视觉 SLAM 的鲁棒性测量
ORB-SLAM2 是一个用于单目、双目以及 RGB-D 相机的完整的 SLAM 系统,包括地图重用、回环闭合和重定位能力,利用纯视觉观测、双目视觉观测和 RGB-D 相机,在各种环境下都能实时工作。其基于捆绑调整的后端可以在实现度规尺度精确的同时实现高精度的轨迹估计。通过在 29 个流行的公共数据集上的评估,证明 ORB-SLAM2 的精度达到了最新的最佳结果,因此我们将其开源以便于 SLAM 社区以及其他领域的研究人员使用。
Oct, 2016
本文提出一种名为 DS-SLAM 的鲁棒的语义视觉 SLAM 方法,旨在解决动态环境下的 SLAM 问题,通过将语义分割网络与运动一致性检查方法相结合,提高了在动态环境下的本地化精度,同时生成了一个稠密的语义八叉树地图,可用于高级任务中。经过多组测试,DS-SLAM 的绝对轨迹精度比 ORB-SLAM2 提高了一个数量级,是当前高动态环境下最先进的 SLAM 系统之一。
Sep, 2018
该论文介绍了一个软件框架 SLAMBench,通过实验研究不同的实现和算法在 RGB-D SLAM 系统性能、精度和能耗等方面的权衡,并提供了多个平台上的执行时间和能效分析结果。
Oct, 2014
本文介绍了 ORB-SLAM,一种基于特征的单目 SLAM 系统,能够实时运行,在小型和大型、室内和室外环境中运行,并具有鲁棒性、宽基线环路闭合和重定位等特点。
Feb, 2015
本文介绍了 DynaSLAM II,它是一种用于立体和 RGB-D 配置的视觉 SLAM 系统,紧密集成了多对象跟踪能力,并利用实例语义分割和 ORB 特征来跟踪动态对象,优化了静态场景和动态对象的结构,提供了丰富的场景理解线索,并有益于相机的跟踪。
Oct, 2020
ORB-SLAM3 是第一个能够使用针孔和鱼眼镜头模型的单目、立体和 RGB-D 相机执行视觉、视觉惯性和多地图 SLAM 的系统,并且具有两个主要的创新点:完全依赖于最大后验概率估计的基于特征的紧耦合视觉惯性 SLAM 系统和使用改进的召回率的新的场所识别方法的多地图系统,该系统在所有的传感器配置中都像文献中最好的系统一样健壮,并且显著提高了精度。
Jul, 2020
本文提出了一种基于实时语义 RGB-D SLAM 算法的方法,其能够在动态环境中检测已知和未知的运动物体,并通过仅对关键帧进行语义分割来减少计算成本,并保持静态地图以实现强健的相机跟踪,同时提出了一种有效的几何模块来检测未知的移动物体。该算法在公共数据集和实际应用场景中进行了评估,最终实现了在低功耗嵌入式平台上实时运行并能在动态环境中提供高精度的定位与跟踪。
Apr, 2021
本文介绍了 Photo-SLAM,一种具有超级基元地图的创新 SLAM 框架,通过同时利用显式几何特征进行定位和学习隐式光度特征来表示观察环境的纹理信息,以及采用高斯金字塔训练方法逐步学习多级特征以增强逼真的映射性能。实验证明,与当前最先进的 SLAM 系统相比,我们提出的 Photo-SLAM 在线逼真映射的性能显著优于其他系统,如 Replica 数据集中的 PSNR 提高了 30%,渲染速度快了数百倍。此外,Photo-SLAM 可以在像 Jetson AGX Orin 这样的嵌入式平台上实时运行,展示了机器人应用的潜力。
Nov, 2023
通过使用儿童玩具无人机,我们提出了一个实时自主室内探索系统,利用 ORB-SLAM3 进行定位和建图,并采用可靠的异常值去除算法和新颖的出口检测算法,验证了系统的有效性和效率。
Dec, 2023