室内目标驱动视觉导航方法、装置、电子设备及存储介质

1.本发明属于视觉导航技术领域，特别涉及一种室内目标驱动视觉导航方法、装置、电子设备及存储介质。


背景技术：

2.传统的导航方法，即基于地图的方法，主要依赖同步定位与建图(simultaneous localization and mapping，slam)和路径规划。一个突出的问题是，这些方法易受到传感器噪声累积的影响，这些噪声沿着从映射、定位到路径规划的过程传播，导致这些方法累积误差较大。
3.为了减少累计误差，越来越多的研究人员将时间精力投入到基于深度强化学习(deep reinforcement learning，drl)的端到端视觉导航上，以人工智能体学习策略时产生的最大化奖励来评估导航性能。目标驱动的视觉导航是一种新的导航方法，它基于第一人称视觉信息导航智能体到达特定的目标位置。
4.室内目标驱动视觉导航是智能体以当前的观测图像和目标为输入，在室内环境中导航到指定目标的技术。这需要智能体能够充分理解其视觉输入，以此推断当前位置，并合理规划到目标的最优路径。目前室内目标驱动视觉导航技术存在两大问题，一是对未知场景和目标的泛化能力弱，二是导航性能会随着探索空间的增大而降低。


技术实现要素：

5.本说明书实施例的目的是提供一种室内目标驱动视觉导航方法、装置、电子设备及存储介质。
6.为解决上述技术问题，本技术实施例通过以下方式实现的：
7.第一方面，本技术提供一种室内目标驱动视觉导航方法，该方法包括：
8.获取当前时刻的观测图像和目标单词；
9.观测图像和目标单词输入全局特征网络，确定全局特征向量；
10.观测图像和目标单词输入局部特征网络，确定局部特征向量；
11.在嵌入空间，全局特征向量和局部特征向量通过全连接层处理为联合向量；
12.联合向量基于异步优势行动者-批评家网络输出当前时刻选择的动作及动作对应的奖励。
13.在其中一个实施例中，观测图像和目标单词输入全局特征网络，确定全局特征向量，包括：
14.观测图像通过第一resnet-18网络的最顶卷积层的空间位置进行编码，得到全局嵌入向量；
15.目标单词通过word2vec模型嵌入，得到单词嵌入向量；
16.全局嵌入向量和单词嵌入向量通过softmax激活函数，得到空间注意力概率分布；
17.空间注意力概率分布及全局嵌入向量通过逐点乘法，得到全局特征向量。
18.在其中一个实施例中，观测图像和目标单词输入局部特征网络，确定局部特征向量，包括：
19.将观测图像输入yolo-v3进行图像检测，得到局部嵌入变量、观测图像的中心坐标及边界框大小；
20.目标单词通过word2vec模型嵌入，得到单词嵌入向量；
21.根据局部嵌入变量、观测图像的中心坐标、边界框大小及单词嵌入向量，得到上下文特征向量；
22.根据上下文特征向量，得到局部特征向量。
23.在其中一个实施例中，根据局部嵌入变量、观测图像的中心坐标、边界框大小及单词嵌入向量，得到上下文特征向量，包括：
24.根据观测图像及目标单词，确定目标单词是否在观测图像中；
25.根据局部嵌入变量及单词嵌入向量，确定观测图像与目标单词之间的余弦相似度；
26.目标单词是否在观测图像中、观测图像的中心坐标、边界框大小及余弦相似度，构成上下文特征向量。
27.在其中一个实施例中，根据上下文特征向量，得到局部特征向量，包括；
28.将上下文特征向量展平作为局部特征向量。
29.在其中一个实施例中，该方法还包括优化动作，包括：
30.获取当前时刻的第一观测图像和上一时刻的第二观测图像；
31.采用第二resnet-18网络对第一观测图像进行特征提取，得到第一特征；
32.采用第三resnet-18网络对第二观测图像进行特征提取，得到第二特征；
33.第一特征馈送至至少一个卷积层进行处理，得到第一卷积结果；
34.第二特征馈送至至少一个卷积层进行处理，得到第二卷积结果；
35.第一卷积结果和第二卷积结果发送至全连接层处理，得到上一时刻动作预测值；
36.获取上一时刻动作真值；
37.根据上一时刻动作预测值和上一时刻动作真值，确定优化目标函数；
38.目标函数最小时对应的动作为最优动作。
39.在其中一个实施例中，异步优势行动者-批评家网络中奖励函数为：
40.当发出特殊终止信号且目标单词可见时，确定奖励为达到目标的预设奖励；
41.当特殊终止信号未发出时，确定奖励为相似度
42.否则，确定奖励为时间惩罚。
43.第二方面，本技术提供一种室内目标驱动视觉导航装置，该装置包括：
44.获取模块，用于获取当前时刻的观测图像和目标单词；
45.第一确定模块，用于观测图像和目标单词输入全局特征网络，确定全局特征向量；
