CN115240068A - Slam过程中的闭环检测方法、装置、设备及存储介质 - Google Patents

Slam过程中的闭环检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115240068A
CN115240068A CN202210846788.2A CN202210846788A CN115240068A CN 115240068 A CN115240068 A CN 115240068A CN 202210846788 A CN202210846788 A CN 202210846788A CN 115240068 A CN115240068 A CN 115240068A
Authority
CN
China
Prior art keywords
environment
image
similarity
images
loop detection
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.)
Pending
Application number
CN202210846788.2A
Other languages
English (en)
Inventor
李勇
谢榕昌
王文洪
蔡振华
袁建文
潘维
郭约法
温建
张熙
刘国兵
钟启濠
尹创荣
黄宝莹
黄贺平
卢润华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202210846788.2A priority Critical patent/CN115240068A/zh
Publication of CN115240068A publication Critical patent/CN115240068A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种SLAM过程中的闭环检测方法、装置、设备及存储介质。所述方法包括：获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像；将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量；计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵；根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。通过采用上述技术方案，能够实现精准、快速的对SLAM过程中的运动轨迹进行闭环检测。

Description

SLAM过程中的闭环检测方法、装置、设备及存储介质
技术领域
本发明涉及图像检测技术领域，尤其涉及一种SLAM过程中的闭环检测方法、装置、设备及存储介质。
背景技术
SLAM(Simultaneous Localization And Mapping，即时定位与地图构建)可以解决移动机器人在未知环境中运行时定位导航与地图构建的问题，然而随着移动机器人的运动，SLAM过程中会存在积累误差，通过闭环检测并对闭环进行优化可有效消除误差。
现有的基于外观的闭环检测常采用如下方法：从图像帧中提取特征点并将其转化为描述符，将描述符按顺序存储到数据库中，通过比较当前描述符和数据库来判断闭环的位置。
但现有的基于外观的闭环检测方法对环境光线和场景的变化敏感，无法准确提取闭环，且提取特征点速度较慢，闭环检测需要时间较长。
发明内容
本发明提供了一种SLAM过程中的闭环检测方法、装置、设备及存储介质，能够实现精准、快速的对SLAM过程中的运动轨迹进行闭环检测。
根据本发明的一方面，提供了一种SLAM过程中的闭环检测方法，包括：
获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像；
将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量；
计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵；
根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。
根据本发明的另一方面，提供了一种SLAM过程中的闭环检测装置，包括：
二值边缘图像获取模块，用于获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像；
环境特征描述向量获取模块，用于将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量；
相似矩阵获取模块，用于计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵；
闭环检测模块，用于根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的SLAM过程中的闭环检测方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的SLAM过程中的闭环检测方法。
