走向几何深度 SLAM
我们提出了一种名为 DeepPointMap 的统一架构,利用神经网络从点云中提取高度代表性和稀疏的神经描述符,实现了内存高效的地图表示和准确的多尺度定位任务,并通过将其扩展到多项协作环境证明了其框架的多功能性、有效性和潜力。
Dec, 2023
本文提出了一种基于密集神经算法的同步定位与建图方法,使用深度学习生成的点云来锚定神经场景的特征,通过最小化基于 RGBD 的重新渲染损失,实现对跟踪和地图绘制的同时处理,通过在信息密度低的区域减少运行时间和内存使用,并将更高的点密度分配给解决更细节问题。在 Replica,TUM-RGBD 和 ScanNet 数据集上相对于现有的神经 RGBD SLAM 方法获得了更好或相似的跟踪,地图和渲染准确性。
Apr, 2023
本文介绍了一种利用 RGB-D 图像序列进行协作式隐式神经同步定位与地图生成(SLAM)系统,该系统包括完整的前端和后端模块,包括里程计、回环检测、子图融合和全局优化。为了在一个统一的框架中实现所有这些模块,我们提出了一种新颖的基于神经元的三维场景表示方法,其中每个点维护一个可学习的神经元特征用于场景编码,并与某个关键帧相关联。此外,我们提出了一种分布式至集中式学习策略,用于改进协作式隐式 SLAM 的一致性和合作性。还提出了一种新颖的全局优化框架,以提高系统精度,类似于传统的束调整。在各种数据集上的实验证明了该方法在相机跟踪和地图生成方面的优越性。
Nov, 2023
使用深度神经网络作为辅助工具,DeepMapping 提出了一种新的注册框架,可将多个点云从头开始对齐到全局一致框架中,并将注册问题转换为二进制空间分类。实验证明,相对于现有技术,DeepMapping 通常能够实现更 robust,更准确的全局点云注册。
Nov, 2018
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
本文提出了 Edge SLAM 算法解决了 feature-based SLAM 在低纹理环境下不可靠的问题,通过边缘点追踪和三视图几何关系进行点对应匹配,采用新颖的本地优化技术估计新相机从而实现了同时对纹理和低纹理环境下可靠的视觉 SLAM。
Jan, 2019
提出了一种基于灵活的神经网络点云场景表示的高效 RGB-only 稠密 SLAM 系统,通过适应关键帧姿态和深度更新,优化了位姿和深度,并在回环检测、全局束调整等方面取得了较好或有竞争力的跟踪、建图和渲染准确性。
Mar, 2024
提出了一种名为 MapNet 的深度神经网络,它将地图表示为一种数据驱动的方式,利用视觉里程计和 GPS 等常见的传感器数据来建立约束关系,从而提高相机定位的精确度和实现自监督式更新。在室内和室外数据集上进行的实验表明,该方法相较于之前的工作在性能上有了显著的提高。
Dec, 2017
提出了一种基于 2D 和 3D SLAM 网络结合的实时语义地图方法,通过重新投影及渲染后进行特征融合,以及一种利用表面法线的几何分割方法来整合 3D 语义元素,并使用新型的神经网络进行轻量级的语义地图后处理,实现了在不同深度感应器方面的性能表现和交叉传感器通用性方面的优化。
Jun, 2023