46.第二确定模块，用于观测图像和目标单词输入局部特征网络，确定局部特征向量；
47.处理模块，用于在嵌入空间，全局特征向量和局部特征向量通过全连接层处理为联合向量；
48.输出模块，用于联合向量基于异步优势行动者-批评家网络输出当前时刻选择的动作及动作对应的奖励。
49.第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的室内目标驱动视觉导航方法。
50.第四方面，本技术提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的室内目标驱动视觉导航方法。
51.由以上本说明书实施例提供的技术方案可见，该方案：通过空间注意力概率分布和上下文向量来充分融合场景的空间信息和语义信息，使该导航模型可以很好地推广到未知的场景和对象。
52.此外，本技术以动作预测为辅助任务，评估顺序状态之间的关键差异，通过训练可预测当前状态与目标之间的差异，并通过语义相似度度量来改进奖励函数，这两方面可解决深度强化学习中的稀疏奖励问题。
53.本技术可提高对未知场景和目标的泛化能力，并解决稀疏奖励问题，加快训练的收敛速度，从而提高导航性能。
附图说明
54.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
55.图1为本技术提供的室内目标驱动视觉导航方法的流程示意图；
56.图2为本技术提供的室内目标驱动视觉导航方法的又一流程示意图；
57.图3为本技术提供的动作预测网络的结构示意图；
58.图4为本技术提供的室内目标驱动视觉导航装置的结构示意图；
59.图5为本技术提供的电子设备的结构示意图。
具体实施方式
60.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
61.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
62.在不背离本技术的范围或精神的情况下，可对本技术说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本技术的说明书得到的其他实施方式对技术人员而言是显而易见得的。本技术说明书和实施例仅是示例性的。
63.关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即
意指包含但不限于。
64.本技术中的“份”如无特别说明，均按质量份计。
65.下面结合附图和实施例对本发明进一步详细说明。
66.参照图1，其示出了适用于本技术实施例提供的室内目标驱动视觉导航方法的流程示意图。可以理解的，该室内目标驱动视觉导航方法可以由智能体执行。考虑第一人称视角的观测图像s＝{s0,
…
,sn}，及目标对象类别的目标单词o＝{o1,
…
,on}，通过策略π
θ
(
·
|s0)学习。策略π
θ
(
·
|s0)首先在第一回合中对初始场景s0从动作集合a＝{moveahead，moveright，moveleft，rotateright，rotateleft，lookup，lookdown，done}选择动作，并在后面的回合中对动作进行迭代采样，在t时刻智能体对观测场景s
t
选择动作a
t
，直至目标对象(即目标单词)被观测到为止，如目标对象出现在当前观测图像中并距离智能体1米之内。每个动作的定义如下：
67.moveahead,moveright,moveleft：分别向前/向右/向左移动；
68.rotateright,rotateleft：将智能体分别向右/向左旋转45度；
69.lookup,lookdown：将相机分别向上/向下倾斜30度；
70.done：一种特殊的终止标志。
71.如图1所示，室内目标驱动视觉导航方法，可以包括：
72.s110、获取当前时刻的观测图像和目标单词。
73.具体的，观测图像是指以智能体为第一人称视觉拍摄的图像。目标单词是待导航至的目标对象，即室内目标驱动视觉导航方法为将目标单词在观测图像中被观测到，导航结束。
74.s120、观测图像和目标单词输入全局特征网络，确定全局特征向量。
75.具体的，全局特征网络旨在学习观测图像上的空间注意力概率分布。
76.在一个实施例中，观测图像和目标单词输入全局特征网络，确定全局特征向量，包括：
77.观测图像通过第一resnet-18网络的最顶卷积层的空间位置进行编码，得到全局嵌入向量；
78.目标单词通过word2vec模型嵌入，得到单词嵌入向量；
79.全局嵌入向量和单词嵌入向量通过softmax激活函数，得到空间注意力概率分布；
