一种提高多变场景定位鲁棒性的降维表达方法技术

本发明专利技术公开了一种提高多变场景定位鲁棒性的降维表达方法，包括：在自动驾驶汽车实际行驶的空间环境中，将自动驾驶汽车的运动模型设定为平面运动；利用图像分类神经网络，将自动驾驶汽车采集的当前路况图像作为输入，以图像的语义分析结果作为输出，对平面运动进行运动降维，得到降维后的平面运动形式表达；使用当前路况图像和上一帧路况图像作为图像对，利用图相对进行平面运动假设评估，得到平面运动假设检验结果；基于所述平面运动形式表达以及平面运动假设检验结果，确定进行姿态优化求解的形式，并建立代价函数求解自动驾驶汽车的姿态。本发明专利技术从后端优化的收敛表现入手，提高系统收敛能力，进而降低对神经网络错误预测结果的敏感程度。

【技术实现步骤摘要】
一种提高多变场景定位鲁棒性的降维表达方法
本专利技术涉及图像分类和自动驾驶领域，具体涉及一种提高多变场景定位鲁棒性的降维表达方法，可应用于提高自动驾驶的多场景识别鲁棒性。
技术介绍
自动驾驶是视觉里程计的重要应用之一，通过使用里程计信息，自动驾驶汽车可以实现自身定位和周围环境感知，其数据来源通常是搭载在汽车顶部的相机采集的图片，KITTI和RobotCar为此类技术的研究提供了数据集。近年来，随着神经网络的发展，图像分类和传统的端到端的数据驱动方法相结合的VSLAM(VisualSimultaneousLocalizationandMapping)系统是一个重要的发展趋势。相比于传统类型的VSLAM系统的运动模型和非线性优化，图像识别网络可以估计相对位姿以进行进一步定位，并且可以预测环境结构。在视觉里程计领域，基于模型和数据驱动相结合的方法相比于传统系统已显现出先进的性能，然而其收敛性能仍然会被神经网络估计的影响所限制。端到端的方法代表性研究工作有DeepVO，UndeepVO，此类方法有效的克服了传统VSLAM对光照变化和视角变化敏感的问题，但其精度仍然低于基于模型的方法，并且泛化能力受到训练数据集的限制。
技术实现思路
本专利技术提出一种提高多变场景定位鲁棒性的降维表达方法，该专利技术无需在线学习即可改善道路驾驶视觉里程计的预训练网络泛化能力，实现更高的自动驾驶定位精度和视觉里程计效率。为了实现上述任务，本专利技术采用以下技术方案：一种提高多变场景定位鲁棒性的降维表达方法，包括以下步骤：在自动驾驶汽车实际行驶的空间环境中，将自动驾驶汽车的运动模型设定为平面运动；利用图像分类神经网络，将自动驾驶汽车采集的当前路况图像作为输入，以图像的语义分析结果作为输出，对平面运动进行运动降维，得到降维后的平面运动形式表达；使用当前路况图像和上一帧路况图像作为图像对，利用图相对进行平面运动假设评估，得到平面运动假设检验结果；基于所述平面运动形式表达以及平面运动假设检验结果，确定进行姿态优化求解的形式，并建立代价函数求解自动驾驶汽车的姿态。进一步地，所述自动驾驶汽车的运动模型的具体分类包括前进、左平移、右平移以及旋转四种运动类型，四种类型分类结果之和为1，其中：左平移与右平移在同一个自由度内，共用概率Cx表达，前进的图像分类概率为Cz，旋转的图像分类概率为Cr，进而有Cx+Cz+Cr＝1；此时，自动驾驶车辆在i时刻的平面运动模型表示为：其中θ为自动驾驶汽车旋转转角，为时刻i下的图像分类结果；将降维后的平面运动形式表达为群G(Cr,Cx,Cz)，该群为李群SE(3)的子群。