CN110146080A - 一种基于移动机器人的slam回环检测方法及装置 - Google Patents
一种基于移动机器人的slam回环检测方法及装置 Download PDFInfo
- Publication number
- CN110146080A CN110146080A CN201910334350.4A CN201910334350A CN110146080A CN 110146080 A CN110146080 A CN 110146080A CN 201910334350 A CN201910334350 A CN 201910334350A CN 110146080 A CN110146080 A CN 110146080A
- Authority
- CN
- China
- Prior art keywords
- dimension
- mobile robot
- slam
- winding detection
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004804 winding Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035922 thirst Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于移动机器人导航技术领域,具体涉及一种基于移动机器人的SLAM回环检测方法及装置,所述装置包括内置SLAM回环检测算法的上位机、图像传感器、激光雷达传感器、控制器和四轮移动机构,所述方法为首先通过图像传感器获取图像,进而利用深度学习方法提取图像中具有高度条件不变性的卷积神经网络特征,且将卷积神经网络特征编码成全局特征向量,从而形成图像描述符,利用高性能的k‑D树对图像描述符进行索引和检索,通过这样的方式解决了自主移动机器人在复杂动态环境下的适应性差的问题,能使视觉SLAM的回环检测更加鲁棒和高效,提高了移动机器人在复杂环境下的适应能力。
Description
技术领域
本发明属于移动机器人导航技术领域,具体涉及一种基于移动机器人的SLAM回环检测方法及装置。
背景技术
自仿生学与智能机器人技术的出现以来,研究者们就渴望有朝一日,机器人能够像人类一样,通过眼睛去观察和理解周围的世界,并能够能在自然环境中灵巧地自主行走,实现人机和谐共融。
移动机器人在工作中对环境变化的适应性尤为重要,其中,一个重要而基本的问题是,如何通过二维的图像信息分析景物的三维结构,确定相机在其中的位置。这个问题的解决,离不开一项基本技术的研究:同时定位与地图构建(Simultaneous-Localization-and-Mapping,SLAM),特别是基于视觉的SLAM技术。回环检测是视觉SLAM能鲁棒运行的重要保障,如果回环检测成功,可以显著地减小累积误差,帮助机器人更精准、快速的进行避障导航工作,而错误的检测结果可能使地图变得很糟糕。因此,回环检测在大面积、大场景地图构建上是非常有必要的。
而在回环检测问题上,目前的视觉SLAM回环检测方法在复杂动态环境下(如光照、季节等变化条件下)有着鲁棒性较弱和实时性不强的问题。
发明内容
本发明的目的在于提供一种基于移动机器人的SLAM回环检测方法及装置,旨在提高移动机器人工作中对复杂动态环境的适应性,提升视觉SLAM中回环检测的鲁棒性和实时性。
为实现上述目的,本发明提供了如下方案:
一种基于移动机器人的SLAM回环检测装置,包括内置SLAM回环检测算法的上位机、图像传感器、激光雷达传感器、控制器和四轮移动机构;
所述内置SLAM回环检测算法的上位机分别与所述图像传感器、激光雷达传感器和控制器连接,所述控制器与所述四轮移动机构连接;
所述四轮移动机构为三层架构,其中底层放置内置SLAM回环检测算法的上位机,中间层放置图像传感器,上层放置激光雷达传感器。
进一步,所述图像传感器为微软Kinect-v2,所述激光雷达传感器为思岚RPLIDAR-A2,所述上位机为英伟达Jetson-TX2。
一种基于移动机器人的SLAM回环检测方法,用于上述所述的基于移动机器人的SLAM回环检测装置,包括以下步骤:
步骤S100、利用图像传感器获取环境图像;
步骤S200、利用LIFT深度学习算法提取环境图像的卷积局部特征并进行降维;
步骤S300、利用图像描述方法形成图像描述符;
步骤S400、建立k-D树对所述图像描述符进行索引;
步骤S500、利用建立的k-D树检索出前k个候选回环。
进一步,所述步骤S200具体包括:
步骤S201、利用LIFT深度学习算法提取图像的n个128维的局部特征向量;
步骤S202、利用主成分分析方法对所述n个128维卷积局部特征向量降维得到n个64维的局部特征向量。