80.空间注意力概率分布及全局嵌入向量通过逐点乘法，得到全局特征向量。
81.具体的，第一resnet-18网络为通过在imagenet上训练进行预处理的。
82.第一resnet-18网络的最顶卷积层的维数为nv×nv
×dv
，最顶卷积层每个卷积神经元的空间位置(i,j)
th
对应于观测图像中的一个区域，其中i,j＝1,
…
,nv。将(i,j)
th
位置的神经元所表示的区域称为(i,j)
th
子窗口，每一步子窗口向量(即全局嵌入向量)为v
it,j
，然后用注意力概率分布强调相关子窗口中对象的空间信息。
83.目标单词用word2vec模型嵌入，得到特征向量(即单词嵌入向量)为vg。
84.将特征向量vg和每一步子窗口向量嵌入到d维空间中。设wv为d维空间子窗口向量的可训练参数，wg为同一空间单词嵌入向量vg的可训练参数，对于每一个子窗口i,j＝1,
…
,nv，t步的单词嵌入向量vg与子窗口向量的交互通过计算它们的内积实现：
[0085][0086]
通过softmax激活函数得到相应的空间注意力概率分布：
[0087][0088]
最后通过逐点乘法得到图像的全局特征向量：
[0089][0090]
的维度与的维度相同。
[0091]
s130、观测图像和目标单词输入局部特征网络，确定局部特征向量。
[0092]
具体的，局部特征网络，旨在学习图像中观测对象的上下文向量。
[0093]
在一个实施例中，观测图像和目标单词输入局部特征网络，确定局部特征向量，包括：
[0094]
将观测图像输入yolo-v3进行图像检测，得到局部嵌入变量、观测图像的中心坐标及边界框大小；
[0095]
目标单词通过word2vec模型嵌入，得到单词嵌入向量；
[0096]
根据局部嵌入变量、观测图像的中心坐标、边界框大小及单词嵌入向量，得到上下文特征向量；
[0097]
根据上下文特征向量，得到局部特征向量。
[0098]
在一个实施例中，根据局部嵌入变量、观测图像的中心坐标、边界框大小及单词嵌入向量，得到上下文特征向量，包括：
[0099]
根据观测图像及目标单词，确定目标单词是否在观测图像中；
[0100]
根据局部嵌入变量及单词嵌入向量，确定观测图像与目标单词之间的余弦相似度；
[0101]
目标单词是否在观测图像中、观测图像的中心坐标、边界框大小及余弦相似度，构成上下文特征向量。
[0102]
在一个实施例中，根据上下文特征向量，得到局部特征向量，包括；
[0103]
将上下文特征向量展平作为局部特征向量。
[0104]
具体的，采用yolo-v3进行局部特征表示，首先将当前观测的rgb图像(即观测图像)输入yolo-v3进行图像检测，并且考虑到目标对象可能存在于当前观测图像中，定义一个5维的上下文特征向量v
x
＝[f,xi,yi,sb,cs]。第一个元素f是一个二进制的数，表明在当前观测图像的当前帧中是否能检测到目标对象；元素xi,yi和sb分别表示每个观测图像的中心坐标和边界框大小，均相对于图像大小进行归一化；cs表示当前观测图像与目标对象之间的余弦相似度。目标单词通过预训练的word2vec获得其单词嵌入向量vg，以同样的方式获得检测对象类别的单词嵌入特征，即使用检测到的目标类别g和类别oi的单词嵌入特征v，然后用以下公式计算这两个向量之间的余弦相似度：
[0105]
[0106][0107]
最后将该五维上下文向量展平作为局部特征向量。
[0108]
s140、在嵌入空间，全局特征向量和局部特征向量通过全连接层处理为联合向量。
[0109]
s150、联合向量基于异步优势行动者-批评家(a3c)网络输出当前时刻选择的动作及动作对应的奖励。
[0110]
具体的，联合向量作为输入先传递给lstm(long short term memory network，长短时记忆网络)网络，最后通过a3c网络输出当前时刻选择的动作(即策略π)及动作对应的奖励(即价值v)。
[0111]
本技术实施例提供的室内目标驱动视觉导航方法，如图2所示，采用全局特征网络和局部特征网络，两个网络共同以t时刻的rgb图像和目标单词为输入，两个网络分别得到全部特征向量和局部特征向量，得到的两个向量在嵌入空间中处理为联合向量，联合向量作为输入传递给lstm网络，最后通过a3c网络输出策略π和价值v。
[0112]
本技术实施例通过空间注意力概率分布和上下文特征向量来充分融合场景的空间信息和语义信息，使该导航方法可以很好的推广到未知的场景和对象。
[0113]
为了得到最优的动作，本技术中采用动作预测作为辅助任务。动作预测方法以当前的观测图像x
