一种无人艇自主定位方法及装置

本发明涉及无人艇自主定位，具体地，涉及一种用于内河的无人艇自主定位方法及装置。

背景技术：

1、近年来，无人艇由于其具有执行水上复杂任务的能力而日益突出，商业、科学和环境界对其的强烈需求加快了无人艇的应用和发展。无人艇常见使用场景有水文测量和制图、海洋资源勘探、水质检测和漂浮废物清除等等。相较于海上以及沿海无人艇，用于狭窄内河的无人艇与人类生活息息相关，具有更大的潜在研究价值。

2、与在开放的海上水域航行不同，狭窄内河场景所带来的挑战比如环境中障碍物的复杂分布、全球定位系统信号受干扰、水面动态波纹、雾气及强光反射等等都阻碍了无人艇在狭窄内河航道的应用。基于狭窄内河无人艇感知定位方面的需求和挑战，可以使用同时定位与建图(simultaneous localization and mapping，slam)方法来实现无人艇在狭窄内河航道的精准定位。然而由于激光雷达slam会受到水面雾气和强光反射等影响造成位姿估计不准确，并且其昂贵的传感器设备并不适用于小型的民用狭窄内河无人艇。

3、由于深度学习的快速发展，基于卷积神经网络的特征点检测匹配方法在slam系统中得到了应用，深度学习方法通过在原有的slam系统中替换相应的特征点提取匹配方法而融合成新的slam系统，但是由于特征点检测匹配方法对训练场景存在依赖性，因此，针对上述存在的问题，为提升slam系统在狭窄内河的复杂场景下的定位精度，并综合考虑狭窄内河环境中动态水波纹影响特征点提取、传统特征点提取不鲁棒以及岸边植被重复纹理影响位姿估计等因素，从深度学习对传统slam框架进行模块替换的角度出发，构建了适用于狭窄内河无人艇自主定位的slam系统。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的在于提供一种无人艇自主定位方法及装置，通过将传统的slam框架与改进的深度学习方法融合，实现无人艇的精准定位。

2、为解决上述问题，本发明的技术方案为：

3、一种无人艇自主定位方法，包括以下步骤：

4、建立水岸分割模型；

5、使用改进的superpoint方法对特征点进行提取匹配，建立深度学习特征点提取模型；

6、构建权重重投影误差优化；

7、构建无人艇自主定位模型；

8、将艇载相机获取的实时图像帧序列输入到所构建的无人艇自主定位模型中得到无人艇航行轨迹估计。

9、优选地，所述建立水岸分割模型的步骤具体包括：基于deeplab v3+算法建立水岸分割模型inland-deeplab v3+，inland-deeplab v3+算法是通过在deeplab v3+算法编码器输入层中多输出一层低级特征，并对其中间层重复8次所得到。

10、优选地，所述建立水岸分割模型的步骤具体包括：设置水面区域和背景区域权重占比其中w0为背景像素权重，w1为水面区域像素权重。

11、优选地，所述使用改进的superpoint方法对特征点进行提取匹配，建立深度学习特征点提取模型的步骤具体包括：将cbam注意力机制加入到superpoint方法中，建立深度学习特征点提取模型attention-superpoint。

12、优选地，所述构建权重重投影误差优化的步骤具体包括：对已提取特征点的图片进行图像显著性检测得到灰度图像，将权重归一化其中，wi为第i个特征点的权重；pi是对应的每个特征点的显著性图像中的像素值；b为权重优化系数，确定权重系数后有权重重投影误差公式

13、其中pl表示当前关键帧以及当前关键帧具有共视关系的局部关键帧的位姿，tl表示可以在局部关键帧中所有可以观察到的三维点坐标，ρ表示huber函数，χj是当前帧与第j个局部关键帧的映射点匹配的特征点集，e(j,k)定义为

14、优选地，所述构建无人艇自主定位模型的步骤具体包括：构建无人艇自主定位模型inland-slam，所述inland-slam通过水岸分割方法将含有动态水波纹以及河岸植被反射的水面噪声剔除，并通过基于深度学习的attention-superpoint方法对图像帧进行特征点提取匹配，以及进行权重重投影误差进行优化。

