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！

龙图腾网恭喜七腾机器人有限公司申请的专利基于变分贝叶斯的移动机器人视觉惯性融合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：CN115388899B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202211125734.3，技术领域涉及：G01C21/20；该发明授权基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法是由朱冬;方向明;张建;唐国梅;宋雯设计研发完成，并于2022-09-15向国家知识产权局提交的专利申请。

本基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法在说明书摘要公布了：本发明提供了基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法，包括：S1，获得移动机器人k时刻的预测状态向量和协方差矩阵；S2，建立k时刻观测噪声的符合基于伽马分布的学生t混合分布的模型，基于移动机器人k时刻的视觉信息、观测噪声模型和预测状态向量获得层次高斯形式的似然函数分布；S3，基于似然函数分布构建联合后验概率密度函数，利用变分贝叶斯方法对后验联合概率密度函数进行联合求解获得移动机器人k时刻的状态向量。提出一种新的分布对观测噪声进行建模，以降低非平稳厚尾噪声对视觉和惯性数据融合结果精度的影响，并且利用变分贝叶斯实现对移动机器人状态的联合估计，提高最终输出的状态向量精度。

本发明授权基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法在权利要求书中公布了：1.基于变分贝叶斯的移动机器人视觉惯性融合SLAM方法，其特征在于，包括：步骤S1，基于移动机器人k-1时刻的状态向量和协方差矩阵，以及移动机器人k时刻的IMU数据和系统噪声协方差矩阵，获得移动机器人k时刻的预测状态向量和一步预测误差协方差矩阵；步骤S2，建立k时刻观测噪声的符合基于伽马分布的学生t混合分布的模型，基于移动机器人k时刻的视觉信息、观测噪声模型和预测状态向量获得层次高斯形式的似然函数分布；步骤S3，基于似然函数分布构建联合后验概率密度函数，利用变分贝叶斯方法对联合后验概率密度函数进行联合求解获得移动机器人k时刻的状态向量；在所述步骤S2中，移动机器人k时刻的观测噪声模型为： 其中，vk表示移动机器人k时刻的观测噪声，表示vk的初始值；βk表示形状参数，βk的分布函数为其中，表示第一常实数，y表示第二常实数，Im表示m阶单位矩阵；Rk表示尺度矩阵；uk表示第一自由度，uk的分布函数为puk＝Guk；ak，bk，ak、bk分别是属于uk的伽马分布的第一实数参数和第二实数参数；δk表示第二自由度；λk表示第一辅助参数，λk的分布函数为pλk＝Gλk；δk2，δk2；ξk表示第二辅助参数，ξk的分布函数为pξk＝Gξk；uk2，uk2；N表示高斯分布；G表示伽马分布，GaSTM表示基于伽马分布的学生t混合分布；在所述步骤S2中，基于移动机器人k时刻的视觉信息、观测噪声模型和预测状态向量获得层次高斯形式的似然函数分布的步骤包括：基于移动机器人k时刻的视觉信息获取移动机器人k时刻的视觉状态信息Yk，且Yk满足Yk＝HkXk|k-1+vk；其中，Hk表示观测矩阵，表示移动机器人k时刻的视觉状态信息Yk与预测状态向量Xk|k-1的映射关系；建立似然函数分布为：pYk|Xk|k-1＝GaSTMYk；HkXk|k-1，βk，Rk，uk，δk；将似然函数分布转换为层次高斯形式为： Xk表示移动机器人k时刻的状态向量；在所述步骤S3中，联合后验概率密度函数为：pXk，λk，ξk，uk，βk，Yk≈qXkqλkqξkqukqβk；其中，qXk表示移动机器人k时刻的状态向量Xk的近似概率密度函数；qλk表示第一辅助参数λk的近似概率密度函数；qξk表示第二辅助参数ξk的近似概率密度函数；quk表示第一自由度uk的近似概率密度函数；qβk表示形状参数βk的近似概率密度函数；在所述步骤S3中，利用变分贝叶斯方法对联合后验概率密度函数进行联合求解获得k时刻移动机器人的融合状态向量的步骤包括：步骤S31，参数初始化： 步骤S32，利用变分贝叶斯方法迭代更新联合后验概率密度函数，每次迭代后分别求取Xk、λk、ξk、uk、βk的期望值，若达到迭代停止条件，输出最后一次迭代后获得的移动机器人k时刻的状态向量Xk和协方差矩阵Pk|k；在所述步骤S32中，对于第i+1次迭代，执行：步骤S321，基于变分贝叶斯方法求取Xk在第i+1次迭代中的近似概率密度函数为： 其中，表示第i+1次迭代中k时刻移动机器人的状态向量，Xk|k-1表示移动机器人k时刻的预测状态向量，Pk|k-1表示移动机器人k时刻的一步预测误差协方差矩阵，表示第i+1次迭代的卡尔曼增益，Ei[λk]表示λk在第i次迭代的期望值，Ei[βk]表示βk在第i次迭代的期望值，Ei[ξk]表示ξk在第i次迭代的期望值，表示第i+1次迭代中k时刻移动机器人的协方差矩阵；步骤S322，基于变分贝叶斯方法求取λk在第i+1次迭代中的最优解为： 其中，Ei[ξk]表示ξk在第i次迭代的期望值，tr{}表示求取矩阵的迹；n1、n2、n3分别为第三辅助参数、第四辅助参数、第五辅助参数；Ei[Yk-HkXkYk-HkXkT]表示Yk-HkXkYk-HkXkT在第i次迭代的期望值；表示在第i次迭代的期望值；m表示单位矩阵Im的阶数；步骤S323，基于变分贝叶斯方法求取ξk在第i+1次迭代中的近似概率密度函数为： 其中，Ai+1表示第六辅助参数A在第i+1次迭代中的值，Bi+1表示第七辅助参数B在第i+1次迭代中的值，ci+1表示第八辅助参数C在第i+1次迭代中的值，Ei[uk]表示uk在第i次迭代的期望值，Ei[Yk-HkXk-λkβkYk-HkXk-λkβkT]表示Yk-HkXk-λkβkYk-HkXk-λkβkT在第i次迭代的期望值；步骤S324，基于变分贝叶斯方法求取uk在第i+1次迭代中的近似概率密度函数为： 其中，ak0表示ak的初始值，表示ak在第i+1次迭代中的值，bk0表示bk的初始值，表示bk在第i+1次迭代中的值；步骤S325，基于变分贝叶斯方法求取βk在第i+1次迭代中的近似概率密度函数为： 其中，表示βk在第i+1次迭代中的值，表示第八辅助参数Kβ在第i+1次迭代中的值，表示第九辅助参数Pβ在第i+1次迭代中的值；步骤S326，求取期望值： 步骤S327，判断是否满足若满足，将作为k时刻移动机器人的融合状态向量Xk并输出，将作为k时刻移动机器人的协方差矩阵Pk|k并输出，ε表示迭代停止阈值，若不满足，令i＝i+1，返回执行步骤S321到步骤S327。

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七腾机器人有限公司，其通讯地址为：401123 重庆市渝北区卉竹路2号7幢21-1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”。