本发明实施例的技术方案，通过生成与机器人实时捕捉的多张环境图像对应的二值边缘图像，并获取与二值边缘图像分别对应的环境特征描述向量，计算两两环境特征描述向量间的相似度，生成相似矩阵，根据相似矩阵进行闭环检测的方式，能够实现精准、快速的对机器人SLAM过程中的运动轨迹进行闭环检测。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种SLAM过程中的闭环检测方法的流程图；
图2是根据本发明实施例二提供的一种SLAM过程中的闭环检测方法的流程图；
图3是根据本发明实施例三提供的一种SLAM过程中的闭环检测装置的结构示意图；
图4是实现本发明实施例的SLAM过程中的闭环检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种SLAM过程中的闭环检测方法的流程图，本实施例可适用于机器人在SLAM过程中进行闭环检测的情况，该方法可以由SLAM过程中的闭环检测装置来执行，该SLAM过程中的闭环检测装置可以采用硬件和/或软件的形式实现，并一般可以集成在执行上述SLAM过程的机器人中，例如，无人机。如图1所示，该方法包括：
S110、获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像。
其中，该环境图像可以理解为机器人在SLAM过程中通过摄像头，或者点云采集设备实时采集得到的，用于描述该机器人周围环境的图像。该环境图像一般为彩色图像。二值边缘图像，可以理解为使用二值化(例如，黑色像素点和白色像素点)像素点表示的，用于描述环境图像中的各检测对象(例如，树木、汽车、建筑物等)的边缘所在位置的图像。
在本实施例的一个可选的实施方式中，可以利用图像中不同区域间的灰度突变性，确定区域的边缘位置。
相应的，生成与各所述环境图像分别对应的二值边缘图像，具体可以包括：将当前处理的环境图像转换为灰度图像；对所述灰度图像进行边缘检测，识别所述灰度图像中包括的各边缘点；根据所述边缘点，生成与所述目标环境图像对应的二值边缘图像。
在可选实施方式中，以一张环境图像为例，介绍生成二值边缘图像的一种实现方式。
具体的，所述机器人在SLAM过程中实时捕捉的多张环境图像可以为RGB(红绿蓝)图像；所述当前处理的环境图像可以是尺寸为256*256的RGB图像，由所述机器人在SLAM过程中实时捕捉的环境图像经尺寸调整后得到。
为了获取该当前处理的环境图像中的灰度突变区域，所以在此处首先将机器人捕捉的RGB图像转换为灰度图像。
在一个具体的实施方式中，可以采用Sobel滤波器所述对灰度图像进行边缘检测，所述Sobel滤波器可以通过在图像水平方向和垂直方向上做像素值(也即，灰度图像的灰度值)的差分，得到图像梯度的近似值，从而确定边缘线条的潜在区域。
进一步的，在获取到所述灰度图像的梯度的近似值后，设定合适的阈值，将梯度大于阈值的点划分为图像边缘，且灰度值设置为1，将梯度小于阈值的点的灰度值设置为0，进而生成二值边缘图像，在所述二值边缘图像中，边缘部分显示为白色，其余部分显示为黑色。
S120、将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量。
所述环境特征描述向量可以理解为对二值边缘图像的主要特征进行提取后，进行的可量化的数据化的表达，也即，将一个二值边缘图像转换为一个用于描述图像中主要图像特征的向量。
其中，将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量，具体可以包括：
将当前处理的环境图像输入至所述目标变分自动编码器的编码器中；
其中，所述编码器包括：依次相连的卷积处理网络、降采样网络、压平网络以及参数重构网络；
获取所述编码器中的压平网络针对所述当前处理的环境图像输出的一维张量，作为与所述当前处理的环境图像对应的环境特征描述向量。
其中，所述编码器的卷积处理网络可以包括多个卷积层，进而可以按照从低维向高维的方式，逐层提取所输入的环境图像中的图像特征，例如，可以提取得到多通道的特征图。之后，可以通过降采样网络对该多通道的特征图进行降采样处理，以缩减一些无效的数据，减少计算量，其中，该降采样网络可以为一个1*1的卷积层。最后，可以将降采样后的多通道特征图输入至压平网络(也可以称为flatten层或者展平层)，得到一个一维张量作为环境特征描述向量。
在一个具体的例子中，卷积处理网络输出一个64通道的8*8的特征图，上述特征图进行降采样处理后，可以得到一个16通道的8*8的特征图，通过将上述特征图进行压平处理，可以得到一个16*8*8＝1024维度的特征向量。
变分自动编码器的工作原理可简单理解为：输入的图像经过编码器，编码器首先产生一个一维张量(也即，环境特征描述向量)用于对输入图像的特征进行紧凑表达，基于该一维张量进行全连接处理，编码器可以最终产生两个输出，即第一概率分布函数和第二概率分布函数，根据第一概率分布函数、第二概率分布函数以及两个函数之间的权重获得一个随机变量，并将该随机变量输入到译码器，再通过译码器得到最终的重构输出图像。
可以理解的是，当该变分自动编码器满足预设的模型精度后，输入图像与重构得到的输出图像应该非常接近，进而，可以说明该编码器输出的环境特征描述向量可以准确描述出输入图像的典型特征，进而，可以用该环境特征描述向量代替该输入图像进行图像间的相似度计算。