15、进一步地，本发明还提供一种无人艇自主定位装置，所述装置包括：

16、传感器信息读取模块：用于基于deeplab v3+算法建立水岸分割模型inland-deeplab v3+；

17、视觉里程计模块：用于将cbam注意力机制加入到superpoint方法中，建立深度学习特征点提取模型attention-superpoint；

18、后端优化模块：用于通过图像显著性salgan实现对无人艇位姿以及三维点优化过程中的权重重投影误差优化；

19、回环检测模块：用于建立基于attention-superpoint特征点词袋模型，实现快速准确的对相同图像进行匹配，并获得全局一致性的地图；

20、模型融合及应用模块：用于对于输入的图像帧，通过无人艇自主定位模型inland-slam输出无人艇航行轨迹估计。

21、优选地，所述传感器信息读取模块所使用inland-deeplab v3+算法是基于deeplab v3+算法，通过在其编码器输入层中多输出一层低级特征，并对其中间层重复8次所得到。

22、优选地，所述视觉里程计模块中改进的attention-superpoint算法是在其主干网络中加入cbam注意力机制所得到。

23、优选地，所述权重重投影误差优化公式为：

24、其中pl表示当前关键帧以及与当前关键帧具有共视关系的局部关键帧的位姿，tl表示可以在局部关键帧中所有可以观察到的三维点坐标，ρ表示huber函数，χj是当前帧与第j个局部关键帧的映射点匹配的特征点集，e(j,k)的定义为

25、与现有技术相比，本发明通过水岸分割屏蔽水面噪声，通过改进的注意力机制进行特征点提取匹配，加强对水面环境的适应性，通过权重重投影误差优化降低重复纹理区域特征点权重，从而在狭窄内河环境中得到准确、鲁棒的无人艇轨迹估计，使无人艇自主定位更加接近真实轨迹。

技术特征：

1.一种无人艇自主定位方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述建立水岸分割模型的步骤具体包括：基于deeplab v3+算法建立水岸分割模型inland-deeplab v3+，inland-deeplab v3+算法是通过在deeplab v3+算法编码器输入层中多输出一层低级特征，并对其中间层重复8次所得到。

3.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述建立水岸分割模型的步骤具体包括：设置水面区域和背景区域权重占比其中w0为背景像素权重，w1为水面区域像素权重。

4.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述使用改进的superpoint方法对特征点进行提取匹配，建立深度学习特征点提取模型的步骤具体包括：将cbam注意力机制加入到superpoint方法中，建立深度学习特征点提取模型attention-superpoint。

5.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述构建权重重投影误差优化的步骤具体包括：对已提取特征点的图片进行图像显著性检测得到灰度图像，将权重归一化其中，wi为第i个特征点的权重；pi是对应的每个特征点的显著性图像中的像素值；b为权重优化系数，确定权重系数后有权重重投影误差公式其中pl表示当前关键帧以及当前关键帧具有共视关系的局部关键帧的位姿，tl表示可以在局部关键帧中所有可以观察到的三维点坐标，ρ表示huber函数，χj是当前帧与第j个局部关键帧的映射点匹配的特征点集，e(j,k)定义为

6.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述构建无人艇自主定位模型的步骤具体包括：构建无人艇自主定位模型inland-slam，所述inland-slam通过水岸分割方法将含有动态水波纹以及河岸植被反射的水面噪声剔除，并通过基于深度学习的attention-superpoint方法对图像帧进行特征点提取匹配，以及进行权重重投影误差进行优化。

7.一种无人艇自主定位装置，其特征在于，所述装置包括：

8.根据权利要求7所述的无人艇自主定位装置，其特征在于，所述传感器信息读取模块所使用inland-deeplab v3+算法是基于deeplab v3+算法，通过在其编码器输入层中多输出一层低级特征，并对其中间层重复8次所得到。

9.根据权利要求7所述的无人艇自主定位装置，其特征在于，所述视觉里程计模块中改进的attention-superpoint算法是在其主干网络中加入cbam注意力机制所得到。

10.根据权利要求7所述的无人艇自主定位装置，其特征在于，所述权重重投影误差优化公式为：其中pl表示当前关键帧以及与当前关键帧具有共视关系的局部关键帧的位姿，tl表示可以在局部关键帧中所有可以观察到的三维点坐标，ρ表示huber函数，χj是当前帧与第j个局部关键帧的映射点匹配的特征点集，e(j,k)的定义为

技术总结
本发明提供一种无人艇自主定位方法及装置，所述方法包括：建立水岸分割模型；使用改进的SuperPoint方法对特征点进行提取匹配，建立深度学习特征点提取模型；构建权重重投影误差优化；构建无人艇自主定位模型；将艇载相机获取的实时图像帧序列输入到所构建的无人艇自主定位模型中得到无人艇航行轨迹估计。本发明通过将传统的SLAM框架与改进的深度学习方法融合，实现无人艇的精准定位。

技术研发人员：王胜正,刘一锋
受保护的技术使用者：上海海事大学
技术研发日：
技术公布日：2024/1/14