1.一种基于深度学习的语义地图构建方法，其特征在于，具体包括如下步骤：步骤1：对安装在机器人上方的深度摄像头进行标定，通过RGBD图像配准计算位姿，根据输入点云利用ICP算法求解位姿；

步骤2：在步骤1计算出位姿后，同时深度相机实时采集周围环境图像信息，使用openGL将当前帧的点云和已重建的部分进行融合，进行三维地图的建立；

步骤3：将RGBD相机获取到的当前时刻图像和前一个关键帧的特征进行匹配，判断当前时刻图像是否为关键帧；

假设不是关键帧，则查找新的图片，确定新的关键帧；

假设是关键帧，则将关键帧送入改进的PSP-Net模型中进行二维语义信息的提取，获得实时图像的二维语义信息，再进行闭环检测，得到闭环结果；

步骤4：将步骤2中建立的三维地图作为输入，和步骤3中二维图像语义分割结果送入Elastic fusion模型进行三维语义分割地图的重建。

2.根据权利要求1所述的一种基于深度学习的语义地图构建方法，其特征在于，步骤1中，根据输入点云利用ICP算法求解位姿的具体过程如下；

步骤1.1：对RGBD深度相机获取的两幅深度图像做3层抽样，再对于抽样后的两幅深度图像做滤波，点云配准以coarse-to-fine的方式进行迭代；

步骤1.2：在给定深度图像内参情况下，通过原始未抽样的深度图像计算点的三维点云坐标，用于点云的配准和融合，对于滤波后的两幅深度图像也计算三维点云坐标，用于计算法向量；

步骤1.3：根据步骤1.2中求得的两幅深度图像点云坐标，通过投影算法计算一幅图像在另一幅图像中的投影像素坐标；

步骤1.4：根据步骤1.3中的计算的匹配点，再计算匹配点的极小化点到平面距离计算位姿，使得目标函数误差小于设定的最小值时，或者到达设置的迭代次数停止迭代，否则进入步骤1.3。

3.根据权利要求2所述的一种基于深度学习的语义地图构建方法，其特征在于，步骤

1.3中，投影像素坐标函数表达式如下：

k(ud,vd,1)＝KTjipi                     (1)其中，k(ud,vd,1)：投影像素坐标函数，

pi：深度图像i中点的三维坐标，

Tji：从深度图像i到深度图像j的位姿，

K：相机内参数，

(ud,vd)：pi在深度图像j中的投影像素坐标。

4.根据权利要求2所述的一种基于深度学习的语义地图构建方法，其特征在于，步骤

1.4中，极小化点到平面距离计算位姿算法流程如下：(1)设置目标函数如下：

上式表达式中旋转矩阵R和平移矩阵t是待求解的位姿，R与t可通过以下公式来表示：t＝[tx,ty,tz]T                           (4)其中α、β、γ分别表示沿x、y、z轴的旋转角度，在每次迭代时实际是值很小的R的变化值ΔR和t的变化值Δt，pi和qi分别是原始点云中的一点和目标点云中的一点，ni指目标点的法向量；

(2)将R线性化，当相邻两帧之间位姿变化较小时，有以下近似：sin(θ)＝θ,cos(θ)＝1                       (5)(3)在三个方向上R的旋转角为r＝(α,β,γ)对于Rpi+t≈pi+r×pi+t，并且r×pi·ni＝r·(pi×ni)，由以上近似，目标函数写为：(4)以上目标函数对6个维度位姿参数求导并且令导数为0，得到Ax+b＝0，其中：A的表达式为：b的表达式为：

未知参量x表达式为：

x＝(α,β,γ,tx,ty,tz)                    (9)通过计算求解Ax+b＝0就能够求出R与t，即计算出的位姿矩阵。

5.根据权利要求3所述的一种基于深度学习的语义地图构建方法，其特征在于，步骤3中，将关键帧送入改进的PSP-Net模型中进行二维语义信息的提取的过程具体如下：(1)通过融合不同区域的上下文信息并整合不同区域的上下文信息，构建金字塔汇集模块(Pyramid pooling module,PPM)，赋予模型分析全局先验知识的能力，使得模型具有理解全局上下文信息的能力；

为了充分利用PSP-Net编码器部分包含的多尺度特征，在PSP-Net中增加了多条自底向上的路径，首先，在自底向上的路径和跳层连接的作用下，将编码器中各层的特征逐步整合，得到具有多尺度语义信息的特征，然后，该特征被发送到解码器用于下一个卷积操作；

(2)改进的PSP-Net网络的编码网络如下算法表达：fn＝Cn(fn-1)＝Cn(Cn-1(...C1(I)))               (10)其中：I表示输入图片；Cn表示第n个卷积模块由卷积层和池化层组成；fn表示第n层的特征图；

(3)将深层特征图代入浅层特征图中的融合过程如下数学表达式阐述：f′n＝fn,f′n-1＝Gn(f′n,fn-1),...f′n-k＝Gn-k(f′n-k+1,fn-k)          (11)其中fn-k为第n-k层的特征图，0＜k＜n，当k越趋近于n时，表示的特征图便越接近网络的浅层，即特征图的分辨率越来越高，所包含的细节信息也越来越多；f′n-k表示融合后的特征图；Gn-k表示将特征图fn-k和特征图f′n-k+1融合在一起；

(4)将得到的多层级的特征图融合在一起的过程如下数学表达式阐述：D＝{Pn-k(f′n-k),...Pn(f′n)}                  (12)其中P是对特征图的细化操作；D表示对所有的特征图做融合操作得到最后的二维图像语义信息。