基于特征编码和动态路由优化的视觉定位方法

针对视角变化、光照变化、大尺度和动态物体等复杂场景下，移动机器人定位的准确性低、鲁棒性差等问题，提出基于特征编码和动态路由优化的视觉定位方法。首先，引入基于残差网络的特征编码策略，提取图像的几何特征和语义特征，减少图像噪声信息，加快模型的收敛速度；其次，通过熵密度峰值优化网络的动态路由机制，采用向量表示特征之间的空间位置关系，提升图像特征提取和表达能力，优化网络整体性能；最后，融合优化后的特征编码和动态路由网络，将全局特征描述符和特征向量相结合，保留特征间的差异性和关联性，计算图像特征的相似性用于闭环检测。实验结果表明，相比基于VGG、AlexNet、BoVW及GIST的视觉定位方法，所提方法的准确率分别提高了24.54%、23.06%,43.81%和42.69%，实现了复杂场景下移动机器人闭环检测，提高了定位和建图的准确性和鲁棒性。     

基于启发式算法的移动机器人SLAM

为了实现GPS信号缺失下的移动机器人自主导航,解决传统粒子滤波中的粒子退化以及粒子贫乏引起的移动机器人定位和导航精度下降问题,提出了基于小生境理论的启发式蝙蝠优化粒子滤波的同时定位与地图构建算法。首先,在启发式蝙蝠优化算法的速度和位置更新过程中,引入惯性权重,加快了算法寻优精度,提高了收敛速度;然后,利用小生境理论进一步优化启发式蝙蝠算法,利用排挤机制和惩罚函数,有效地保证了种群的多样性,提高了算法的全局寻优能力;最后,将基于小生境理论的启发式蝙蝠优化算法用于传统粒子滤波采样中,使得粒子能够智能、快速地向高似然区域运动,同时提高了传统粒子滤波算法的全局寻优能力和寻优精度。实验结果表明:该算法显著提高了移动机器人导航和定位的精度和实时性。