买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利基于深度学习点线特征和IMU紧耦合的机器人运动估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114708293B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210283858.8，技术领域涉及：G06T7/207；该发明授权基于深度学习点线特征和IMU紧耦合的机器人运动估计方法是由许泽曦;蔡述庭;熊晓明;刘远;黄楠;张启航设计研发完成，并于2022-03-22向国家知识产权局提交的专利申请。

本基于深度学习点线特征和IMU紧耦合的机器人运动估计方法在说明书摘要公布了：本发明公开了一种基于深度学习点线特征和IMU紧耦合的机器人运动估计方法，包括：对当前帧图像进行实例分割处理得到动态像素和静态像素；对于静态像素部分，提取预测的重复性单元和稠密描述子并进行线特征提取；获取像素级可重复性图和分块级可重复性图，采用基于可重复性的残差，构造点特征重投影误差函数，从而估计机器人位姿；利用线特征构建线特征重投影误差函数，约束位姿估计；对连续两帧图像之间的IMU数据进行预积分，构造IMU误差函数对位姿的迭代优化；最小化点特征重投影误差函数、线特征重投影误差函数以及IMU误差函数之和来优化所有状态变量，求得准确的机器人位姿信息。本发明解决了现有技术在动态环境中定位精度不高、鲁棒性差等问题。

本发明授权基于深度学习点线特征和IMU紧耦合的机器人运动估计方法在权利要求书中公布了：1.一种基于深度学习点线特征和IMU紧耦合的机器人运动估计方法，其特征在于，包括： 实时采集机器人运动过程中通过相机拍摄的图像作为当前帧图像；对当前帧图像进行实例分割处理，从而区分得到当前帧图像中的动态像素和静态像素； 对于当前帧图像中的静态像素部分，提取预测的重复性单元和稠密描述子； 对当前帧图像中的静态像素部分进行线特征提取； 根据提取到的重复性单元和稠密描述子，获取像素级可重复性图和分块级可重复性图，采用基于可重复性的残差替代传统直接法的光度残差，构造点特征重投影误差函数，从而估计机器人位姿； 利用对静态像素部分提取的线特征，构建线特征重投影误差函数，约束位姿估计； 利用IMU获得机器人的IMU数据，对连续两帧图像之间的IMU数据进行预积分，构造IMU误差函数对位姿的迭代优化； 最小化点特征重投影误差函数、线特征重投影误差函数以及IMU误差函数之和来优化所有状态变量，求得准确的机器人位姿信息； 所述对当前帧图像中的静态像素部分进行线特征提取，包括： 首先计算静态像素部分图像的每个像素的水平线角度，从而得到一个单位向量场，使单位向量场中所有向量都和经过像素的水平线相切；接着再选取静态像素部分图像中方向连贯的图像像素区域，对于每个选出的所述图像像素区域，先将其视为一条线段s，若图像像素区域的梯度相互独立，则说明图像像素区域的像素之间不存在线段相关性，即该图像像素区域无线段存在；定义NFAM为像素梯度之间无相关性的警告次数： 其中，NLoI表示静态像素部分图像中线段可能存在的数量；γ表示归一化值；S表示存在一条可能包含n条子线段{s1,...,sn}的线段；u和v分别代表图像像素区域的长和宽；而K＝{k1,...,kn}，ki表示与子线段sii＝1,2,…,n方向相同的像素个数；p是在图像像素区域内的一个随机像素q与线段si的方向θsq相同的概率，β|si|,ki,p是二项分布； 若NFAMS,K,p越小则说明某个像素区域中的像素梯度相互关联，即该像素区域可能存在线段；设定阈值η，当NFAMS,K,pη，则s视为提取出的线特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510062 广东省广州市越秀区东风东路729号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。