在一个具体的实施方式中，将当前处理的环境图像输入至预先训练的目标变分自动编码器的编码器中，目标变分自动编码器可以选择基于SegNet网络的卷积自动编码器，通过目标变分自动编码器的编码器对环境图像的特征提取和压缩，最终获得具有环境图像的典型特征的一维张量，作为与当前处理的环境图像对应的环境特征描述向量。
这样设置的好处在于：通过使用目标变分自动编码器的编码器，对各二值边缘图像进行压缩紧凑处理，获得各二值边缘图像的典型向量表示的方式，可以将现有技术直接比对环境图像之间的相似度进行闭环检测方式，替换为计算两两环境图像之间的环境特征描述向量的向量相似度的方式，大大简化的计算复杂度以及计算耗时。
S130、计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵。
其中，计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，具体可以包括：
按照所述多张环境图像的拍摄顺序对各所述环境图像进行编号，并根据环境图像的总数量，构建原始矩阵；
计算两两所述环境特征描述向量之间的向量相似度，并各向量相似度对应填充于所述原始矩阵中，形成所述相似矩阵；
其中，所述相似矩阵中的矩阵元素Aij代表第i张环境图像，与第j张环境图像之间的向量相似度。
在一个具体的例子中，假设在一次计算过程中，使用的环境图像的数量为100，则可以构造一个100阶的原始矩阵，也即，100行100列的矩阵，该矩阵中包含有100*100个矩阵元素。之后，在计算得这100张环境图像中两两环境图像之间的向量相似度之后，将各向量相似度填充至该原始矩阵中，形成所述相似矩阵。在一个具体的例子中，第一行第100列的矩阵元素A1,100，代表第1张环境图像和第100张环境图像之间的向量相似度。
可选的，在本发明的实施例中可以使用欧氏距离计算两两所述环境特征描述向量之间的距离，将其缩放到[0,1]之间，并通过对距离进行反比计算，得到两两所述环境特征描述向量之间的向量相似度。两两所述环境特征描述向量之间的距离越远，则向量相似度越低。
在一个具体的应用场景中，两两环境特征描述向量之间的向量相似度代表两张环境照片之间的相似度，向量相似度越高，则代表两张环境照片拍摄位置越接近。
S140、根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。
在本实施例中，闭环检测即是指检测机器人在哪一个具体时刻，重新移动到了之前所走过的历史路径中。可以理解的是，当机器人在后续采集的环境图像与历史采集的环境图像高度相似时，可以确定该机器人重新移动到了之前经过的环境中。进而，可以基于该相似矩阵进行上述闭环检测。
可选的，根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测，具体可以包括：
在所述相似矩阵中，将不满足闭环检测的矩阵元素进行置零处理；
基于Smith-Waterman算法，在所述相似矩阵中进行动态规划，形成最高响应的闭环序列。
在本实施例中，考虑到机器人进行图像采集的速度一般会高于机器人的移动速度的，进而可能会出现，该机器人在一个连续的时间区间内所采集的多张环境图像之间的向量相似度都很高，为了避免上述向量相似度对最终进行闭环检测的影响，需要首先将相似矩阵中不满足闭环检测的矩阵元素进行置零处理。
其中，不满足闭环检测的矩阵元素可以理解为两两环境图像的编号比较接近的矩阵元素，例如，相差10帧。
在一个具体的例子中，可以按行以及按列分别对相似矩阵进行处理。针对上述100*100个矩阵元素，第一行矩阵元素，具体是指第一张环境图像与这100张环境图像之间的向量相似度。进而，可以将上述A1,1到A1,10，这11个矩阵元素均做置0处理。
在一个具体的实施方式中，基于Smith-Waterman算法，在所述相似矩阵中进行动态规划，形成最高响应的闭环序列可理解为：在相似矩阵中，利用Smith-Waterman算法寻找到向量相似度最高的矩阵元素，并根据该矩阵元素向前逐个寻找相似度次高的矩阵元素，直至向前寻找的所有矩阵元素的向量相似度都满足合理相似度阈值条件，则停止寻找。对已经寻找到的向量相似度在合理相似度之上的矩阵元素进行规划，保留相似度数值与图像位置均相对合理的矩阵元素，形成最高响应的闭环序列。所述最高响应的闭环序列可看作发生了环路闭合后机器人捕捉到的一系列连续图像，即机器人的运动轨迹发生了闭环。
本发明实施例的技术方案，通过生成与机器人实时捕捉的多张环境图像对应的二值边缘图像，并获取与二值边缘图像分别对应的环境特征描述向量，计算两两环境特征描述向量间的相似度，生成相似矩阵，根据相似矩阵进行闭环检测的方式，能够实现精准、快速的对机器人SLAM过程中的运动轨迹进行闭环检测。
实施例二
图2为本发明实施例二提供的一种SLAM过程中的闭环检测方法的流程图，本实施例在上述实施例的基础上，进一步具体化了目标变分自动编码器的训练过程。如图2所示，该方法包括：
S210、获取多个标准二值边缘图像。
S220、在各所述标准二值边缘图像中分别加入设定的图像噪声，形成所述训练样本集。
这样设置的好处在于：采用添加噪声的二值边缘图像训练原始变分自动编码器，能够使训练后的目标变分自动编码器具有更强的鲁棒性。
S230、获取待训练的原始变分自动编码器。
其中，所述原始变分自动编码器包括编码器以及译码器，所述编码器的参数重构网络与所述译码器相连。
