一种基于宽度学习的智能移动机器人导航方法技术

本发明专利技术公开了一种基于宽度学习的智能移动机器人导航方法，提出通过宽度学习框架，对图像进行聚类问题的阐述，以此来解决智能移动机器人导航中回环检测的问题；再提出通过距离矩阵特征值的方法，对图像空间关系的描述，进一步对回环检测进行检验。本发明专利技术与现有技术相比，使用宽度学习进行离线的训练，使得整个回环检测的稳定性以及准确性得到提高，以此来提高智能移动机器人导航的高效性和准确性；另外，在回环检测中加入位置化特性，通过计算距离矩阵以及其特征值，用来对图像空间关系进行描述，从而进一步对回环检测进行检验。本发明专利技术中的这两大特征使得整个系统的准确性得到显著的提高。

【技术实现步骤摘要】
一种基于宽度学习的智能移动机器人导航方法
本专利技术涉及神经网络及视觉SLAM领域，更具体地，涉及一种基于宽度学习的智能移动机器人导航方法
技术介绍
智能移动机器人导航中SLAM的运用越来越广泛，SLAM是SimultaneousLocalizationandMappong的缩写，中文译作“同时定位与地图构建”。它指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。如果这里的传感器主要为相机，那就称为“视觉SLAM”。SLAM最早于1988年提出，最开始的时候用于描述机器人在未知环境的未知地点中同步的进行地图构建和自身定位。机器人通过传感器获取的环境数据对位置环境进行地图的建立，然后根据在运动中观测到的环境特征与地图中的特征进行匹配从而进行自身的定位以及地图的建立。在经典视觉SLAM框架中，主要由传感器数据、视觉里程计、后端优化、回环检测、最终建图，这些方面主城。其中回环检测方面，现在通常是采用BOW(Bag-of-Words)的方法，这个方法的目的是用“图像上有哪几种特征”来描述一副图像。例如，某张图片中有一个人、一辆车；而另外一张图本文档来自技高网...

【技术保护点】
1.一种基于宽度学习的智能移动机器人导航方法，其特征在于，包括以下步骤：S1：提出通过宽度学习框架，对图像进行聚类问题的阐述，以此来解决智能移动机器人导航中回环检测的问题；S2：提出通过距离矩阵特征值的方法，对图像空间关系的描述，进一步对回环检测进行检验。

【技术特征摘要】
1.一种基于宽度学习的智能移动机器人导航方法，其特征在于，包括以下步骤：S1：提出通过宽度学习框架，对图像进行聚类问题的阐述，以此来解决智能移动机器人导航中回环检测的问题；S2：提出通过距离矩阵特征值的方法，对图像空间关系的描述，进一步对回环检测进行检验。2.根据权利要求1所述的一种基于宽度学习的智能移动机器人导航方法，其特征在于，步骤S1包括以下步骤：S1.1：使用RGB-D摄像头获取RGB信息以及深度的信息，将采集到的数据集的样本分成多个同等份的小数据集，把这些小数据集称为包；此分组为随机平分，所述包的数量是固定的且根据数据集的总数决定；S1.2：分组完成后，对每个包贴上相应的聚类标签，以作为每个聚类的区分和识别；S1.3：将数据信息整理成向量的形式，把此向量看作X，并作为输入放入宽度学习的输入层；同时在数据进入宽度学习系统前，对每个包的数据分别计算均值，作为相应的聚类分组的聚类中心；S1.4：在步骤S1.3中得到的向量X作为输入，进入宽度学习系统，首先通过映射获得n组特征节点，其中每组特征节点含有p个节点，所述n组映射每组映射的激励函数不同，再利用稀疏自编码器训练更新特征映射过程的权值和阈值；此步的映射方程为R＝φi(X*wRi+βRi)其中wRi为输入到特征节点之间的权重，βRi为给定的阈值；S1.5：通过步骤S1.4中得到的特征节点，映射出m个增量节点H，映射方程为其中wHi为特征节点到增量节点之间的权重，βHi为给定的阈值；S1.6：通过得到的特征节点以及增量节点，使用超限学习(ELM)的方法获得输出Y，其中特征节点以及增量节点这层到输出层的权值定义为W...

【专利技术属性】
技术研发人员：赖瑨，林佳泰，刘君和，章云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44