进一步,所述步骤S300具体为:利用VLAD向量将n个64维局部特征向量聚合为1个全局K×64维特征向量作为图像描述符,具体步骤如下:
步骤S301、特征表示:对n个64维局部特征向量用矩阵X表示,其中,X是一个n×64的矩阵;
步骤S302、聚类生成词汇向量:生成K个单词,对X用K均值聚类算法聚成K类,类中心即为单词;
步骤S303、统计每个局部特征与聚类中心的累计残差:
首先计算特征距离最近的聚类中心索引,进而通过局部特征计算后得到特征向量;
步骤S304、生成VLAD向量:将上述得到的所有特征向量进行连接,并利用L_2范数归一化算法得到K×64维的全局特征向量。
进一步,所述步骤S400的索引方法为k-D树,具体步骤包括:
计算所述VLAD向量中k个维度的方差,并以所述方差中最大的维度作为划分顶层节点的标准,将所述划分顶层节点的标准标记为r;
将小于该维度标准r的特征放到左子树,将大于该维度标准r的值放到右子树,依次对后续维度数据进行处理,从而得到一棵k-D树。
进一步,所述步骤S500为利用k-D树检索出前k个候选回环。
本发明的有益效果是:本发明公开一种基于移动机器人的SLAM回环检测方法及装置,所述装置包括内置SLAM回环检测算法的上位机、图像传感器、激光雷达传感器、控制器和四轮移动机构,所述方法为首先通过图像传感器获取图像,进而利用深度学习方法提取图像中具有高度条件不变性的卷积神经网络特征,且利用高性能的全局特征编码方式将具有高度条件不变性的卷积神经网络特征编码成全局特征向量形成图像描述符,利用高性能的k-D树对图像描述符进行索引和检索,通过这样的方式解决了自主移动机器人在复杂动态环境下(如光照变化情况)的适应性差的问题,能使视觉SLAM的回环检测更加鲁棒和高效,提高了移动机器人在复杂环境下的适应能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于移动机器人的SLAM回环检测装置的结构示意图;
图2为本发明实施例一种基于移动机器人的SLAM回环检测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供的一种基于移动机器人的SLAM回环检测装置,其中,包括内置SLAM回环检测算法的上位机100、图像传感器200、激光雷达传感器300、控制器400和四轮移动机构500;所述内置SLAM回环检测算法的上位机100分别与所述图像传感器200、激光雷达传感器300和控制器400连接,所述控制器400与所述四轮移动机构500连接;所述四轮移动机构500为三层架构,其中底层放置内置SLAM回环检测算法的上位机100,中间层放置图像传感器200,上层放置激光雷达传感器300。
具体的,所述图像传感器200为微软Kinect-v2,所述激光雷达传感器300为思岚RPLIDAR-A2,所述上位机100为英伟达Jetson-TX2,输入所述图像传感器200的图像通过设置于机器人上的相机进行采集。
本实施例中,在未知环境下,移动机器人根据图像传感器200获取的图像信息建立拓扑地图,在建图过程中采用基于移动机器人的SLAM回环检测方法来对移动机器人的已存拓扑地图中的图像进行检索和识别,基于移动机器人的SLAM回环检测方法运行在英伟达Jetson-Tx2上以纠正机器人建图过程中的误差,并通过激光雷达传感器300获取的三维点云图对所述拓扑地图进行验证。
参考图2,所述基于移动机器人的SLAM回环检测方法包括以下步骤:
步骤S100、利用图像传感器200获取环境图像。具体地,所述环境图像为移动机器人观测到的周围环境图像;
步骤S200、利用LIFT(Learned-Invariant-Feature-Transform,学习不变特征变换)深度学习算法提取环境图像的卷积局部特征并进行降维;
步骤S300、利用图像描述方法形成图像描述符;
步骤S400、建立k-D树对所述图像描述符进行索引;
步骤S500、利用建立的k-D树检索出前k个候选回环;
作为本实施例的一个优选,所述步骤S200具体包括以下步骤:
步骤S210、利用LIFT(Learned-Invariant-Feature-Transform,学习不变特征变换)深度学习算法提取图像的n个128维的局部特征向量,本实施例中,将其中一个局部特征向量记为D={x1,x2,…,x128},xi为其中的局部特征点,1≤i≤128。
步骤S220、利用主成分分析法对所述n个128维卷积局部特征向量降维得到n个64维的局部特征向量。
本实施例中,先利用主成分分析法对每个128维局部特征向量降维成64维局部特征向量,其具体步骤如下:
步骤S221、局部特征向量中心化:即,令
步骤S222、计算协方差矩阵:令协方差矩阵为Σ,则其中xT为xi的转置矩阵。