在本实施例的一个可选的实施方式中，可以选择了基于SegNet网络实现卷积自动编码器，SegNet的编码器部分由13个卷积层组成，滤波器大小为3*3,padding(填充)为1,stride(采样间隔)为1。因此，每个卷积层输出的图像高度和宽度与其输入图像相似。它还包含5个2*2的最大池化层，每个层负责将图像缩小一半。此外，在每次卷积层后应用批量归一化，并使用ELU(Exponential Linear Units，指数线性单元)函数激活。
对于解码器部分，使用unpooling(非池化)处理来上采样图像，其中池化索引是从编码器获得的。SegNet解码器由同样的13个卷积层组成，只是位置相反。这是SegNet的独特之处，因为大多数其他卷积自动编码器在解码器中使用转置卷积。这里的基本原理是，使用unpooling而未使用池化处理后，图像变得非常稀疏，而添加卷积层将允许它使特征地图更密集。最后，对输出应用softmax激活。
S240、使用训练样本集对所述原始变分自动编码器进行训练，得到所述目标变分自动编码器。
其中，所述原始变分自动编码器的损失函数包括：所述参数重构网络生成的第一概率分布函数和第二概率分布函数之间的KL散度，以及输入至所述原始变分自动编码器的训练样本和所述译码器输出的重构样本输出之间的二值交叉熵。
通过对原始变分自动编码器进行训练的方式，能够对生成随机变量的过程中所使用的第一概率分布函数和第二概率分布函数之间的权重进行优化，进而使得最终的重构输出数据更接近输入的原始数据。
具体的训练方式可简单理解为：在原始变分自动编码器对各训练样本的训练过程中，利用当前样本训练过程中的KL散度与二值交叉熵计算得到当前损失函数，并采用梯度下降法对损失进行优化，调节第一概率分布函数和第二概率分布函数之间的权重，再利用当前权重进行下一个样本的训练，直至译码器得到的重构输出数据与编码器的输入数据间的差在期望范围内，则停止训练，并获取最终的第一概率分布函数和第二概率分布函数之间的权重，得到目标变分自动编码器。
S250、获取机器人在SLAM过程中实时捕捉的多张环境图像。
S260、将当前处理的环境图像转换为灰度图像，对所述灰度图像进行边缘检测，识别所述灰度图像中包括的各边缘点，根据所述边缘点，生成与所述目标环境图像对应的二值边缘图像。
S270、将当前处理的环境图像输入至所述目标变分自动编码器的编码器中。
S280、获取所述编码器中的压平网络针对所述当前处理的环境图像输出的一维张量，作为与所述当前处理的环境图像对应的环境特征描述向量。
S290、按照所述多张环境图像的拍摄顺序对各所述环境图像进行编号，并根据环境图像的总数量，构建原始矩阵。
S2100、计算两两所述环境特征描述向量之间的向量相似度，并各向量相似度对应填充于所述原始矩阵中，形成所述相似矩阵。
S2110、在所述相似矩阵中，将不满足闭环检测的矩阵元素进行置零处理。
S2120、基于Smith-Waterman算法，在所述相似矩阵中进行动态规划，形成最高响应的闭环序列。
本发明实施例的技术方案，通过利用添加噪声的二值边缘图像作为训练原始自动变分编码器的训练样本集，能够使生成的目标变分自动编码器具有较好的鲁棒性，进而经目标变分自动编码器输出的环境特征描述向量能够包含更完整的环境图像的典型特征。
实施例三
图3为本发明实施例三提供的一种SLAM过程中的闭环检测装置的结构示意图。如图3所示，该装置包括：二值边缘图像获取模块310、环境特征描述向量获取模块320、相似矩阵获取模块330和闭环检测模块340，其中：
二值边缘图像获取模块310，用于获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像；
环境特征描述向量获取模块320，用于将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量；
相似矩阵获取模块330，用于计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵；
闭环检测模块340，用于根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。
本发明实施例的技术方案，通过生成与机器人实时捕捉的多张环境图像对应的二值边缘图像，并获取与二值边缘图像分别对应的环境特征描述向量，计算两两环境特征描述向量间的相似度，生成相似矩阵，根据相似矩阵进行闭环检测的方式，能够实现精准、快速的对机器人SLAM过程中的运动轨迹进行闭环检测。
在上述各实施例的基础上，二值边缘图像获取模块310，可以具体用于：
将当前处理的环境图像转换为灰度图像；
对所述灰度图像进行边缘检测，识别所述灰度图像中包括的各边缘点；
根据所述边缘点，生成与所述目标环境图像对应的二值边缘图像。
在上述各实施例的基础上，环境特征描述向量获取模块320，可以具体用于：
将当前处理的环境图像输入至所述目标变分自动编码器的编码器中；
其中，所述编码器包括：依次相连的卷积处理网络、降采样网络、压平网络以及参数重构网络；
获取所述编码器中的压平网络针对所述当前处理的环境图像输出的一维张量，作为与所述当前处理的环境图像对应的环境特征描述向量。
在上述各实施例的基础上，相似矩阵获取模块330，可以具体用于：
按照所述多张环境图像的拍摄顺序对各所述环境图像进行编号，并根据环境图像的总数量，构建原始矩阵；
计算两两所述环境特征描述向量之间的向量相似度，并各向量相似度对应填充于所述原始矩阵中，形成所述相似矩阵；
