【技术实现步骤摘要】
本专利技术涉及多机器人slam，具体是涉及一种异构多机器人系统协作定位建图方法、计算机装置、可读存储介质及程序产品。
技术介绍
1、智能体是能够自主地持续发挥作用的计算实体，智能体的提出为人工智能进入大数据时代所面临的计算代价过高，计算实体缺少智能性等问题提供了新的思路，一直以来都持续受到研究者的广泛关注。多智能体系统是由多个智能体组成的松散耦合的智能体社会，以智能机器人为智能体载体的多智能体系统也被称为多机器人系统，多机器人系统一直被广泛的应用于军事、农业、勘测、救援、交通等涉及国家关键产业以及人类的日常生活中，具有十分重要的研究意义。
2、多机器人系统的同时定位与建图(simultaneous localization and mapping，slam)是多机器人系统中的每个智能机器人在环境未知的情况下，可以通过协作对机器人的位姿(位置和姿态)进行估计，在定位的同时完成建立地图的过程。协作slam是多机器人系统完成指定任务的前提，定位和建图的精度直接地影响到多机器人系统的执行效率。多机器人学习方法是赋予多机器人系统学习的能力，以不断提高系统总体的协调能力、机器人个体的协作能力和多机器人系统在执行任务时的容错性为目的，对系统中的属性和特征进行迭代学习。多机器人学习方法是多机器人系统研究的一个主要方向，但是现在的方法存在着学习目的及方法单一，无法满足大规模多机器人系统由于任务类型复杂多样而造成的难以学习的问题，并且缺乏将多机器人学习系统应用于协作slam的相关研究。
3、现有的多机器人系统协作slam方法
4、第一，协作机制方面，无法根据机器人的特点和属性最大化发挥异构机器人系统在感知环境时的全部功能。传统的多机器人协作slam方法多采用情感招募法、市场拍卖法等基于中心化或者分布式的方法来进行协作对象和协作方式的选择，在此类方法中，算法的协作因子通常由人类专家给出，并且在协作过程中无法改变，导致此类方法在应对大规模定位及建图任务时捉襟见肘，并且不能通过迭代学习来修改相关参数，尤其是对于机器人个体形态及传感器属性有较大差异的多机器人系统，现有的多机器人协作slam方法在提升系统协作定位精度及建图效果上存在限制。
5、第二，现有方法在机器人的个体位姿计算中的视觉里程计及后端集束调整中只能用自身的数据进行位姿的优化。现有方法在计算相邻帧的相对位姿变换的前端模块中只能用前一帧的位姿来估算后一帧的位姿，而如果前一帧时机器人的位姿计算中存在漂移，就会导致后面所有帧的计算的累积误差在漂移的基础上持续增加，而异构多机器人系统中根据系统的特点，可以采取其他机器人的同一时刻的位姿和视觉特征点进行相对变换的计算，这种特点可以为多机器人协作slam提供优化方法，而现有的方法没有考虑在该方面进行研究及应用。
6、第三，无法学习到slam过程中的后效性并基于后效性选择后端约束计算重投影误差的数据。slam过程是具有后效性的过程，即前一刻的计算结果会影响到后面所有时刻的优化过程，也就是说当前时刻采取的优化重投影误差的数据会在随后的计算中占据一定的权重，而当前的方法仅考虑了当前状态的优化过程，无法对整个slam过程的后效性进行考虑。
7、此外，公开号为cn116721154a的中国专利技术专利申请公开了一种基于主动深化强度学习多机协作slam方法，该方法中通过强化学习算法训练进行轨迹的优化，并根据实时的slam估计概率值选择相应的机器人进行td3算法优化位姿信息，机器人之间通过传输各自的位姿信息和实际距离信息使用td3算法进行slam轨迹的后段优化，从而消除累积误差。该方法在slam过程中仍存在运行效率低的不足。
技术实现思路
1、本专利技术的第一目的是提供一种无需人类专家进行协作参数设置的异构多机器人系统协作定位建图方法。
2、本专利技术的第二目的是提供一种实现上述异构多机器人系统协作定位建图方法的计算机装置。
3、本专利技术的第三目的是提供一种包括上述异构多机器人系统协作定位建图方法的计算机可读存储介质。
4、本专利技术的第四目的是提供一种包括上述异构多机器人系统协作定位建图方法的计算机程序产品。