步骤S223、特征值分解:对协方差矩阵Σ作特征值分解。
步骤S224、选取特征向量:取最大的前64个特征值作为降维后的特征向量。
在一个优选的实施例中,所述步骤S300具体为:
利用VLAD向量(Vector-of-Locally-Aggregated-Descriptors,局部聚合描述子向量)将n个64维局部特征向量聚合为1个全局K×64维特征向量作为图像描述符,具体步骤如下:
步骤S301、特征表示:对n个64维局部特征向量用矩阵X表示,其中,X是一个n×64的矩阵,表示为
步骤S302、聚类生成词汇向量:生成K个单词,对X用K均值聚类算法聚成K类,类中心即为单词,设其中单个聚类中心表示为μj;
步骤S303、统计每个局部特征与聚类中心的累计残差:
首先计算特征距离最近的聚类中心索引i,计算函数为:i=arg_minj|xt-μj|,进而通过局部特征计算后得到特征向量vi,计算函数为:vi:=vi+xt-μi,其中,t是特征数的索引,j是聚类中心的索引。
步骤S304、生成VLAD向量:将上述得到的所有特征向量进行连接得利用L2范数归一化算法得到最后的VLAD向量V,计算函数为:
为更好的对上述实施例进行说明,在一个实施例中,假设对一幅图像提取的特征数为T个,先遍历一遍特征,分别计算每个特征与聚类中心的累计残差,这样每一个聚类中心可以得到累计后的残差,总共有K个聚类中心,然后将所有求得的聚类中心的向量连接起来得到VLAD向量,可见,得到的VLAD向量是一个K×64的向量。
下面给出实现该实施例的伪代码:
在一个优选的实施例中,所述步骤S400的索引方法为k-D树,具体步骤包括:
计算所述VLAD向量中k个维度的方差,并以所述方差中最大的维度作为划分顶层节点的标准,将所述划分顶层节点的标准标记为r;
将小于该维度标准r的特征放到左子树,将大于该维度标准r的值放到右子树,依次对后续维度数据进行处理,从而得到一棵k-D树。
本实施例中,k-D树是一个二叉树结构,它的每一个结点记载了图像描述子、切分轴、指向左枝的指针和指向右枝的指针。其中,图像描述子就是步骤S300中的K×64的全局VLAD向量(记为x1,x2,…,x128)。切分轴由一个整数r表示,这里1≤r≤n,表示在n维空间中沿第r维进行一次分割,r为所有数据中方差最大的维度。节点的左枝和右枝分别都是k-D树,并且满足:如果y是左枝的一个图像描述子,那么yr≤xr;如果z是右枝的一个图像描述子,那么zr≥xr。给定一个数据集和切分轴r,其中,RK×64表示K×64的空间,通过以下递归算法将构建一个基于该数据集S的k-D树,每一次循环制作一个节点:具体步骤包括:
步骤S410、如果|S|=1,记录数据集S中唯一的一个点为当前节点的图像描述子,并且不设左枝和右枝,其中,|S|为数据集S中元素的数量。
步骤S420、如果|S|>1,执行如下步骤:
步骤S421、将数据集S中所有元素按照第r个坐标的大小进行排序;
步骤S422、选出排序后的中位元素作为当前节点的特征坐标,并且记录切分轴r,如果数据集S中元素总数为偶数,则随机选择两个中位的任一元素作为当前节点的特征坐标;
步骤S423、将SL作为数据集S中所有排列在中位元素之前的元素集合,将SR作为数据集S中所有排列在中位元素后的元素集合;
步骤S424、将当前节点的左枝设为以SL为数据集、并以r为切分轴形成的k-D树;当前节点的右枝设为以SR为数据集、并且r为切分轴形成的k-D树,其中,所述r为在该棵k-D树下的最大方差的维度。
为快速检索出回环,在一个优选的实施例中,所述步骤S500为利用上述建立的k-D树查询到前k个候选回环,作为最相似的k个图像,从而快速检索出回环。
在一个实施例中,设des为根据待检索图像得到的图像描述符,Link为具有k个空位的列表,用于保存已检索到的候选回环。
具体步骤如下:
步骤S501、根据des的坐标值和每个k-D树节点切分向下搜索,本实施例中,将k-D树的节点按xr=a进行切分,当des的r坐标小于a时,则向左枝搜索,反之则向右枝搜索,当达到一个底部节点时,将其标记为已访问,其中,1≤r≤n,a为距离阈值。
步骤S502、判断Link的节点数是否小于k,若是,则将当前节点的特征坐标加入Link,若否,当Link不为空时,将当前节点与des的距离标记为dr,计算Link中与des距离最远的节点作为最远节点,并将该最远节点与des的距离标记为dmax,若dr<dmax,则用当前节点替换掉最远节点,其中,k为节点阈值。
步骤S503、向上一个k-D树节点搜索,并判断该节点是否被访问过,若是,继续执行该步骤,若否,将该节点标记为未访问,并跳转到步骤S502;
