注意力融合模块连接,用于接收融合特征,进行位姿预测与全局优化,输出定位与建图结果。
34、进一步地,所述几何分支单元具体包括:
35、icp配准子单元,用于执行icp算法获取刚体变换;
36、双四元数编码子单元,用于将所述刚体变换转换为双四元数特征向量;
37、所述深度学习分支单元具体包括:
38、投影子单元,用于对点云进行圆柱投影以生成二维图像;
39、cnn编码子单元,用于对所述二维图像进行特征编码,生成深度学习特征向量。
40、第三方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的方法。
41、与现有技术相比,本发明的技术效果:
42、本发明提供的一种基于误差反馈的同步定位与建图动态权重融合方法,首先构建几何特征分支与深度特征分支的双路前端,分别利用基于点云匹配的几何估计与基于深度网络的点云特征提取获得两类独立位姿特征;并通过构建包含点到点误差、点到面误差以及面到面误差的误差反馈模型,计算环境匹配误差的变化率;再利用轻量化网络将误差变化率映射成动态融合权重,实现对上述两分支特征的逐元素加权融合。与现有方法相比,本发明在推理阶段即可根据不同环境在线调整信任分配,显著抑制里程计漂移,提升复杂环境下的定位精度与鲁棒性,可广泛应用于服务业、工业和运输业等领域。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com