基于通用目标检测的MonoSLAM概率全局尺度估计
本论文介绍了一种新型的实时单目平面SLAM算法,通过场景理解改善了状态估计和密集地图,特别是在低纹理环境下。该算法在公用的TUM数据集上表现出比现有的SLAM算法更优秀的性能。
Mar, 2017
该论文提出了一种结合全局SfM方法的新型单目SLAM方法,使用新颖的秩1矩阵分解技术解决了视觉里程计问题,并采用多阶段线性公式和L1优化进行姿势图优化,生成了更为稳健的重建结果,比最新的SLAM系统快4倍,并在Vicon运动捕捉房间记录的新数据集上与之前的系统和已有基准数据集进行了比较。
Aug, 2017
本文介绍了一种方法,用于在静态和动态环境下单个图像的三维立方体物体检测和多视图对象SLAM,并展示了两个部分如何互相改进,对单个图像物体检测,我们从2D边界框和消失点采样中生成高质量的cuboid提议,并根据与图像边缘的对齐性对提议进行进一步评分和选择。其次,提出了新的对象测量的多视图束调整,以联合优化相机,对象和点的姿态。对象可以提供长程几何和尺度约束,以改善相机姿态估计并减少单眼漂移。而不是将动态区域视为异常值,我们利用对象表示和运动模型约束来改善相机姿态估计。在SUN RGBD和KITTI上进行的3D检测实验证明了与现有方法相比更高的准确性和鲁棒性。在公共TUM,KITTI测距和我们自己收集的数据集上,我们的SLAM方法实现了最先进的单眼相机姿态估计,同时提高了3D对象检测的准确性。
Jun, 2018
本文在单目 SLAM 框架中嵌入了实时深度学习的目标检测器,将普通物体表示为四面体,进一步细化物体重建,检测附加平面标志并建模为独立地标志,可大幅提高系统的定位性能和语义地图的丰富程度。
Sep, 2018
该研究论文利用学习到的紧凑深度图表示和重构三种不同类型的误差,将光度误差,重投影误差和几何误差应用于标准因子图软件中,将不同的方法统一到概率框架中,实现实时性能的同时对现实世界序列的轨迹估计和深度重建进行评估,并呈现了估计的丰富几何示例。
Jan, 2020
本研究提出了一个整合参数和非参数统计测试的集成数据关联策略,并开发了一个鲁棒的质心和比例估计算法和一个对象姿态初始化算法,用于帮助改进姿态估计结果的最优性。通过在三个公共数据集和一个真实场景上的广泛实验,结果表明我们的方法在准确性和鲁棒性方面显著优于现有技术。
Apr, 2020
提出了一种名为MonoRUn的检测框架,该框架通过自我监督学习,仅使用简单的三维边界框注释学习密集的对应关系和几何学,并利用不确定性感知的区域重建网络来回归像素相关的三维目标坐标,并利用预测的不确定性通过整个下游模块,实现对象姿态的估计和协方差,实验表明该方法在KITTI基准测试中优于当前最先进的方法。
Mar, 2021
本文研究了P2U-SLAM,一个基于宽视场相机的视觉SLAM系统,解决了传统SLAM中数据属性变化导致的信息矩阵缺失问题,从而改善长期定位性能。通过条件概率模型,本研究揭示了点不确定性和姿态不确定性对优化过程的影响,并在追踪模块和局部地图中嵌入这些不确定性,显著提高了系统性能。
Sep, 2024