t
和上一时刻的观测图像x
t-1
为输入，在预测当前最后时刻的动作a
t-1
上产生概率分布，最后输出8个元素的向量，每个位置对应相应的动作，具有最高概率的动作是1，其余均是0。
[0114]
在一个实施例中，室内目标驱动视觉导航方法还包括优化动作，包括：
[0115]
获取当前时刻的第一观测图像和上一时刻的第二观测图像；
[0116]
采用第二resnet-18网络对第一观测图像进行特征提取，得到第一特征；
[0117]
采用第三resnet-18网络对第二观测图像进行特征提取，得到第二特征；
[0118]
第一特征馈送至至少一个卷积层进行处理，得到第一卷积结果；
[0119]
第二特征馈送至至少一个卷积层进行处理，得到第二卷积结果；
[0120]
第一卷积结果和第二卷积结果发送至全连接层处理，得到上一时刻动作预测值；
[0121]
获取上一时刻动作真值；
[0122]
根据上一时刻动作预测值和上一时刻动作真值，确定优化目标函数；
[0123]
目标函数最小时对应的动作为最优动作。
[0124]
如图3所示，示例性的，动作预测网络用于预测上一时刻动作的预测值。
[0125]
图3中，动作预测网络以两个224
×
224的rgb图像作为输入，即当前时刻的第一观测图像x
t
和上一时刻的第二观测图像x
t-1
，首先用resnet-18网络(包括第二resnet-18网络和第三resnet-18网络)对他们进行特征提取，然后分别馈送到5个卷积层中，每层分别有512、128、16、16、16个滤波器、3
×
3的内核，跨距为1，每一层之间用relu作为激活函数。最后，用具有256个隐藏单元和relu激活函数的全连接层处理，输出8个元素的向量，每个位置表示相应的动作，具有最高概率的动作是1，其余都是0。使用交叉熵损失定义的额外优化目标函数，如下所示：
[0126][0127]
i为动作的索引，a(即图1中π)和分别t-1时刻(即上一时刻)动作的真值和预测
值。
[0128]
该交叉熵损失定义的额外优化目标函数值越小，对应的奖励越大，动作也越优。
[0129]
在一个实施例中，异步优势行动者-批评家网络中奖励函数为：
[0130]
当发出特殊终止信号且目标单词可见时，确定奖励为达到目标的预设奖励；
[0131]
当特殊终止信号未发出时，确定奖励为相似度
[0132]
否则，确定奖励为时间惩罚。
[0133]
具体的，本技术室内目标驱动视觉导航的目标是最小化初始位置和目标间的距离，通过语义相似度度量改进奖励函数的目的是使智能体靠近与目标相似度最大的对象，并使用特殊信号done促使智能体学习任务，提出的新的奖励函数如下所示：
[0134][0135]
当发出done信号且目标可见，即本回合任务完成，给予到达目标的奖励(奖励设为10)；当done信号未发出时，为了加速收敛，使智能体倾向于靠近语义上更接近目标的对象，给予一个的相似度，即每一步中语义相似度最大的对象，k∈(0,1)是比例因子，例如k＝0.1；此外，增加一个小的时间惩罚(-0.01)作为即时奖励。
[0136]
本技术实施例提供的室内目标驱动视觉导航方法，以动作预测为辅助任务，评估顺序状态之间的关键差异，通过训练可预测当前状态与目标之间的差异，并通过语义相似度度量来改进奖励函数，这两方面可解决深度强化学习中的稀疏奖励问题。本技术可提高对未知场景和目标的泛化能力，并解决稀疏奖励问题，加快训练的收敛速度，从而提高导航性能。
[0137]
参照图4，其示出了根据本技术一个实施例描述的室内目标驱动视觉导航装置的结构示意图。
[0138]
如图4所示，室内目标驱动视觉导航装置400，可以包括：
[0139]
获取模块410，用于获取当前时刻的观测图像和目标单词；
[0140]
第一确定模块420，用于观测图像和目标单词输入全局特征网络，确定全局特征向量；
[0141]
第二确定模块430，用于观测图像和目标单词输入局部特征网络，确定局部特征向量；
[0142]
处理模块440，用于在嵌入空间，全局特征向量和局部特征向量通过全连接层处理为联合向量；
[0143]
输出模块450，用于联合向量基于异步优势行动者-批评家网络输出当前时刻选择的动作及动作对应的奖励。
[0144]
可选的，第一确定模块420还用于：
[0145]
观测图像通过第一resnet-18网络的最顶卷积层的空间位置进行编码，得到全局嵌入向量；
[0146]
目标单词通过word2vec模型嵌入，得到单词嵌入向量；
[0147]
全局嵌入向量和单词嵌入向量通过softmax激活函数，得到空间注意力概率分布；
[0148]
