一种基于深度学习的视觉惯性里程计及其使用方法技术

本申请属于无人机视觉定位技术领域。本申请提供一种基于深度学习的视觉惯性里程计及其使用方法。本公开实施例可以。引入高效的动态感知网络来代替普通的卷积，并构建了跨模态一致性增强的特征融合模块，能够捕获长距离的空间信息，同时可以消除两种模态之间的差异性，增强两者的一致性。同时，可以在内存占用率小的前提下，达到较高的实时处理速度，使其非常适合部署于资源受限的嵌入式平台。多模态信息融合策略将视觉信息与惯性数据高效整合，确保系统在城市、农村以及高速行驶等多种复杂场景下均能保持稳定且可靠的定位性能，展现出卓越的鲁棒性和广泛的适用性。

【技术实现步骤摘要】

本公开实施例涉及无人机视觉定位，尤其涉及一种基于深度学习的视觉惯性里程计及其使用方法。

技术介绍

1、视觉惯性里程计(visual-inertial odometry，vio)是一种通过融合视觉传感器和惯性测量单元(inertial measurement unit，imu)数据来估计载体在三维空间中运动轨迹和姿态的技术。通过融合视觉传感器（如相机）与imu的互补信息，克服单一传感器的局限性：视觉数据提供丰富的环境特征但易受光照变化或快速运动干扰，imu数据提供高频运动信息但存在累计漂移。现有技术主要分为两类：传统基于几何的vio方法和基于深度学习的vio方法。

2、传统的vio方法通过计算图像帧之间的特征点及匹配关系来求解其位姿变换，同时将imu进行预积分来获取额外的信息以此来解决类似尺度模糊的问题，提高整个系统的精确度。根据不同的传感器融合方式，传统的vio方法可分为松耦合与紧耦合两类。研究表明，紧耦合方法通过统一建模视觉与惯性数据的关联性，能够更充分地利用多模态传感器的互补特性，从而显著提升姿态估计的精度，并逐渐成为vio领域的研究热点。本文档来自技高网...

【技术保护点】

1.一种基于深度学习的视觉惯性里程计，其特征在于，包括：

2.根据权利要求1所述基于深度学习的视觉惯性里程计，其特征在于，各个动态感知网络均包括双流特征生成单元和空间-通道协同门控机制单元。

3.一种基于深度学习的视觉惯性里程计的使用方法，其特征在于，该方法包括：

4.根据权利要求3所述基于深度学习的视觉惯性里程计的使用方法，其特征在于，利用视觉编码器对图像对进行基于卷积的廉价操作和跨通道注意力加权，以生成视觉特征的步骤中，包括：

5.根据权利要求3所述基于深度学习的视觉惯性里程计的使用方法，其特征在于，利用惯性编码器对IMU数据进行特征提...

【技术特征摘要】

1.一种基于深度学习的视觉惯性里程计，其特征在于，包括：

2.根据权利要求1所述基于深度学习的视觉惯性里程计，其特征在于，各个动态感知网络均包括双流特征生成单元和空间-通道协同门控机制单元。

3.一种基于深度学习的视觉惯性里程计的使用方法，其特征在于，该方法包括：

4.根据权利要求3所述基于深度学习的视觉惯性里程计的使用方法，其特征在于，利用视觉编码器对图像对进行基于卷积的廉价操作和跨通道注意力加权，以生成视觉特征的步骤中，包括：

5.根据权利要求3...

【专利技术属性】
技术研发人员：刘赶超，田昊哲，赵阳，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：