移动机器人同步定位与地图构建系统的字典优化方法技术方案

本发明专利技术公开了一种移动机器人同步定位与地图构建系统的字典优化方法，包括更改字典格式和训练小规模字典，其特征在于：所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式。所述训练小规模字典：首先提取ORB特征点，再对所有特征做K‑means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建。本发明专利技术通过更改字典格式和训练小规模字典，能加快移动机器人系统启动速度，并在轻量化系统的基础上保持性能不损失。

Dictionary optimization method for mobile robot synchronous positioning and map building system

The invention discloses a dictionary optimization method for mobile robot synchronous positioning and map building system, which includes changing dictionary format and training small-scale dictionary. Its characteristics are as follows: the dictionary format is changed: firstly, the Text dictionary is read to restore the original data type, and then the function is re-saved to binary format. The training small-scale dictionary: first extract ORB feature points, then do K means++ clustering for all features. When the number of clustering layers of dictionary tree reaches the requirement, create leaf nodes and set weights to complete the dictionary construction. By changing the dictionary format and training the small-scale dictionary, the invention can speed up the start-up speed of the mobile robot system and maintain the performance without loss on the basis of the lightweight system.

【技术实现步骤摘要】
移动机器人同步定位与地图构建系统的字典优化方法
本专利技术涉及移动机器人领域，具体涉及一种移动机器人同步定位与地图构建系统的字典优化方法。
技术介绍
随着机械、信息、材料、控制、医学等领域的技术进步，家庭服务机器人同步定位与地图构建(SimultaneousLocalizationandMapping，简称SLAM)技术帮助机器人在未知环境下进行实时定位并构建环境地图，是移动机器人实现自主定位与导航的基础。视觉SLAM在过去十几年逐渐兴起且发展迅速，根据视觉传感器的种类不同，视觉SLAM根据传感器的不同主要分为单目、双目和RGB-DSLAM三类。Mur-Artal等人在2015年提出ORB-SLAM算法，作者基于PTAM框架，改进了大部分组件，使用ORB特征代替FAST特征，增加闭环线程消除累计误差，实现更加精确的定位和地图构建，但ORB-SLAM没有解决单目SLAM的尺度模糊以及纯旋转问题，所构建的地图仅包含稀疏地图点，利用价值低。ORB-SLAM2在2017由RMur-Artal等人提出，是ORB-SLAM的改进版本，在单目的基础上，增加了对双目和RGB-D相机的支持，是完整的视觉SLAM方案。ORB-SLAM2的系统框架，主要包含三个并行线程:跟踪(Tracking)、局部建图(LocalMapping)、闭环(LoopClosing)。现有技术中，ORB-SLAM2提供了一个基于ORB特征的大规模数据训练的字典，并且为了便于系统直接读取字典，增加了Text格式字典的存储方法，但Text文件的读取过程中需要转换数据类型和换行符，当数据规模较大时，读取工作将非常耗时，这导致在机器人平台上应用时启动速度较慢。此外，ORB-SLAM2提供的字典是基于庞大的数据库训练得来，这虽然帮助了系统在不同环境下能够保持良好的精度和鲁棒性，但对于应用在特定环境下的机器人来说，大规模字典无法完全发挥作用，无效数据过多。
技术实现思路