步骤S504、计算des和当前节点切分线的距离并标记为p,如果p>dmax,并且Link中已有k个点,则说明在切分线另一边不会有更近的点,继续执行步骤S505;如果p<dmax,或者Link中不足k个点,则说明切分线另一边可能有更近的点,因此在当前节点的另一个枝从步骤S501开始执行。
步骤S505、判断当前节点是否为整棵k-D树的最顶端节点,若否,跳转到步骤S503,若是,输出Link,作为检索到的候选回环。
在一个实施例中,当所述相似度达到设定比例时,则判定回环检测已经发生,从而调整地图的偏移并更新全局地图,所述调整地图的偏移具体通过位姿图优化实现;当相似度低于设定比例时,则判定回环检测没有发生,从而新建关键帧并扩充地图,所述新建关键帧为相似度低于设定比例的关键帧。
本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于移动机器人的SLAM回环检测装置,其特征在于,包括内置SLAM回环检测算法的上位机、图像传感器、激光雷达传感器、控制器和四轮移动机构;
所述内置SLAM回环检测算法的上位机分别与所述图像传感器、激光雷达传感器和控制器连接,所述控制器与所述四轮移动机构连接;
所述四轮移动机构为三层架构,其中底层放置内置SLAM回环检测算法的上位机,中间层放置图像传感器,上层放置激光雷达传感器。
2.根据权利要求1所述的一种基于移动机器人的SLAM回环检测装置,其特征在于,所述图像传感器为微软Kinect-v2,所述激光雷达传感器为思岚RPLIDAR-A2,所述上位机为英伟达Jetson-TX2。
3.一种基于移动机器人的SLAM回环检测方法,用于权利要求2所述的基于移动机器人的SLAM回环检测装置,其特征在于,包括以下步骤:
步骤S100、利用图像传感器获取环境图像;
步骤S200、利用LIFT深度学习算法提取环境图像的卷积局部特征并进行降维;
步骤S300、利用图像描述方法形成图像描述符;
步骤S400、建立k-D树对所述图像描述符进行索引;
步骤S500、利用建立的k-D树检索出前k个候选回环。
4.根据权利要求3所述的一种基于移动机器人的SLAM回环检测方法,其特征在于,所述步骤S200具体包括:
步骤S201、利用LIFT深度学习算法提取图像的n个128维的局部特征向量;
步骤S202、利用主成分分析方法对所述n个128维卷积局部特征向量降维得到n个64维的局部特征向量。
5.根据权利要求3所述的一种基于移动机器人的SLAM回环检测方法,其特征在于,所述步骤S300具体为:利用VLAD向量将n个64维局部特征向量聚合为1个全局K×64维特征向量作为图像描述符,具体步骤如下:
步骤S301、特征表示:对n个64维局部特征向量用矩阵X表示,其中,X是一个n×64的矩阵;
步骤S302、聚类生成词汇向量:生成K个单词,对X用K均值聚类算法聚成K类,类中心即为单词;
步骤S303、统计每个局部特征与聚类中心的累计残差:
首先计算特征距离最近的聚类中心索引,进而通过局部特征计算后得到特征向量;
步骤S304、生成VLAD向量:将上述得到的所有特征向量进行连接,并利用L2范数归一化算法得到K×64维的全局特征向量。
6.根据权利要求5所述的一种基于移动机器人的SLAM回环检测方法,其特征在于,所述步骤S400的索引方法为k-D树,具体步骤包括:
计算所述VLAD向量中k个维度的方差,并以所述方差中最大的维度作为划分顶层节点的标准,将所述划分顶层节点的标准标记为r;
将小于该维度标准r的特征放到左子树,将大于该维度标准r的值放到右子树,依次对后续维度数据进行处理,从而得到一棵k-D树。
7.根据权利要求6所述的一种基于移动机器人的SLAM回环检测方法,其特征在于,所述步骤S500为利用k-D树检索出前k个候选回环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334350.4A CN110146080B (zh) | 2019-04-24 | 2019-04-24 | 一种基于移动机器人的slam回环检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334350.4A CN110146080B (zh) | 2019-04-24 | 2019-04-24 | 一种基于移动机器人的slam回环检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146080A true CN110146080A (zh) | 2019-08-20 |
CN110146080B CN110146080B (zh) | 2024-01-19 |
Family
