一种扫地机器人障碍物识别方法、系统与流程

本发明涉及图像识别。更具体地，本发明涉及一种扫地机器人障碍物识别方法、系统。

背景技术：

1、随着人工智能与智能家居技术的持续发展，扫地机器人已成为现代家庭中普遍应用的智能终端设备。在复杂多变的家庭环境中，障碍物识别是扫地机器人实现自主导航、路径规划以及安全避障的重要基础。目前，基于深度学习的视觉感知技术已在目标检测与图像识别领域取得良好效果，部分高性能神经网络模型能够获得较高的识别准确率。然而，扫地机器人属于典型的边缘端设备，内部硬件算力、存储空间与电池功耗均受到较大限制，难以直接部署和运行参数量大且计算复杂度高的重型深度学习模型。为了在有限的硬件资源条件下实现障碍物识别，知识蒸馏技术被大量用于将高性能教师模型中的特征表达和判别知识迁移至适合端侧运行的轻量化学生模型中，从而在兼顾推理速度与低功耗要求的同时，提升轻量化模型的识别精度。

2、家庭环境通常存在光照变化明显、障碍物种类复杂、目标尺寸差异较大以及相互遮挡频繁等复杂情况，这些情况使得教师模型与学生模型在特征提取与表达能力方面存在显著差距。现有的蒸馏方法多采用特征图约束或单一分布对齐方式，难以充分弥合师生模型在跨层级特征表达上的内在差异。同时，由于缺乏对关键通道与关键空间区域的有效定位，学生模型在学习过程中容易受到背景噪声和冗余特征的干扰，难以聚焦于对障碍物识别具有决定作用的空间信息与通道信息。此外，现有方法通常缺少根据特征结构相似程度与特征重要性来自适应调整蒸馏强度的机制，难以在不同复杂度的场景下实现多层级特征的有效融合与传递。因此，轻量化模型在面对实际家庭环境中的遮挡、小目标以及复杂背景时，自身障碍物识别的准确率、稳定性与泛化能力仍有待提升，难以充分兼顾低算力消耗与高精度感知的实际需求。

技术实现思路

1、为了解决现有方法障碍物识别的准确率、稳定性以及泛化能力仍无法满足实际需求的技术问题，本发明提供了一种扫地机器人障碍物识别方法、系统。

2、在第一方面中，本发明提供了一种扫地机器人障碍物识别方法，包括：s1：获取扫地机器人传感器采集的待识别场景图像，输入至教师模型与待训练的学生模型，提取教师特征图谱与学生特征图谱，通过通道变换与空间重采样将两者对齐；基于教师特征图谱通过池化与非线性映射生成通道重要性向量与空间注意力图谱，并对教师特征图谱进行加权，得到关键教师特征；s2：基于待训练的学生模型输出与真值标签计算任务预测损失，基于任务预测损失相对于学生特征图谱的梯度生成学生注意力图谱；利用学生注意力图谱对学生特征图谱进行加权后输入自校准网络，生成仿射校准参数，利用仿射校准参数对学生特征图谱进行重校准，得到重校准学生特征图谱；s3：根据空间注意力图谱与学生注意力图谱的结构相似性指数生成相似度权重系数，基于相似度权重系数融合关键教师特征与重校准学生特征图谱间的二阶协方差黎曼距离和分布对齐损失，得到特征蒸馏损失；将任务预测损失与特征蒸馏损失融合为总损失函数更新待训练的学生模型参数，得到训练完成的学生模型，利用训练完成的学生模型进行障碍物识别。

3、通过采用上述技术方案，本发明通过梯度引导的学生注意力提取与自校准网络，结合基于结构相似度动态加权的二阶协方差流形蒸馏，提升了轻量化学生模型在复杂环境下对多尺度及遮挡目标的感知精度。该方案利用教师双重注意力机制锁定关键区域并过滤干扰，通过任务损失梯度动态捕获学生模型的预测薄弱区，并借助自校准仿射变换与流形空间对齐技术，在有限算力下实现了对高质量教师知识的高效拟合与迁移，充分兼顾了端侧设备的运行效率与避障稳定性。

