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！

申请/专利权人：电子科技大学

摘要：本发明公开了一种基于缺失信息填补的多机协同SLAM点云数据压缩方法，将原始的多机协同SLAM点云数据转换为八叉树点云并展开成一维的节点序列，通过上下文信息整合得到每个节点的综合特征矩阵，基于Transformer模型进行缺失信息填补，构建包括嵌入模块，多头注意力模块，多层感知机和softmax层的概率估计模型，根据填补综合特征矩阵得到每个节点的概率分布，采用熵编码对八叉树点云进行压缩，得到压缩点云数据，在解压缩时首先基于熵编码将压缩点云数据恢复为八叉树点云，然后再根据八叉树点云对点云数据进行重建，从而恢复得到多机SLAM点云数据。本发明利用Transformer模型根据上下文信息填补丢失部分信息，提高概率分布估计的准确性，进而提高数据压缩性能。

主权项：1.一种基于缺失信息填补的多机协同SLAM点云数据压缩方法，其特征在于，包括以下步骤：S1：将原始的多机协同SLAM点云数据根据八叉树编码原理进行转换，得到八叉树点云并编码得到每个节点的八位二进制特征；然后对每个节点进行占用状态标记，如果该节点对应的子空间内包含点云数据，则节点被标记为占用，否则为非占用；S2：将步骤S1构建的八叉树点云，基于宽度优先法将其展开成一维的节点序列S＝[F1,F2,…,FM]，M表示八叉树点云中占用节点数量，Fi表示第i个占用节点的八位二进制特征转换得到的十进制特征值，i＝1,2,…,M；S3：分别对每个节点i构建其特征向量Ei＝Fi,leveli,octanti，其中leveli表示八叉树点云中节点i的深度，octanti表示节点i的八分程；S4：通过上下文信息整合得到每个节点的综合特征矩阵，具体方法为：采用预设尺寸为C的窗口对节点序列S进行截取，得到Q个子序列sq，q＝1,2,…,Q；将节点序列S中子序列sq之前的N个占用节点作为兄弟节点对子序列sq进行扩展，得到长度为N+C的扩展子序列对于扩展子序列中每个节点j，根据八叉树点云得到节点j最近的K个父节点，将节点j的K个父节点及其自身的特征向量构成大小为K+1×3的特征矩阵，如果某个节点不存在，则采用0向量对对应特征向量进行填充；然后将扩展子序列中N+C个节点j的特征矩阵构成大小为N+C×K+1×3的三维特征矩阵；当节点i∈sq，则将扩展子序列对应的三维特征矩阵作为节点i的综合特征矩阵Xi；S5：对于每个综合特征矩阵Xi，判断其中是否存在为0向量的节点特征向量，如果不存在，则令填补综合特征矩阵如果存在，则基于Transformer模型进行缺失信息填补，具体方法为：将综合特征矩阵Xi输入预训练好的Transformer模型得到重构综合特征矩阵Xi′，然后将综合特征矩阵Xi中为0向量的节点特征向量采用重构综合特征矩阵Xi′中对应特征向量进行替换，从而得到填补综合特征矩阵Transformer模型的预训练方法为：根据实际需要获取若干完整的综合特征矩阵，随机将其中若干个特征向量置为0，将处理后的综合特征矩阵作为输入，原始综合特征矩阵作为期望输出，将重构综合特征矩阵和原始综合特征矩阵之间的差异程度作为损失函数，对Transformer模型进行训练；S6：构建概率估计模型，包括嵌入模块，多头注意力模块，多层感知机和softmax层，其中：嵌入模块用于对填补综合特征矩阵映射至高维空间，得到嵌入特征Hi并发送至多头注意力模块；多头注意力模块用于采用多头注意力机制对嵌入特征Hi进行处理，得到综合特征矩阵中每个节点i的上下文融合特征t＝0,1,…,T-1，T表示多头注意力模块中注意力头的数量，然后将上下文融合特征发送至多层感知机；上下文融合特征的计算方法为：采用如下公式计算第t个注意力头中节点j对上下文中每个节点j′的注意力分数： 其中，MLP1、MLP2表示多头注意力模块中的多层感知机，表示嵌入特征Hi中节点j对应的特征向量；然后采用如下公式计算得到节点i的上下文融合特征 其中，MLP3表示多头注意力模块中的多层感知机；多层感知机用于对节点i的上下文融合特征进行处理，得到特征向量并输出至softmax层；softmax层用于采用softmax函数对特征向量Vi进行处理，得到节点i的八位二进制特征不同取值的概率分布其中表示对应十进制特征值为k的八位二进制特征的概率，k＝1,2,…,256；采用如下方法对概率估计模型进行训练：将M个填补综合特征矩阵输入概率估计模型，得到每个节点i的概率分布然后采用如下公式计算得到损失函数loss： 根据损失函数loss对概率估计模型的参数进行更新，如此循环直到损失函数收敛；将M个填补综合特征矩阵输入训练好的概率估计模型，得到每个节点i的概率分布S7：根据计算得到的每个节点i的概率分布采用熵编码对八叉树点云进行压缩，得到压缩点云数据；S8：当需要对压缩点云数据进行恢复时，首先基于熵编码将压缩点云数据恢复为八叉树点云，然后再根据八叉树点云对点云数据进行重建，从而恢复得到多机SLAM点云数据。

全文数据：

权利要求：

百度查询： 电子科技大学 基于缺失信息填补的多机协同SLAM点云数据压缩方法