本专利技术的目的在于克服上述缺点而提出了一种能使移动机器轻量化系统并加快启动速度，且数据可靠性高的同步定位与地图构建系统的字典优化方法。本专利技术的一种移动机器人同步定位与地图构建系统的字典优化方法，包括更改字典格式和训练小规模字典，其中：所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式。所述训练小规模字典：首先提取ORB特征点，再对所有特征做K-means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建。上述移动机器人同步定位与地图构建系统的字典优化方法，其中：所述ORB特征提取是利用四叉树结构提取特征点。上述移动机器人同步定位与地图构建系统的字典优化方法，其中：所述K-means++算法进行字典树聚类，具体步骤如下：(1)在数据集中随机选1个样本点作为第1个初始化的聚类中心；(2)选取第n+1(n≥1)个聚类中心，规则为：距离已有聚类中心越远的样本点被选中的概率越高；重复上述过程，直到K个聚类中心被全部确定；(3)计算每一个样本点xi到K个聚类中心的距离，并将其归类到距离最小的聚类中心的类中；(4)对每个类别ci，由重新计算它的聚类中心(其实质为样本质心)；(5)若每个中心点变化都足够小，则聚类成功；否则重复步骤(2)到(4)，直到算法收敛。本专利技术与现有技术的相比，具有明显的有益效果，由以上方案可知，所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式。二进制格式文件的读取则无须进行复杂的数据转换和换行符处理，可以直接读取，效率更高。二进制文件是非解释性的，它的读取过程无需进行任何的中间变换过程，也不需要处理换行符，所以执行效率远高于Text文件读取。此外，相比Text文件，二进制文件更加节约空间，这个优势在存储实数型数字时尤为明显，所述训练小规模字典：首先提取ORB特征点，再对所有特征做K-means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建。使系统能够根据特定工作环境训练和使用小规模字典，并保持不低于使用大规模字典时的性能。即使用特定环境训练的小规模字典代替大规模字典，不仅能保持跟踪建图精确度，并进一步轻量化系统。总之，本专利技术通过更改字典格式和训练小规模字典，能加快移动机器人系统启动速度，并在轻量化系统的基础上保持性能不损失。以下通过具体实施方式，进一步说明本专利技术的有益效果。附图说明图1为本专利技术的字典格式转换流程示意图；图2为本专利技术的字典生成流程示意图；图3为实施例中的Text与Binary文件的数据读取流程对比示意图；图4为现有技术中的P3P问题示意图；图5为现有技术中的局部BA示意图。具体实施方式以下结合附图及较佳实施例，对依据本专利技术提出的一种移动机器人同步定位与地图构建系统的字典优化方法具体实施方式、特征及其功效，详细说明如后。本专利技术的一种移动机器人同步定位与地图构建系统的字典优化方法，包括更改字典格式和训练小规模字典，其中：所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式(如图1)。所述训练小规模字典：首先提取ORB特征点，再对所有特征做K-means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建(如图2)。所述ORB特征提取是利用四叉树结构提取特征点。所述K-means++算法进行字典树聚类，具体步骤如下：(1)在数据集中随机选1个样本点作为第1个初始化的聚类中心；(2)选取第n+1(n≥1)个聚类中心，规则为：距离已有聚类中心越远的样本点被选中的概率越高；重复上述过程，直到K个聚类中心被全部确定；(3)计算每一个样本点xi到K个聚类中心的距离，并将其归类到距离最小的聚类中心的类中；(4)对每个类别ci，由重新计算它的聚类中心(其实质为样本质心)；(5)若每个中心点变化都足够小，则聚类成功；否则重复步骤(2)到(4)，直到算法收敛。实施例如下：1.ORB-SLAM2ORB-SLAM2在2017由RMur-Artal等人提出，是ORB-SLAM的改进版本，在单目的基础上，增加了对双目和RGB-D相机的支持，是完整的视觉SLAM方案。ORB-SLAM2的系统框架主要包含三个并行线程:跟踪(Tracking)、局部建图(LocalMapping)、闭环(LoopClosing)。1.1跟踪跟踪线程的主要任务是对输入的每一帧图像提取ORB特征并估计相机位姿。由于受到环境变化或相机剧烈运动等因素的影响，跟踪状态会随时变化，为保证系统的鲁棒性，跟踪线程会根据不同的情况切换三种跟踪模型:运动模型、参考帧模型、重定位模型，每一种跟踪模型的输入数据不尽相同，但目标都是求解初始相机位姿。PnP(Perspective-n-Point)是ORB-SLAM2中主要的位姿估计算法，其存在多种求解方法，例如P3P，直接线性变换(DLT)，EPnP(EfficientPnP)，非线性优化等。由于P3P方法的思想被其他多种改进后的方法所沿用，所以我们以P3P为例介绍其求解过程。P3P需要输入3对3D-2D匹配点，如图4所示，A,B,C为世界坐标系下的三个空间点，a,b,c为三个空间点对应本文档来自技高网...

【技术保护点】
1.一种移动机器人同步定位与地图构建系统的字典优化方法，包括更改字典格式和训练小规模字典，其特征在于：所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式；所述训练小规模字典：首先提取ORB特征点，再对所有特征做K‑means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建。

【技术特征摘要】
1.一种移动机器人同步定位与地图构建系统的字典优化方法，包括更改字典格式和训练小规模字典，其特征在于：所述更改字典格式：首先读取Text字典，使其恢复原始数据类型，再调用函数重新保存为二进制格式；所述训练小规模字典：首先提取ORB特征点，再对所有特征做K-means++聚类，当字典树聚类层数达到要求时，创建叶子结点并设置权重，完成字典的构建。2.如权利要求1所述的移动机器人同步定位与地图构建系统的字典优化方法，其特征在于：所述ORB特征提取是利用四叉树结构提取特征点。3.如权利要求1或2所述的移动机器人同步定位与地...

【专利技术属性】
技术研发人员：杨观赐，陈占杰，苏志东，李杨，袁庆霓，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52