買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜南京航空航天大學;江蘇科力機械有限公司申請的專利基于EKF的模板匹配VO與輪式里程計融合定位方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114993298B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-30發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210472832.8，技術(shù)領域涉及：G01C21/16；該發(fā)明授權(quán)基于EKF的模板匹配VO與輪式里程計融合定位方法是由曾慶喜;馬鑫燁;陳斌華;常婷婷;歐邦俊;俞建浩;胡義軒設計研發(fā)完成，并于2022-04-29向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于EKF的模板匹配VO與輪式里程計融合定位方法在說明書摘要公布了：本發(fā)明公開了基于EKF的模板匹配VO與輪式里程計融合定位方法，包括：創(chuàng)建地面圖像數(shù)據(jù)集，為地面圖像數(shù)據(jù)集添加地形復雜度作為標簽；利用地面圖像數(shù)據(jù)集訓練卷積神經(jīng)網(wǎng)絡模型；采集地面圖像輸入訓練好的卷積神經(jīng)網(wǎng)絡模型中，得到當前地面的地形復雜度；計算當前地面的圖像熵；根據(jù)地形復雜度和圖像熵，計算當前地面的模板選取策略，根據(jù)模板選取策略進行模板匹配VO估算，得到位姿結(jié)果；將輪式里程計估算出的位姿和經(jīng)過慣性測量單元解算出的位姿通過擴展卡爾曼濾波方法進行融合，將融合后得到的位姿作為次級濾波器的預測值，結(jié)合模板匹配VO估算出的位姿結(jié)果，得到最終的機器人定位結(jié)果，提高定位結(jié)果的穩(wěn)定性，實現(xiàn)更精準、更魯棒的定位。

本發(fā)明授權(quán)基于EKF的模板匹配VO與輪式里程計融合定位方法在權(quán)利要求書中公布了：1.基于EKF的模板匹配VO與輪式里程計融合定位方法，其特征在于，包括如下步驟：步驟1，采集不同類型地面的圖像數(shù)據(jù)，創(chuàng)建地面圖像數(shù)據(jù)集，為地面圖像數(shù)據(jù)集中的每幅圖像添加地形復雜度作為標簽；步驟2，利用添加標簽后的地面圖像數(shù)據(jù)集訓練卷積神經(jīng)網(wǎng)絡模型，得到訓練好的卷積神經(jīng)網(wǎng)絡模型；步驟3，利用機器人上安裝的攝像頭采集地面圖像輸入訓練好的卷積神經(jīng)網(wǎng)絡模型中，得到當前地面的地形復雜度；步驟4，計算當前地面的圖像熵；步驟5，根據(jù)地形復雜度和圖像熵，實時計算當前地面的模板選取策略，根據(jù)模板選取策略進行模板匹配VO估算，得到位姿結(jié)果；所述根據(jù)地形復雜度和圖像熵，實時計算當前地面的模板選取策略，具體如下：預先設置地形復雜度閾值E和圖像熵閾值F，對于大小為640*480像素尺寸的第i幀地面圖像，根據(jù)步驟3和步驟4得到第i幀地面圖像的地形復雜度ρi和圖像熵Si，若ρi小于E且Si小于F，則在地面圖像中初始化大小為240×240像素尺寸的模板；若ρi大于E且Si小于F，則在地面圖像中初始化大小為180×180像素尺寸的模板；若ρi小于E且Si大于F，則在地面圖像中初始化大小為200×200像素尺寸的模板；若ρi大于E且Si大于F，則在地面圖像中初始化大小為160×160像素尺寸的模板；模板的中心與地面圖像的中心重合；步驟6，將輪式里程計估算出的位姿和經(jīng)過慣性測量單元解算出的位姿通過擴展卡爾曼濾波方法即初級濾波器進行融合，將融合后得到的位姿作為次級濾波器的預測值，結(jié)合模板匹配VO估算出的位姿結(jié)果作為次級濾波器的觀測值，得到最終的機器人定位結(jié)果；所述擴展卡爾曼濾波方法根據(jù)系統(tǒng)的運動模型和觀測模型實現(xiàn)預測和更新兩個步驟，運動模型和觀測模型分別為：xt＝Gtxt-1+wtzt＝Htxt+Vt其中，xt為當前t時刻系統(tǒng)狀態(tài)矩陣；xt-1為上一時刻系統(tǒng)狀態(tài)矩陣；Gt為當前時刻系統(tǒng)狀態(tài)傳遞矩陣；zt為當前時刻系統(tǒng)的觀測值矩陣；Ht為系統(tǒng)當前時刻狀態(tài)量與觀測值之間的傳遞矩陣；wt和Vt分別為當前時刻系統(tǒng)的過程噪聲矩陣和觀測噪聲矩陣；預測過程： 其中，為當前時刻系統(tǒng)狀態(tài)矩陣估計值；為當前時刻系統(tǒng)的狀態(tài)估計協(xié)方差；Rt為當前時刻系統(tǒng)的過程噪聲協(xié)方差；Σt-1為上一時刻系統(tǒng)狀態(tài)協(xié)方差；更新過程：計算卡爾曼增益Kt： 其中，Qt為觀測值誤差協(xié)方差矩陣；利用Kt和觀測值更新移動機器人的狀態(tài)矩陣xt和系統(tǒng)協(xié)方差矩陣： 其中，I為單位矩陣。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南京航空航天大學;江蘇科力機械有限公司，其通訊地址為：210016 江蘇省南京市秦淮區(qū)御道街29號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。