技术特征：
1.基于ekf的模板匹配vo与轮式里程计融合定位方法，其特征在于，包括如下步骤：步骤1，采集不同类型地面的图像数据，创建地面图像数据集，为地面图像数据集中的每幅图像添加地形复杂度作为标签；步骤2，利用添加标签后的地面图像数据集训练卷积神经网络模型，得到训练好的卷积神经网络模型；步骤3，利用机器人上安装的摄像头采集地面图像输入训练好的卷积神经网络模型中，得到当前地面的地形复杂度；步骤4，计算当前地面的图像熵；步骤5，根据地形复杂度和图像熵，实时计算当前地面的模板选取策略，根据模板选取策略进行模板匹配vo估算，得到位姿结果；步骤6，将轮式里程计估算出的位姿和经过惯性测量单元解算出的位姿通过扩展卡尔曼滤波方法即初级滤波器进行融合，将融合后得到的位姿作为次级滤波器的预测值，结合模板匹配vo估算出的位姿结果作为次级滤波器的观测值，得到最终的机器人定位结果。2.根据权利要求1所述的基于ekf的模板匹配vo与轮式里程计融合定位方法，其特征在于，步骤1所述地形复杂度的决定因素包括地面材质以及颠簸程度。3.根据权利要求1所述的基于ekf的模板匹配vo与轮式里程计融合定位方法，其特征在于，步骤4所述图像熵的计算公式如下：于，步骤4所述图像熵的计算公式如下：其中，s表示图像熵，p
j
表示灰度值为j的像素点在图像中出现的概率，n
j
表示灰度值为j的像素点的数量，t
w
和t
h
分别为图像的宽和高。4.根据权利要求1所述的基于ekf的模板匹配vo与轮式里程计融合定位方法，其特征在于，步骤5所述根据地形复杂度和图像熵，实时计算当前地面的模板选取策略，具体如下：预先设置地形复杂度阈值e和图像熵阈值f，对于大小为640*480像素尺寸的第i帧地面图像，根据步骤3和步骤4得到第i帧地面图像的地形复杂度ρ
i
和图像熵s
i
，若ρ
i
小于e且s
i
小于f，则在地面图像中初始化大小为240
×
240像素尺寸的模板；若ρ
i
大于e且s
i
小于f，则在地面图像中初始化大小为180
×
180像素尺寸的模板；若ρ
i
小于e且s
i
大于f，则在地面图像中初始化大小为200
×
200像素尺寸的模板；若ρ
i
大于e且s
i
大于f，则在地面图像中初始化大小为160
×
160像素尺寸的模板；模板的中心与地面图像的中心重合。5.根据权利要求4所述的基于ekf的模板匹配vo与轮式里程计融合定位方法，其特征在于，步骤5所述根据模板选取策略进行模板匹配vo估算，得到位姿结果，具体如下：1)根据模板选取策略在第i帧地面图像中初始化模板a；2)利用归一化互相关匹配方法在第i+1帧地面图像中从左到右、从上到下搜索与模板a相似度最大的匹配区域b，匹配区域b的大小与模板a大小相同；3)根据匹配区域b与模板a的左上角像素位置计算像素位移增量δu和δv；4)将像素位移增量δu和δv转换到相机在世界物理坐标系中的真实位移增量；
5)根据真实位移增量解算得到i+1时刻模板匹配vo估算的机器人位姿结果；6)根据模板选取策略在第i+1帧地面图像中初始化模板并重复上述过程，得到i+2时刻模板匹配vo估算的机器人位姿结果，以此类推。6.根据权利要求1所述的基于ekf的模板匹配vo与轮式里程计融合定位方法，其特征在于，所述惯性测量单元的观测模型如下：惯性测量单元的姿态更新方程为：其中，和分别表示当前t时刻和上一时刻机器人坐标系到导航坐标系的姿态变换矩阵；表示当前时刻与上一时刻之间的相对旋转构成的反对称矩阵；惯性测量单元在导航坐标系下的速度和位置分别为：惯性测量单元在导航坐标系下的速度和位置分别为：其中，v
t
表示机器人当前时刻速度；v
t-1
表示机器人上一时刻速度；a
t
表示imu测量到的当前时刻加速度；a
t-1
表示imu测量到的上一时刻加速度；p
t
表示机器人当前时刻位置信息；p
t-1
表示机器人上一时刻位置信息；δt为当前时刻与上一时刻之间的时间差。7.根据权利要求1所述的基于ekf的模板匹配vo与轮式里程计融合定位方法，其特征在于，所述扩展卡尔曼滤波方法根据系统的运动模型和观测模型实现预测和更新两个步骤，运动模型和观测模型分别为：x
t
＝g
t
x
t-1
+w
t
z
t
＝h
t
x
t
+v
t
其中，x
t
为当前t时刻系统状态矩阵；x
t-1
为上一时刻系统状态矩阵；g
t
为当前时刻系统状态传递矩阵；z
t
为当前时刻系统的观测值矩阵；h
t
为系统当前时刻状态量与观测值之间的传递矩阵；w
t
和v
t
分别为当前时刻系统的过程噪声矩阵和观测噪声矩阵；预测过程：预测过程：其中，为当前时刻系统状态矩阵估计值；为当前时刻系统的状态估计协方差；r
t
为当前时刻系统的过程噪声协方差；∑
t-1
为上一时刻系统状态协方差；更新过程：计算卡尔曼增益k
t
：其中，q
t
为观测值误差协方差矩阵；利用k
t
和观测值更新移动机器人的状态矩阵x
t
和系统协方差矩阵：和系统协方差矩阵：其中，i为单位矩阵。
技术总结
本发明公开了基于EKF的模板匹配VO与轮式里程计融合定位方法，包括：创建地面图像数据集，为地面图像数据集添加地形复杂度作为标签；利用地面图像数据集训练卷积神经网络模型；采集地面图像输入训练好的卷积神经网络模型中，得到当前地面的地形复杂度；计算当前地面的图像熵；根据地形复杂度和图像熵，计算当前地面的模板选取策略，根据模板选取策略进行模板匹配VO估算，得到位姿结果；将轮式里程计估算出的位姿和经过惯性测量单元解算出的位姿通过扩展卡尔曼滤波方法进行融合，将融合后得到的位姿作为次级滤波器的预测值，结合模板匹配VO估算出的位姿结果，得到最终的机器人定位结果，提高定位结果的稳定性，实现更精准、更鲁棒的定位。鲁棒的定位。鲁棒的定位。
技术研发人员：曾庆喜 马鑫烨 陈斌华 常婷婷 欧邦俊 俞建浩 胡义轩
受保护的技术使用者：江苏科力机械有限公司
技术研发日：2022.04.29
技术公布日：2022/9/2