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！

龙图腾网恭喜重庆大学申请的专利基于视觉的多智能体分布式快速SLAM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：CN114821127B 。

龙图腾网通过国家知识产权局官网在2025-03-14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：202210540007.7，技术领域涉及：G06V10/74；该发明授权基于视觉的多智能体分布式快速SLAM方法是由陈刚;曾元;任江洪;胡彬;赖鑫;蒲嫦莉;颜小力设计研发完成，并于2022-05-17向国家知识产权局提交的专利申请。

本基于视觉的多智能体分布式快速SLAM方法在说明书摘要公布了：本发明涉及一种基于视觉的多智能体分布式快速SLAM方法，属于图像处理技术领域。在特征点匹配前，首先将相机采集到的图片进行分割，让特征点均匀分布在每个区域，使选取的特征点更具有代表性；其次设计了一种“点线”特征，生成新的词袋，并利用强化学习进行回环检测，解决了点特征在低纹理低对比度环境下性能不足的问题；由于对姿态矩阵不能直接运用凸优化算法，所以运用对偶原理将原问题转化为一个强凸的对偶问题，运用拉格朗日乘子法进行迭代求解，并证明了原问题与对偶问题的等价；之后，由于算法的收敛速度较慢，设计了一种基于随机矩阵的位姿平均算法，多智能体位姿收敛速度显著加快。

本发明授权基于视觉的多智能体分布式快速SLAM方法在权利要求书中公布了：1.基于视觉的多智能体分布式快速SLAM方法，其特征在于：该方法包括以下步骤：S1：问题描述；S2：建立特征匹配算法；S3：回环检测；S4：建立一致性算法和地图融合算法；所述S1具体为：由n个智能体构建一个地图，设智能体的位姿模型为： R为旋转矩阵，表示智能体的姿态，属于李群的元素，满足SO3＝{R∈M3×3|RTR＝RRT＝I,detR＝1}，R的F-范数记为||R||＝trRRT＝trRTR，且记矩阵内积为＜A,B＞＝trATB，其中A,B∈M3×3；给定智能体的初始位姿T0，得到n个智能体的相对位姿；将相机采集到的关键帧进行灰度转换、特征提取和特征匹配，利用对极几何和PNP求解智能体在两个关键帧之间的运动，左乘智能体上一时刻的位姿，得到当前关键帧智能体的位姿： 其中，Ti为第i个关键帧智能体的位姿，Tii-1为第i个关键帧与前一关键帧之间的相对运动；在智能体组建立局部地图之后，机器人领导者之间具有位姿差异，将智能体位姿进行归一化： 将T用R和t表示 其中Ti是i组智能体的位姿，Ri是i组智能体姿态，是一致性姿态，当所有智能体的姿态一致时，将局部地图进行对应的旋转之后，就能将地图直接融合；所述S2具体为：S21：将采集到的图像转化为灰度图像，并进行中值滤波处理；S22：将处理后的图像均匀分成10×10个小区域；S23：计算每个特征的对比度，用方差表示，排除对比度σ＜ζ的区域；E＝EP S24：在剩余的区域中，每个区域提取相同数量的点特征和线特征；S25：采样时间为T，智能体得到速度为v，则x＝kTv；k为比对系数，x为比对距离；S26：匹配某区域的特征时，在距离小于x的2x+12-1个区域中的特征进行比，选取描述子距离最近的特征进行匹配；S27：在进行特征匹配之后，根据匹配的特征点对计算相机的运动；两张图片中的像素点匹配正确，说明他们是同一个点在两个面上的投影，利用对极几何约束求解相机的运动；所述S3具体为：在进行特征提取之后，利用聚类的方法让每幅图像中的特征组成5个词条，存入一个词袋中；词条的数量随着系统运行而增加；将词条用参数表示，每幅图中的词条信息用向量进行表示，前两幅图中的词条信息表示为：P1＝1·o1+1·o2+1·o3+1·o4+1·o53-1P2＝1·o3+1·o5+1·o6+1·o7+1·o83-2其中Pi表示第i幅图的词条信息；假设当前时刻共采集m张图像，且词袋中共有n个词条，用一个m*n的词袋矩阵来表示整个SLAM过程中的词条信息； 当i时刻采集到的图像的词条信息向量Pi＝1·o3+1·o5+1·o6+1·o7+1·o8，Pi＝P2，则机器人当前处在第二幅图所在的位置；对比词条信息向量，不用遍历整个词袋，其时间复杂度为O5m；所述S4具体为：第i组智能体的姿态为Ti，得到一致性姿态： 将转移矩阵拆分为R和t两部分求解，知t为平移向量，是一个不带约束的三维列向量，得t的最优解为 在只考虑旋转矩阵的情况下，将式4-1简化为以下形式 将上式中矩阵范数展开得 求解旋转矩阵的一致性解即在凸包SO3上得到最优化线性函数；将convex{SO3}用一个2m-1×2m-1的半正定矩阵P表示 其中P≥0,traceP＝1，将上述变换用AP表示，得SO3＝{AP|P≥0,trP＝1}4-6变换AP将2m-1×2m-1半正定矩阵转换为m×m维的旋转矩阵，给定矩阵 令其中 则 定义一个矩阵内积的伴随算子A*R，以实现m×m维的旋转矩阵到2m-1×2m-1维的半正定矩阵的转换， 则原问题表示为 其最优解 其中α为A*R的最大特征值的特征向量；将所有的智能体分成三个小组，将一致性问题写成如下形式： s.t.Ri∈SO3 或者写成参数P的形式： s.t.Pi≥0,traceP＝1 将上式中的等式约束写成拉格朗日形式，如 其中P是迹为1的半正定矩阵，Y是对称矩阵，根据梯度下降法解拉格朗日函数，写成分布式算法形式：Pit+1＝maxtrTmpTP 其中Pi≥0,tracePi＝1,i,j∈V；在上述拉格朗日迭代公式中，旋转矩阵只能在每次迭代时进行一次更新，收敛的速率较低，提出基于随机矩阵的梯度下降算法：根据智能体的通信拓扑，设置相应的权值，建立随机矩阵W；S41：基于当前姿态更新权值 S42：选取平均系数k，用梯度下降法解拉格朗日函数 S43：基于随机矩阵的估计值 在进行上述迭代时，每进行一次迭代，利用得到每次迭代第i组智能体的姿态则从上一次迭代到当前姿态的旋转矩阵为在进行迭代时，同时将每个小组构建的局部地图进行旋转，其旋转矩阵为利用上述随机矩阵的梯度下降算法，使各组智能体快速收敛于一致性值P*，利用式得到智能体一致性姿态当迭代收敛时，实现各局部地图的融合。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙坪坝正街174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”。