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！

龙图腾网恭喜南京航空航天大学;江苏科力机械有限公司申请的专利基于EKF的模板匹配VO与轮式里程计融合定位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：CN114993298B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202210472832.8，技术领域涉及：G01C21/16；该发明授权基于EKF的模板匹配VO与轮式里程计融合定位方法是由曾庆喜;马鑫烨;陈斌华;常婷婷;欧邦俊;俞建浩;胡义轩设计研发完成，并于2022-04-29向国家知识产权局提交的专利申请。

本基于EKF的模板匹配VO与轮式里程计融合定位方法在说明书摘要公布了：本发明公开了基于EKF的模板匹配VO与轮式里程计融合定位方法，包括：创建地面图像数据集，为地面图像数据集添加地形复杂度作为标签；利用地面图像数据集训练卷积神经网络模型；采集地面图像输入训练好的卷积神经网络模型中，得到当前地面的地形复杂度；计算当前地面的图像熵；根据地形复杂度和图像熵，计算当前地面的模板选取策略，根据模板选取策略进行模板匹配VO估算，得到位姿结果；将轮式里程计估算出的位姿和经过惯性测量单元解算出的位姿通过扩展卡尔曼滤波方法进行融合，将融合后得到的位姿作为次级滤波器的预测值，结合模板匹配VO估算出的位姿结果，得到最终的机器人定位结果，提高定位结果的稳定性，实现更精准、更鲁棒的定位。

本发明授权基于EKF的模板匹配VO与轮式里程计融合定位方法在权利要求书中公布了：1.基于EKF的模板匹配VO与轮式里程计融合定位方法，其特征在于，包括如下步骤：步骤1，采集不同类型地面的图像数据，创建地面图像数据集，为地面图像数据集中的每幅图像添加地形复杂度作为标签；步骤2，利用添加标签后的地面图像数据集训练卷积神经网络模型，得到训练好的卷积神经网络模型；步骤3，利用机器人上安装的摄像头采集地面图像输入训练好的卷积神经网络模型中，得到当前地面的地形复杂度；步骤4，计算当前地面的图像熵；步骤5，根据地形复杂度和图像熵，实时计算当前地面的模板选取策略，根据模板选取策略进行模板匹配VO估算，得到位姿结果；所述根据地形复杂度和图像熵，实时计算当前地面的模板选取策略，具体如下：预先设置地形复杂度阈值E和图像熵阈值F，对于大小为640*480像素尺寸的第i帧地面图像，根据步骤3和步骤4得到第i帧地面图像的地形复杂度ρi和图像熵Si，若ρi小于E且Si小于F，则在地面图像中初始化大小为240×240像素尺寸的模板；若ρi大于E且Si小于F，则在地面图像中初始化大小为180×180像素尺寸的模板；若ρi小于E且Si大于F，则在地面图像中初始化大小为200×200像素尺寸的模板；若ρi大于E且Si大于F，则在地面图像中初始化大小为160×160像素尺寸的模板；模板的中心与地面图像的中心重合；步骤6，将轮式里程计估算出的位姿和经过惯性测量单元解算出的位姿通过扩展卡尔曼滤波方法即初级滤波器进行融合，将融合后得到的位姿作为次级滤波器的预测值，结合模板匹配VO估算出的位姿结果作为次级滤波器的观测值，得到最终的机器人定位结果；所述扩展卡尔曼滤波方法根据系统的运动模型和观测模型实现预测和更新两个步骤，运动模型和观测模型分别为：xt＝Gtxt-1+wtzt＝Htxt+Vt其中，xt为当前t时刻系统状态矩阵；xt-1为上一时刻系统状态矩阵；Gt为当前时刻系统状态传递矩阵；zt为当前时刻系统的观测值矩阵；Ht为系统当前时刻状态量与观测值之间的传递矩阵；wt和Vt分别为当前时刻系统的过程噪声矩阵和观测噪声矩阵；预测过程： 其中，为当前时刻系统状态矩阵估计值；为当前时刻系统的状态估计协方差；Rt为当前时刻系统的过程噪声协方差；Σt-1为上一时刻系统状态协方差；更新过程：计算卡尔曼增益Kt： 其中，Qt为观测值误差协方差矩阵；利用Kt和观测值更新移动机器人的状态矩阵xt和系统协方差矩阵： 其中，I为单位矩阵。

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南京航空航天大学;江苏科力机械有限公司，其通讯地址为：210016 江苏省南京市秦淮区御道街29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”。