空间注意力概率分布及全局嵌入向量通过逐点乘法，得到全局特征向量。
[0149]
可选的，第二确定模块430还用于：
[0150]
将观测图像输入yolo-v3进行图像检测，得到局部嵌入变量、观测图像的中心坐标及边界框大小；
[0151]
目标单词通过word2vec模型嵌入，得到单词嵌入向量；
[0152]
根据局部嵌入变量、观测图像的中心坐标、边界框大小及单词嵌入向量，得到上下文特征向量；
[0153]
根据上下文特征向量，得到局部特征向量。
[0154]
可选的，第二确定模块430还用于：
[0155]
根据观测图像及目标单词，确定目标单词是否在观测图像中；
[0156]
根据局部嵌入变量及单词嵌入向量，确定观测图像与目标单词之间的余弦相似度；
[0157]
目标单词是否在观测图像中、观测图像的中心坐标、边界框大小及余弦相似度，构成上下文特征向量。
[0158]
可选的，第二确定模块430还用于：
[0159]
将上下文特征向量展平作为局部特征向量。
[0160]
可选的，该装置还包括动作优化模块，用于优化动作，包括：
[0161]
获取当前时刻的第一观测图像和上一时刻的第二观测图像；
[0162]
采用第二resnet-18网络对第一观测图像进行特征提取，得到第一特征；
[0163]
采用第三resnet-18网络对第二观测图像进行特征提取，得到第二特征；
[0164]
第一特征馈送至至少一个卷积层进行处理，得到第一卷积结果；
[0165]
第二特征馈送至至少一个卷积层进行处理，得到第二卷积结果；
[0166]
第一卷积结果和第二卷积结果发送至全连接层处理，得到上一时刻动作预测值；
[0167]
获取上一时刻动作真值；
[0168]
根据上一时刻动作预测值和上一时刻动作真值，确定优化目标函数；
[0169]
目标函数最小时对应的动作为最优动作。
[0170]
可选的，异步优势行动者-批评家网络中奖励函数为：
[0171]
当发出特殊终止信号且目标单词可见时，确定奖励为达到目标的预设奖励；
[0172]
当特殊终止信号未发出时，确定奖励为相似度
[0173]
否则，确定奖励为时间惩罚。
[0174]
本实施例提供的一种室内目标驱动视觉导航装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。
[0175]
图5为本发明实施例提供的一种电子设备的结构示意图。如图5所示，示出了适于用来实现本技术实施例的电子设备300的结构示意图。
[0176]
如图5所示，电子设备300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有设备300操作所需的各种程序和数据。
cpu 301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
[0177]
以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至i/o接口306。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
[0178]
特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述室内目标驱动视觉导航方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。
[0179]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0180]
描述于本技术实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
[0181]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0182]
作为另一方面，本技术还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本技术的室内目标驱动视觉导航方法。
[0183]
存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何
其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0184]
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0185]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。