基于长期度量学习和图像匹配变换的机器人视觉定位研究

长期度量和自定位是自主移动机器人的基本功能,但由于光照、天气或季节变化,导致机器人采集的图像外观存在较大变化,为机器人行进、定位系统的正常运行带来了挑战。虽然基于运行经验的图像映射可以弥补图像外观的差距,但在几天或几个月的较长时间跨度内,就很难满足机器人可靠度量所需的数据量,为此从色彩恒常性理论出发,基于深度神经网 络构建了RGB至灰度的非线性映射关系,实现了不同光照和天气条件下,图像内部特征匹配数的最大化。最后利用人工合成数据集与真实图像数据集进行了对比实验?,实验结果显示在昼夜周期中,机器人视觉定位性能显著改进,同时显著降低了数据需求,实验发现结合低维图像的纹理特征,可以进一步改善图像外观特征匹配的效果。