其中，所述相似矩阵中的矩阵元素Aij代表第i张环境图像，与第j张环境图像之间的向量相似度。
在上述各实施例的基础上，闭环检测模块340，可以具体用于：
在所述相似矩阵中，将不满足闭环检测的矩阵元素进行置零处理；
基于Smith-Waterman算法，在所述相似矩阵中进行动态规划，形成最高响应的闭环序列。
在上述各实施例的基础上，还可以包括：目标变分自动编码器获取模块，用于在获取机器人在SLAM过程中实时捕捉的多张环境图像之前，获取待训练的原始变分自动编码器；
其中，所述原始变分自动编码器包括编码器以及译码器，所述编码器的参数重构网络与所述译码器相连；
使用训练样本集对所述原始变分自动编码器进行训练，得到所述目标变分自动编码器；
其中，所述原始变分自动编码器的损失函数包括：所述参数重构网络生成的第一概率分布函数和第二概率分布函数之间的KL散度，以及输入至所述原始变分自动编码器的训练样本和所述译码器输出的重构样本输出之间的二值交叉熵。
在上述各实施例的基础上，还可以包括：训练样本集生成单元，用于在使用训练样本集对所述原始变分自动编码器进行训练之前，获取多个标准二值边缘图像；在各所述标准二值边缘图像中分别加入设定的图像噪声，形成所述训练样本集。
本发明实施例所提供的SLAM过程中的闭环检测装置可执行本发明任意实施例所提供的SLAM过程中的闭环检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如SLAM过程中的闭环检测方法。也即：
获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像；
将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量；
计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵；
根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。
在一些实施例中，SLAM过程中的闭环检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器11执行时，可以执行上文描述的SLAM过程中的闭环检测方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行SLAM过程中的闭环检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种即时定位与建图SLAM过程中的闭环检测方法，其特征在于，包括：
获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像；
将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量；
计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵；
根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。
2.根据权利要求1所述的方法，其特征在于，生成与各所述环境图像分别对应的二值边缘图像，包括：
将当前处理的环境图像转换为灰度图像；
对所述灰度图像进行边缘检测，识别所述灰度图像中包括的各边缘点；
根据所述边缘点，生成与所述目标环境图像对应的二值边缘图像。
3.根据权利要求1所述的方法，其特征在于，将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量，包括：
将当前处理的环境图像输入至所述目标变分自动编码器的编码器中；
其中，所述编码器包括：依次相连的卷积处理网络、降采样网络、压平网络以及参数重构网络；
获取所述编码器中的压平网络针对所述当前处理的环境图像输出的一维张量，作为与所述当前处理的环境图像对应的环境特征描述向量。
4.根据权利要求3所述的方法，其特征在于，在获取机器人在SLAM过程中实时捕捉的多张环境图像之前，还包括：
获取待训练的原始变分自动编码器；
其中，所述原始变分自动编码器包括编码器以及译码器，所述编码器的参数重构网络与所述译码器相连；
使用训练样本集对所述原始变分自动编码器进行训练，得到所述目标变分自动编码器；
其中，所述原始变分自动编码器的损失函数包括：所述参数重构网络生成的第一概率分布函数和第二概率分布函数之间的KL散度，以及输入至所述原始变分自动编码器的训练样本和所述译码器输出的重构样本输出之间的二值交叉熵。
5.根据权利要求4所述的方法，其特征在于，在使用训练样本集对所述原始变分自动编码器进行训练之前，还包括：
获取多个标准二值边缘图像；
在各所述标准二值边缘图像中分别加入设定的图像噪声，形成所述训练样本集。
6.根据权利要求1-5任一项所述的方法，其特征在于，计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵，包括：
按照所述多张环境图像的拍摄顺序对各所述环境图像进行编号，并根据环境图像的总数量，构建原始矩阵；
计算两两所述环境特征描述向量之间的向量相似度，并各向量相似度对应填充于所述原始矩阵中，形成所述相似矩阵；
其中，所述相似矩阵中的矩阵元素Aij代表第i张环境图像，与第j张环境图像之间的向量相似度。