进一步地，所述使用当前路况图像和上一帧路况图像作为图像对，利用图相对进行平面运动假设评估，得到平面运动假设检验结果，包括：利用自动驾驶汽车采集的当前路况图像以及上一帧路况图像形成的图像对作为输入图像并执行平面运动假设评估，以评估平面运动假设的满足程度；所述平面运动假设评估过程具体为：利用多视几何本征矩阵数值特点进行平面化拟合度判断：如果图像对间相对运动为严格的平面内运动，其利用双视关系建立的本征矩阵作为标准矩阵；根据图像对得到的实际本征矩阵E'与标准矩阵E进行比较，利用二范数评价两个矩阵间差异nR＝||E-E'||2，如果nR小于给定阈值，则认为满足平面运动假设，将nR作为平面运动假设检验结果；否则认为当前图像对应的图像对不满足平面运动假设。进一步地，所述基于所述平面运动形式表达以及平面运动假设检验结果，确定进行姿态优化求解的形式，包括：根据平面运动假设检验结果nR与给定阈值HR的比较结果，判断当前图像输入下应采用降维表达G(Cr,Cx,Cz)进行姿态优化求解，或采用完整空间表达SE(3)形式进行姿态优化求解；同时，如若采用G(Cr,Cx,Cz)形式的优化求解，其求解得到残差nE如若大于给定阈值HE，亦采用SE(3)形式进行二次求解。进一步地，求解自动驾驶汽车的姿态时建立代价函数为：其中：在代价函数中，为T*的微分，TK为姿态参数，R,t分别表示姿态估计的旋转以及位移，pi,p'i为图像特征点匹配的一对点；ηk为运动表达切换因子，当运动表达发生变换时赋值为1，否则为0；通过代价函数的降维求解可得到最终姿态T。进一步地，将姿态求解结果T作为当前自动驾驶汽车的定位结果，从而为车辆的自主导航以及无人驾驶提供控制依据。一种提高多变场景定位鲁棒性的降维表达装置，包括：降维表达模块，用于在自动驾驶汽车实际行驶的空间环境中，将自动驾驶汽车的运动模型设定为平面运动；利用图像分类神经网络，将自动驾驶汽车采集的当前路况图像作为输入，以图像的语义分析结果作为输出，对平面运动进行运动降维，得到降维后的平面运动形式表达；平面运动假设模块，用于使用当前路况图像和上一帧路况图像作为图像对，利用图相对进行平面运动假设评估，得到平面运动假设检验结果；姿态求解模块，用于基于所述平面运动形式表达以及平面运动假设检验结果，确定进行姿态优化求解的形式，并建立代价函数求解自动驾驶汽车的姿态。一种控制器，包括处理器、存储器以及存储在所述存储器中的计算机程序，计算机程序被处理器执行时，实现所述提高多变场景定位鲁棒性的降维表达方法的步骤。一种计算机可读存储介质，所述存储介质中存储有计算机程序，计算机程序被处理器执行时，实现所述提高多变场景定位鲁棒性的降维表达方法的步骤。与现有技术相比，本专利技术具有以下技术特点：1.现有的神经网络在区别于训练集的应用场景下时，其预测输出往往无法得到满意的结果，为后端优化提供了错误的初始先验；在后端非线性优化代价函数复杂的函数曲线作用下，使得系统无法实现理想的收敛。本专利技术从其后端优化的收敛表现入手，提高系统收敛能力，进而降低对神经网络错误预测结果的敏感程度。2.本专利技术根据实际应用情况，对自动驾驶的运动模型分类讨论，并且实现两种模型的自动切换，实现VSLAM系统于不同场景下的稳定表现。附图说明图1为本专利技术方法的流程示意图。具体实施方式本专利技术提出一种提高自动驾驶多变场景定位鲁棒性的降维表达方法，结合深度神经网络VSLAM系统的特性，从其后端优化的收敛表现入手，提高系统收敛能力，进而降低对神经网络错误预测结果的敏感程度，实现VSLAM系统于不同场景下的稳定表现。为了提高端到端方法等精度，研究者们将基于模型的方法与之相结合，利用神经网络的估计作为优化的先验信息，改进位姿估计。然而对于测试环境与训练环境差异大的情况，来自网络的错误估计会影响到系统优化的收敛性能，尤其是非线性最小二乘优化。鉴于目前自动驾驶系统泛化性能和神经网络收敛性能差的问题，提出一种提高多变场景定位鲁棒性的降维表达方法。该方法中设计了具有自适应降维能力的代价函数，可以提高神经网络优化过程的收敛表现，从而降低自动驾驶对神经网络错误先验信息的敏感程度，保证系统的稳本文档来自技高网...

