位姿估计模型的训练方法、装置、设备和存储介质制造方法及图纸

本公开提出一种位姿估计模型的训练方法、装置、设备和存储介质，该方法包括：基于第一图像和第二图像的初始位姿估计结果得到第二图像的重构图像，其中，第一图像和第二图像所包含的像素数量均为预设数量值，确定第二图像的像素点与重构图像的像素点的像素重构误差，根据像素重构误差和第一图像确定第二图像的像素点的第一加权系数和第二加权系数，基于预设数量值、像素重构误差、第一加权系数和第二加权系数计算得到目标函数，根据目标函数迭代训练初始位姿估计模型得到目标位姿估计模型。由此，能够在计算目标函数的过程中基于第一加权系数和第二加权系数去除图像中动态物体所带入的干扰，有效提升模型训练过程对于图像中动态物体的鲁棒性。态物体的鲁棒性。态物体的鲁棒性。

【技术实现步骤摘要】
位姿估计模型的训练方法、装置、设备和存储介质


[0001]本公开涉及计算机视觉
，具体涉及一种位姿估计模型的训练方法、装置、设备和存储介质。

技术介绍

[0002]位姿估计是用于估计机器人位置与姿态的方法，是实现机器人自主定位与导航的必要技术。由于视觉相机可靠性高、价格低廉的优势，基于视觉的位姿估计方法一直是计算机视觉与机器人领域的一个研究热点。
[0003]在视觉里程计估计位姿的过程中，通常会假设环境是静止的。但实际上难免会遇到许多动态物体。这些物体由于自身的运动，与环境存在相对运动，不满足静止假设，会影响训练得到的位姿估计网络的估计精度。

技术实现思路

[0004]本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本公开的目的在于提出一种位姿估计模型的训练方法、装置、设备和存储介质，能够在计算目标函数的过程中基于第一加权系数和第二加权系数去除图像中动态物体所带入的干扰，从而有效提升模型训练过程对于图像中动态物体的鲁棒性。
[0006]为达到上述目的，本公开第一方面实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种位姿估计模型的训练方法，其特征在于，包括：将第一图像和第二图像输入至初始位姿估计模型中，以生成初始位姿估计结果，其中，所述第一图像和所述第二图像是训练集中相邻的两帧图像，所述第一图像的获取时间早于所述第二图像的获取时间，所述第一图像和所述第二图像所包含的像素数量均为预设数量值；基于所述初始位姿估计结果对所述第一图像进行采样处理，以得到所述第二图像的重构图像；确定所述第二图像的像素点与所述重构图像的像素点之间的像素重构误差；根据所述像素重构误差，确定所述第二图像的像素点对应的第一加权系数，其中，所述第一加权系数用于描述所述第二图像的像素点属于所述第二图像中动态物体的情况；根据所述第一图像，确定所述第二图像的像素点对应的第二加权系数，其中，所述第二加权系数用于描述所述第二图像的像素点属于所述第二图像中动态物体的情况；基于所述预设数量值、所述像素重构误差、所述第一加权系数和所述第二加权系数，计算得到目标函数；根据所述目标函数对所述初始位姿估计模型进行迭代训练，以得到目标位姿估计模型。2.如权利要求1所述的方法，其特征在于，所述根据所述像素重构误差，确定所述第二图像的像素点对应的第一加权系数，包括：确定重构误差阈值；如果所述像素重构误差小于或等于所述重构误差阈值，则将第一加权值作为所述第一加权系数；如果所述像素重构误差大于所述重构误差阈值，则将第二加权值作为所述第一加权系数。3.如权利要求2所述的方法，其特征在于，所述确定重构误差阈值，包括：确定多个所述像素重构误差的平均值；如果所述平均值大于或等于预设阈值，则将所述平均值作为所述重构误差阈值；如果所述平均值小于所述预设阈值，则将所述预设阈值作为所述重构误差阈值。4.如权利要求1所述的方法，其特征在于，所述根据所述第一图像，确定所述第二图像的像素点对应的第二加权系数，包括：确定所述第一图像的像素点的像素值；如果所述第一图像的像素点的像素值等于预设像素值，则将第三加权值作为所述第二图像的像素点的所述第二加权系数；如果所述第一图像的像素点的像素值不等于所述预设像素值，则将第四加权值作为所述第二图像的像素点的所述第二加权系数。5.如权利要求1所述的方法，其特征在于，所述根据所述目标函数对所述初始位姿估计模型进行迭代训练，以得到目标位姿估计模型，包括：基于所述目标函数对所述初始位姿估计模型进行调整；对调整后的所述初始位姿估计模型进行模型评估，得到模型评估结果；如果所述模型评估结果满足预设条件，则将所述调整后的所述初始位姿估计模型作为
所述目标位姿估计模...

【专利技术属性】
技术研发人员：修海鑫，程健，李和平，李昊，孙大智，王广福，闫鹏鹏，
申请(专利权)人：天地科技股份有限公司北京技术研究分公司，
类型：发明
国别省市：