ID=67594464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910334350.4A Active CN110146080B (zh) | 2019-04-24 | 2019-04-24 | 一种基于移动机器人的slam回环检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146080B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907947A (zh) * | 2019-12-04 | 2020-03-24 | 同济人工智能研究院(苏州)有限公司 | 一种移动机器人slam问题中的实时回环检测方法 |
CN112665575A (zh) * | 2020-11-27 | 2021-04-16 | 重庆大学 | 一种基于移动机器人的slam回环检测方法 |
CN112797976A (zh) * | 2021-01-18 | 2021-05-14 | 上海钛米机器人股份有限公司 | 定位检测方法、装置、计算机设备以及可读存储介质 |
CN113031002A (zh) * | 2021-02-25 | 2021-06-25 | 桂林航天工业学院 | 基于Kinect3和激光雷达的SLAM陪跑小车 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297750A (zh) * | 2008-05-09 | 2008-11-05 | 深圳职业技术学院 | 一种复谱频域光学相干层析成像方法以及*** |
CN106959697A (zh) * | 2017-05-16 | 2017-07-18 | 电子科技大学中山学院 | 一种面向长直廊环境的室内地图自动构建*** |
CN107527058A (zh) * | 2017-07-25 | 2017-12-29 | 北京理工大学 | 一种基于加权局部特征聚合描述符的图像检索方法 |
CN108108764A (zh) * | 2017-12-26 | 2018-06-01 | 东南大学 | 一种基于随机森林的视觉slam回环检测方法 |
CN108596974A (zh) * | 2018-04-04 | 2018-09-28 | 清华大学 | 动态场景机器人定位建图***及方法 |
CN109443382A (zh) * | 2018-10-22 | 2019-03-08 | 北京工业大学 | 基于特征提取与降维神经网络的视觉slam闭环检测方法 |
CN109583457A (zh) * | 2018-12-03 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种机器人定位与地图构建的方法及机器人 |
-
2019
- 2019-04-24 CN CN201910334350.4A patent/CN110146080B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297750A (zh) * | 2008-05-09 | 2008-11-05 | 深圳职业技术学院 | 一种复谱频域光学相干层析成像方法以及*** |
CN106959697A (zh) * | 2017-05-16 | 2017-07-18 | 电子科技大学中山学院 | 一种面向长直廊环境的室内地图自动构建*** |
CN107527058A (zh) * | 2017-07-25 | 2017-12-29 | 北京理工大学 | 一种基于加权局部特征聚合描述符的图像检索方法 |
CN108108764A (zh) * | 2017-12-26 | 2018-06-01 | 东南大学 | 一种基于随机森林的视觉slam回环检测方法 |
CN108596974A (zh) * | 2018-04-04 | 2018-09-28 | 清华大学 | 动态场景机器人定位建图***及方法 |
CN109443382A (zh) * | 2018-10-22 | 2019-03-08 | 北京工业大学 | 基于特征提取与降维神经网络的视觉slam闭环检测方法 |
CN109583457A (zh) * | 2018-12-03 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种机器人定位与地图构建的方法及机器人 |
Non-Patent Citations (1)
Title |
---|
余杰等: "基于ORB关键帧闭环检测算法的SLAM方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 05, pages 138 - 890 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907947A (zh) * | 2019-12-04 | 2020-03-24 | 同济人工智能研究院(苏州)有限公司 | 一种移动机器人slam问题中的实时回环检测方法 |
