SLAM前后端参数分层自适应调整方法、系统及设备与流程

摘要: 本发明涉及机器人导航定位,尤其涉及一种面向多场景的slam前后端参数分层自适应调整方法、系统及设备。背景技术:1、现有livoslam系统(fast-livo2...
SLAM前后端参数分层自适应调整方法、系统及设备与流程

本发明涉及机器人导航定位,尤其涉及一种面向多场景的slam前后端参数分层自适应调整方法、系统及设备。

背景技术:

1、现有livo slam系统(fast-livo2、r3live、lvi-sam等)包含大量需要人工调优的参数,这些参数分布在系统的各个模块中,例如以下参数:

2、(1)后端融合参数:esikf框架中的测量噪声协方差矩阵r_lio和r_vio、过程噪声协方差矩阵q,这些参数直接决定多传感器融合的权重分配。当前采用固定预设值,无法适应传感器质量的动态变化。

3、(2)前端特征提取参数:点云特征提取中的曲率阈值、边缘/平面特征数量限制,这些参数决定提取特征的质量和数量。在结构化环境中需要较小的曲率阈值以提取精细特征,在非结构化环境中需要较大的阈值以保证鲁棒性。当前参数固定,无法适应场景变化。

4、(3)地图构建参数:体素地图中的体素大小、平面检测阈值、八叉树最大层数等参数。室内小场景需要较小的体素尺寸以实现精确定位,室外大场景需要较大的体素尺寸以提高计算效率和鲁棒性。当前参数固定,无法根据环境尺度自适应调整。

5、这些参数之间存在复杂的耦合关系,单一参数的调整可能影响整个系统的性能,当前缺乏对这些参数进行统一、协同、自适应调整的系统性方法,严重制约了slam系统在多场景下的性能表现和部署效率。

6、因此,现有技术还有待于改进和发展。

技术实现思路

1、本发明提供了一种面向多场景的slam前后端参数分层自适应调整方法、系统及设备,本发明的主要目的在于解决现有技术所存在背景技术中所提到的技术问题。

2、本发明第一方面提供了一种面向多场景的slam前后端参数分层自适应调整方法,包括:

3、获取多模态传感器的实时测量数据,所述多模态传感器包括激光雷达、视觉相机和惯性测量单元;

4、在slam系统的运行全链路中,提取前端环境特征,构建体素地图,并进行后端状态估计与传感器数据融合;

5、基于不同参数响应环境变化的时间特性,构建分层深度强化学习模型,将slam系统全链路参数划分为不同时间响应层级;

6、利用所述分层深度强化学习模型,在运行过程中以不同频率并行输出动作指令,协同且自适应地调整所述slam系统的前端特征提取参数、地图构建参数以及后端融合参数。

7、在本发明第一方面一种可选的实施方式中,所述分层深度强化学习模型包括:

8、快速响应层:以第一频率运行,用于调整所述后端融合参数,以响应传感器数据质量的短期高频变化;

9、中速响应层:以第二频率运行,用于调整所述前端特征提取参数,以响应环境场景几何特性的中期变化;

10、慢速响应层:以第三频率运行,用于调整所述地图构建参数,以响应环境尺度的长期低频变化;

11、其中,所述第一频率大于所述第二频率,所述第二频率大于所述第三频率。

12、在本发明第一方面一种可选的实施方式中,所述快速响应层的自适应调整机制包括:

13、获取第一状态输入,所述第一状态输入包括激光雷达几何统计信息、视觉跟踪质量、惯性测量单元稳定性评估及误差状态迭代卡尔曼滤波的内部状态;

14、通过强化学习智能体输出第一动作指令,所述第一动作指令用于连续调整esikf框架中的激光雷达测量噪声协方差缩放参数、视觉测量噪声协方差缩放参数,以及结合环境退化方向向量生成各向异性的协方差缩放矩阵。

15、在本发明第一方面一种可选的实施方式中,所述中速响应层的自适应调整机制包括:

16、获取第二状态输入,所述第二状态输入包括当前场景的几何复杂度统计、前端特征质量评估及esikf收敛状态;