4、优选地，所述基于教师特征图谱通过池化与非线性映射生成通道重要性向量与空间注意力图谱，并对教师特征图谱进行加权，得到关键教师特征，包括：对所述教师特征图谱在空间维度进行全局平均池化，生成通道重要性向量；沿通道维度对所述教师特征图谱执行最大池化与平均池化操作，将生成的单通道特征图拼接后进行滑动卷积计算，生成空间注意力图谱；将所述通道重要性向量在空间维度广播，所述空间注意力图谱在通道维度广播，将两者与所述教师特征图谱进行逐元素相乘，得到关键教师特征。

5、优选地，所述基于任务预测损失相对于学生特征图谱的梯度生成学生注意力图谱，包括：计算所述任务预测损失相对于所述学生特征图谱的偏导数，得到多通道梯度特征矩阵；对所述多通道梯度特征矩阵的元素取绝对值，提取绝对梯度图谱；沿通道维度对所述绝对梯度图谱对应空间位置的数值进行累加求和，执行截断梯度传播操作并进行最大最小值归一化处理，生成学生注意力图谱。

6、通过采用上述技术方案，本发明利用任务预测损失对特征图的梯度反馈，能够准确识别出学生模型当前预测误差对空间位置的依赖程度，通过生成学生注意力图谱，强制模型在训练过程中优先关注识别敏感区与定位偏差区，从而实现了对学生模型特定薄弱环节的精准补偿，避免了无差别对齐导致的特征学习冗余。

7、优选地，所述利用学生注意力图谱对学生特征图谱进行加权后输入自校准网络，生成仿射校准参数，利用仿射校准参数对学生特征图谱进行重校准，得到重校准学生特征图谱，包括：将所述学生注意力图谱与所述学生特征图谱进行逐元素相乘，得到加权特征矩阵；将所述加权特征矩阵输入至自校准网络，输出维度与所述学生特征图谱匹配的缩放系数张量与平移偏置张量，作为所述仿射校准参数；将所述缩放系数张量与所述学生特征图谱进行逐元素乘法并加上所述平移偏置张量，生成重校准学生特征图谱。

8、通过采用上述技术方案，本发明通过自校准网络输出的缩放系数与平移偏置，对学生特征执行元素级的线性仿射变换，实现了对轻量化模型原始特征的动态重塑，能够有效纠正学生模型在特征提取过程中的语义偏移，使重校准后的特征在响应强度与空间分布上更加逼近高性能教师模型。

9、优选地，所述将所述加权特征矩阵输入至自校准网络，输出维度与所述学生特征图谱匹配的缩放系数张量与平移偏置张量，作为所述仿射校准参数，包括：通过所述自校准网络中的深度可分离卷积层对所述加权特征矩阵提取空间特征，得到局部特征；将所述局部特征分别输入局部空间分支与全局上下文分支，所述局部空间分支输出局部缩放特征与局部偏置特征，所述全局上下文分支输出全局缩放张量与全局偏置张量；将所述局部缩放特征与所述全局缩放张量通过逐元素相加操作进行融合得到所述缩放系数张量，将所述局部偏置特征与所述全局偏置张量通过逐元素相加操作进行融合得到所述平移偏置张量。

10、优选地，所述根据空间注意力图谱与学生注意力图谱的结构相似性指数生成相似度权重系数，包括：计算所述空间注意力图谱与所述学生注意力图谱间的结构相似性指数；对所述结构相似性指数执行截断梯度传播，并进行截断归一化处理，得到相似度权重系数。