7.根据权利要求1-5任一项所述的方法，其特征在于，根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测，包括：
在所述相似矩阵中，将不满足闭环检测的矩阵元素进行置零处理；
基于Smith-Waterman算法，在所述相似矩阵中进行动态规划，形成最高响应的闭环序列。
8.一种SLAM过程中的闭环检测装置，其特征在于，包括：
二值边缘图像获取模块，用于获取机器人在SLAM过程中实时捕捉的多张环境图像，并生成与各所述环境图像分别对应的二值边缘图像；
环境特征描述向量获取模块，用于将各所述二值边缘图像分别输入至预先训练的目标变分自动编码器中进行压缩紧凑处理，获取与各所述二值边缘图像分别对应的环境特征描述向量；
相似矩阵获取模块，用于计算两两所述环境特征描述向量之间的向量相似度，并根据相似度计算结果，得到相似矩阵；
闭环检测模块，用于根据所述相似矩阵，对所述机器人在SLAM过程中的运动轨迹进行闭环检测。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的SLAM过程中的闭环检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的SLAM过程中的闭环检测方法。
CN202210846788.2A 2022-07-06 2022-07-06 Slam过程中的闭环检测方法、装置、设备及存储介质 Pending CN115240068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210846788.2A CN115240068A (zh) 2022-07-06 2022-07-06 Slam过程中的闭环检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210846788.2A CN115240068A (zh) 2022-07-06 2022-07-06 Slam过程中的闭环检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115240068A true CN115240068A (zh) 2022-10-25

Family

ID=83674245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210846788.2A Pending CN115240068A (zh) 2022-07-06 2022-07-06 Slam过程中的闭环检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115240068A (zh)

Similar Documents

Publication Publication Date Title
CN111126472B (zh) 一种基于ssd改进的目标检测方法
WO2020238560A1 (zh) 视频目标跟踪方法、装置、计算机设备及存储介质
CN113657390A (zh) 文本检测模型的训练方法和检测文本方法、装置和设备
WO2022227770A1 (zh) 目标对象检测模型的训练方法、目标对象检测方法和设备
CN113674421B (zh) 3d目标检测方法、模型训练方法、相关装置及电子设备
CN110610210B (zh) 一种多目标检测方法
CN113469025B (zh) 应用于车路协同的目标检测方法、装置、路侧设备和车辆
CN107506792B (zh) 一种半监督的显著对象检测方法
CN112528858A (zh) 人体姿态估计模型的训练方法、装置、设备、介质及产品
CN113436220B (zh) 一种基于深度图分割的图像背景估计方法
CN106023249A (zh) 一种基于局部二值相似性模式的运动目标检测方法
CN111444923A (zh) 自然场景下图像语义分割方法和装置
CN116977674A (zh) 图像匹配方法、相关设备、存储介质及程序产品
CN113139540B (zh) 背板检测方法及设备
CN114708615A (zh) 基于图像增强的低照度环境下人体检测方法、电子设备及储存介质
CN113822871A (zh) 基于动态检测头的目标检测方法、装置、存储介质及设备
CN113936034A (zh) 一种结合帧间光流的表观运动联合弱小运动目标检测方法
CN116912645A (zh) 融合纹理和几何特征的三维目标检测方法及装置
CN116740375A (zh) 一种图像特征提取方法、系统及介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN115240068A (zh) Slam过程中的闭环检测方法、装置、设备及存储介质
CN112084874A (zh) 一种物体检测方法、装置及终端设备
CN117372261B (zh) 基于卷积神经网络的分辨率重建方法、装置、设备及介质
CN115953722B (zh) 一种用于视频分类任务的处理方法、装置
CN113343979B (zh) 用于训练模型的方法、装置、设备、介质和程序产品

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