17、通过强化学习智能体输出第二动作指令,所述第二动作指令用于调整点云特征提取中的曲率阈值和/或特征点数量限制,以及调整视觉前端中的图像金字塔层数和/或光度误差外点剔除阈值。

18、在本发明第一方面一种可选的实施方式中,所述慢速响应层的自适应调整机制包括:

19、获取第三状态输入,所述第三状态输入包括环境尺度估计、点云密度分布统计及体素地图中的平面特征统计信息;

20、通过强化学习智能体输出第三动作指令,所述第三动作指令用于调整点云建图过程中的体素大小、平面检测阈值和/或八叉树最大深度层数。

21、在本发明第一方面一种可选的实施方式中,所述分层深度强化学习模型通过以下层间协同机制运行:

22、状态共享机制:低频层级的状态输入包含高频层级的底层状态信息与执行结果;

23、动作解耦与频率隔离机制:各响应层输出互不重叠的参数类别,并按照设定的频率差异独立执行,避免系统参数振荡;

24、安全仲裁机制:在任一响应层输出动作指令并应用于slam系统前,对其进行上下界限检查、参数变化率限制及性能回退检查,当检测到极端参数或系统位姿发散趋势时,自动回退至预设的保守参数组合。

25、在本发明第一方面一种可选的实施方式中,所述分层深度强化学习模型的训练依赖于多组件奖励函数,所述多组件奖励函数至少包括以下四项奖励的加权和:

26、精度奖励:基于连续帧位姿变化与惯性预积分的相对一致性、残差白化程度及新提取点云与已有地图平面的贴合程度计算;

27、收敛奖励:基于esikf内部状态计算,包含用于鼓励更少迭代次数的第一项,以及鼓励更大残差下降速率的第二项;

28、平滑奖励:对连续时间步长内参数调整动作指令的大幅跳变进行惩罚;

29、效率奖励:基于当前提取的特征数量、地图规模及计算处理耗时计算,对计算冗余和特征不足导致的匹配下降均进行惩罚。

30、本发明第二方面提供了一种面向多场景的slam前后端参数分层自适应调整系统,所述前后端参数分层自适应调整系统包括:

31、数据获取模块,用于获取多模态传感器的实时测量数据,所述多模态传感器包括激光雷达、视觉相机和惯性测量单元;

32、数据处理模块,用于在slam系统的运行全链路中,提取前端环境特征,构建体素地图,并进行后端状态估计与传感器数据融合;

33、分层模型构建模块,用于基于不同参数响应环境变化的时间特性,构建分层深度强化学习模型,将slam系统全链路参数划分为不同时间响应层级;

34、前后端参数调整模块,用于利用所述分层深度强化学习模型,在运行过程中以不同频率并行输出动作指令,协同且自适应地调整所述slam系统的前端特征提取参数、地图构建参数以及后端融合参数。

35、本发明第三方面提供了一种导航设备,所述导航设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;

36、所述至少一个处理器调用所述存储器中的所述指令,以使得所述导航设备执行如本发明第一方面中任一项所述的面向多场景的slam前后端参数分层自适应调整方法。

37、本发明第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明第一方面中任一项所述的面向多场景的slam前后端参数分层自适应调整方法。

38、有益效果:本发明提供了一种面向多场景的slam前后端参数分层自适应调整方法、系统及设备,方法包括获取包括激光雷达、视觉和惯性测量单元的多模态传感器的实时测量数据,在slam系统的运行全链路中,提取前端环境特征,构建体素地图,并进行后端状态估计与传感器数据融合,基于各参数响应环境变化的时间特性,构建分层深度强化学习模型,并将slam全链路参数划分为不同的时间响应层级,最后利用该模型在运行过程中以不同频率并行输出动作指令,协同且自适应地调整slam系统的前端特征提取参数、地图构建参数以及后端融合参数。本发明实现了slam全链路参数的智能化协同优化,提升了系统在多场景切换下的鲁棒性、计算效率与定位精度。