11、优选地，所述基于相似度权重系数融合关键教师特征与重校准学生特征图谱间的二阶协方差黎曼距离和分布对齐损失，得到特征蒸馏损失，包括：计算关键教师特征与重校准学生特征图谱的协方差矩阵，基于正定矩阵流形空间计算加正则项后的协方差矩阵的黎曼几何距离，作为二阶协方差黎曼距离；将关键教师特征与重校准学生特征图谱映射至再生核希尔伯特空间，计算经验核均值嵌入之间的范数距离，作为基于最大均值差异的分布对齐损失；将二阶协方差黎曼距离与相似度权重系数相乘得到协方差对齐项，将基于最大均值差异的分布对齐损失与1减去相似度权重系数的差值相乘得到分布对齐项；将协方差对齐项与分布对齐项相加，得到特征蒸馏损失。

12、通过采用上述技术方案，本发明基于相似度权重平衡了二阶协方差黎曼距离与分布对齐损失，实现了从全局分布宏观拟合到微观流形拓扑对齐的动态优化过程，使得模型能够根据特征拟合阶段自动选择最优的知识迁移路径，深度挖掘了特征通道间的非线性相关信息。

13、优选地，所述计算关键教师特征与重校准学生特征图谱的协方差矩阵，基于正定矩阵流形空间计算加正则项后的协方差矩阵的黎曼几何距离，作为二阶协方差黎曼距离，包括：分别计算所述关键教师特征与所述重校准学生特征图谱的通道协方差矩阵；在所述通道协方差矩阵上加入正的极小值与单位矩阵相乘的正则项，得到所述加正则项后的协方差矩阵；利用对数欧几里得度量计算两个所述加正则项后的协方差矩阵之间的黎曼几何距离，作为所述二阶协方差黎曼距离。

14、优选地，所述利用训练完成的学生模型进行障碍物识别，包括：将扫地机器人传感器实时采集的当前环境图像数据转换为特征张量；将所述特征张量输入至所述训练完成的学生模型，在输出层生成候选区域的分类置信度与二维边界框坐标；基于非极大值抑制算法过滤冗余的二维边界框坐标，对保留的候选目标提取对应的类别标签与边界框坐标，输出障碍物的类别与二维位置信息以进行障碍物识别。

15、通过采用上述技术方案，本发明将蒸馏获得的精简知识固化于学生模型，配合高效的预处理及非极大值抑制算法，实现了在低功耗环境下对图像序列的实时解析，能够输出高置信度的类别标签与精准的边界框坐标，为扫地机器人的自主避障决策提供实时、稳定的数据支撑。

16、第二方面，本发明提供一种扫地机器人障碍物识别系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述一种扫地机器人障碍物识别方法。

17、通过采用上述技术方案，将上述的一种扫地机器人障碍物识别方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而根据存储器及处理器制作终端设备，方便使用。

18、本发明的技术方案具有以下有益技术效果：

19、本发明通过卷积运算与空间插值技术完成教师特征图谱与学生特征图谱的维度对齐，从而构建起高性能教师模型向轻量化学生模型进行知识迁移的有效路径。通过执行全局平均池化以及多尺度空间池化操作提取通道重要性向量与空间注意力图谱，能够准确捕捉教师特征图谱中的核心判别性信息。结合任务预测损失相对于学生特征图谱的梯度反馈生成学生注意力图谱，并配合自校准网络对原始学生特征图谱执行深层仿射变换与重校准处理，显著强化了学生模型对于目标障碍物关键特征的语义表达能力。将教师空间注意力图谱与学生注意力图谱之间的结构相似性指数映射为动态关联权重系数，并以此为基准融合二阶协方差黎曼距离以及基于最大均值差异的分布对齐损失以构建特征蒸馏损失，实现了跨模型特征通道间的统计关联结构与再生核空间分布特征的精细化拟合。在维持扫地机器人边缘侧推理算力需求基本恒定的前提下，本发明有效地将预训练教师模型中的复杂特征表达能力赋予轻量化学生模型，提升了模型在实际家庭环境下的障碍物识别精确度与系统运行的可靠性。