【技术保护点】
1.一种提高多变场景定位鲁棒性的降维表达方法，其特征在于，包括以下步骤：/n在自动驾驶汽车实际行驶的空间环境中，将自动驾驶汽车的运动模型设定为平面运动；利用图像分类神经网络，将自动驾驶汽车采集的当前路况图像作为输入，以图像的语义分析结果作为输出，对平面运动进行运动降维，得到降维后的平面运动形式表达；/n使用当前路况图像和上一帧路况图像作为图像对，利用图相对进行平面运动假设评估，得到平面运动假设检验结果；/n基于所述平面运动形式表达以及平面运动假设检验结果，确定进行姿态优化求解的形式，并建立代价函数求解自动驾驶汽车的姿态。/n

【技术特征摘要】
1.一种提高多变场景定位鲁棒性的降维表达方法，其特征在于，包括以下步骤：
在自动驾驶汽车实际行驶的空间环境中，将自动驾驶汽车的运动模型设定为平面运动；利用图像分类神经网络，将自动驾驶汽车采集的当前路况图像作为输入，以图像的语义分析结果作为输出，对平面运动进行运动降维，得到降维后的平面运动形式表达；
使用当前路况图像和上一帧路况图像作为图像对，利用图相对进行平面运动假设评估，得到平面运动假设检验结果；
基于所述平面运动形式表达以及平面运动假设检验结果，确定进行姿态优化求解的形式，并建立代价函数求解自动驾驶汽车的姿态。


2.根据权利要求1所述的提高多变场景定位鲁棒性的降维表达方法，其特征在于，所述自动驾驶汽车的运动模型的具体分类包括前进、左平移、右平移以及旋转四种运动类型，四种类型分类结果之和为1，其中：
左平移与右平移在同一个自由度内，共用概率Cx表达，前进的图像分类概率为Cz，旋转的图像分类概率为Cr，进而有Cx+Cz+Cr＝1；此时，自动驾驶车辆在i时刻的平面运动模型表示为：



其中θ为自动驾驶汽车旋转转角，为时刻i下的图像分类结果；将降维后的平面运动形式表达为群G(Cr,Cx,Cz)，该群为李群SE(3)的子群。


3.根据权利要求1所述的提高多变场景定位鲁棒性的降维表达方法，其特征在于，所述使用当前路况图像和上一帧路况图像作为图像对，利用图相对进行平面运动假设评估，得到平面运动假设检验结果，包括：
利用自动驾驶汽车采集的当前路况图像以及上一帧路况图像形成的图像对作为输入图像并执行平面运动假设评估，以评估平面运动假设的满足程度；所述平面运动假设评估过程具体为：
利用多视几何本征矩阵数值特点进行平面化拟合度判断：如果图像对间相对运动为严格的平面内运动，其利用双视关系建立的本征矩阵作为标准矩阵；
根据图像对得到的实际本征矩阵E'与标准矩阵E进行比较，利用二范数评价两个矩阵间差异nR＝||E-E'||2，如果nR小于给定阈值，则认为满足平面运动假设，将nR作为平面运动假设检验结果；否则认为当前图像对应的图像对不满足平面运动假设。


4.根据权利要求1所述的提高多变场景定位鲁棒性的降维表达方法，其特征在于，...

【专利技术属性】
技术研发人员：朱蕾，陈炜楠，管贻生，何力，张宏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44