5、为了实现上述的第一目的，本专利技术提供的一种异构多机器人系统协作定位建图方法，其中，包括以下步骤：获取多机器人系统的总输入向量，总输入向量包括多个连续的系统总状态向量；将总输入向量输入预设的协助对象选取神经网络和预设的注意力协作神经网络；根据协助对象选取神经网络的输出选择协作特征点，根据注意力协作神经网络的输出选择协作特征点对应的目标位姿优化节点；生成总输入向量对应的协助度损失函数和奖励函数，通过强化学习方法结合协助度损失函数和奖励函数更新协助对象选取神经网络和注意力协作神经网络。
6、进一步的方案是，获取多机器人系统的总输入向量，包括以下步骤：获取多机器人系统中每个机器人个体的关键特征向量和身份编码向量；对于每个机器人个体，将机器人个体的关键特征向量与身份编码向量进行拼接得到单状态向量，将所有单状态向量合并得到系统总状态向量；将多个连续的系统总状态向量合并成一个总输入向量。
7、进一步的方案是，机器人个体的关键特征向量包括orbslam特征向量。
8、进一步的方案是，注意力协作神经网络包括协助特征生成神经网络和协助度编码神经网络；将总输入向量输入预设的注意力协作神经网络后，包括以下步骤：将总输入向量输入协助特征生成神经网络得到每个系统总状态向量对应的需协助状态向量、协助定位属性向量和协助特征向量；将需协助状态向量与协助定位属性向量的矩阵形式的转置进行相乘，得到每个机器人个体的协助度注意力向量，再将协助度注意力向量与协助特征向量相乘，得到整体协助特征向量；将整体协助特征向量拼接得到每个机器人个体的多头协助特征向量，并将所有多头协助特征向量进行拼接得到全局协助特征向量；将全局协助特征向量输入到协助度编码神经网络中，得到每个机器人个体对应的协助度函数。
9、进一步的方案是，根据注意力协作神经网络的输出选择协作特征点对应的位姿优化节点，包括以下步骤：依次搜查协作特征点的临近区域的当前位姿优化节点并结合协助度函数生成协助度子列表；将所有协助度子列表合并成协助度列表，其中包括：依次查看协助度子列表中的头元素，当头元素不与其它协助度子列表的尾元素相同时，将头元素作为待选位姿优化节点添加至协助度列表中，并将头元素从所有协助度子列表中删除，直至确定所有协助度子列表中的元素为空；在协助度列表中依次搜查，确定与协作特征点对应的待选位姿优化节点为目标位姿优化节点。
10、进一步的方案是，将所有协助度子列表合并成协助度列表时，如果存在协助度子列表中的元素不为空，则根据出现冲突的相同元素在对应的协助度子列表中的协助度大小保留协助度较大的相同元素，将协助度较小的相同元素删除。
11、进一步的方案是，生成总输入向量对应的协助度损失函数和奖励函数，包括以下步骤：拆分协作结果链，确定协本文档来自技高网...
【技术保护点】
1.一种异构多机器人系统协作定位建图方法，其特征在于，包括以下步骤：
2.如权利要求1所述的异构多机器人系统协作定位建图方法，其特征在于：
3.如权利要求2所述的异构多机器人系统协作定位建图方法，其特征在于：
4.如权利要求1所述的异构多机器人系统协作定位建图方法，其特征在于：
5.如权利要求1所述的异构多机器人系统协作定位建图方法，其特征在于：
6.如权利要求5所述的异构多机器人系统协作定位建图方法，其特征在于：
7.如权利要求1至6任一项所述的异构多机器人系统协作定位建图方法，其特征在于：
8.一种计算机装置，包括处理器、存储器及存储在所述存储器上的计算机程序，其特征在于：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：
10.一种计算机程序产品，包括计算机指令，其特征在于：
【技术特征摘要】
1.一种异构多机器人系统协作定位建图方法，其特征在于，包括以下步骤：
2.如权利要求1所述的异构多机器人系统协作定位建图方法，其特征在于：
3.如权利要求2所述的异构多机器人系统协作定位建图方法，其特征在于：
4.如权利要求1所述的异构多机器人系统协作定位建图方法，其特征在于：
5.如权利要求1所述的异构多机器人系统协作定位建图方法，其特征在于：
<...【专利技术属性】
技术研发人员：裴昭义，余正泓，冯海杰，黎红源，
申请(专利权)人：广东科学技术职业学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。