CN112665575A (zh) * | 2020-11-27 | 2021-04-16 | 重庆大学 | 一种基于移动机器人的slam回环检测方法 |
CN112665575B (zh) * | 2020-11-27 | 2023-12-29 | 重庆大学 | 一种基于移动机器人的slam回环检测方法 |
CN112797976A (zh) * | 2021-01-18 | 2021-05-14 | 上海钛米机器人股份有限公司 | 定位检测方法、装置、计算机设备以及可读存储介质 |
CN113031002A (zh) * | 2021-02-25 | 2021-06-25 | 桂林航天工业学院 | 基于Kinect3和激光雷达的SLAM陪跑小车 |
CN113031002B (zh) * | 2021-02-25 | 2023-10-24 | 桂林航天工业学院 | 基于Kinect3和激光雷达的SLAM陪跑小车 |
Also Published As
Publication number | Publication date |
---|---|
CN110146080B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146080A (zh) | 一种基于移动机器人的slam回环检测方法及装置 | |
Yao et al. | Application of convolutional neural network in classification of high resolution agricultural remote sensing images | |
CN110827398B (zh) | 基于深度神经网络的室内三维点云自动语义分割方法 | |
WO2021022521A1 (zh) | 数据处理的方法、训练神经网络模型的方法及设备 | |
CN103712617B (zh) | 一种基于视觉内容的多层语义地图的创建方法 | |
Mei et al. | Closing loops without places | |
CN103246884B (zh) | 基于深度图像序列的实时人体动作识别方法及装置 | |
CN105243139A (zh) | 一种基于深度学习的三维模型检索方法及其检索装置 | |
Jebari et al. | Multi-sensor semantic mapping and exploration of indoor environments | |
CN109993748A (zh) | 一种基于点云处理网络的三维网格物体分割方法 | |
CN109000655B (zh) | 机器人仿生室内定位导航方法 | |
CN104966081B (zh) | 书脊图像识别方法 | |
CN109934183A (zh) | 图像处理方法及装置、检测设备及存储介质 | |
CN206434286U (zh) | 组合式智能扫地机器人 | |
CN107563366A (zh) | 一种定位方法及装置、电子设备 | |
CN112396036A (zh) | 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法 | |
CN114219963A (zh) | 地学知识引导的多尺度胶囊网络遥感地物分类方法及*** | |
Qin et al. | A new improved convolutional neural network flower image recognition model | |
CN114689038A (zh) | 基于机器视觉的果实检测定位与果园地图构建方法 | |
KR102449031B1 (ko) | 딥러닝을 이용한 실내 위치 측위 방법 | |
CN114764870A (zh) | 对象定位模型处理、对象定位方法、装置及计算机设备 | |
CN113971801A (zh) | 一种基于四类多模态数据融合的目标多维度检测方法 | |
CN111104523A (zh) | 基于语音辅助的视听协同学习机器人及学习方法 | |
CN114397894A (zh) | 一种模仿人类记忆的移动机器人目标搜索方法 | |
CN117893413B (zh) | 基于图像增强的车载终端人机交互方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |