本文提出了一种基于点线特征的立体视觉里程计(StereoVO)技术,并使用一种基于注意力图神经网络的新型特征匹配机制,在恶劣的天气条件(如雾、霾、雨和雪)和动态光照条件(如夜间照明和眩光场景)下表现出色,通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明,与先进的线特征匹配算法相比,我们的方法能够获得更多的线特征匹配,而与点特征匹配相结合,在恶劣的天气和动态光照条件下表现一致优秀。
Aug, 2023
本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难,提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法,是当前多模态方法中姿态估计更为精确和健壮的。
Jul, 2023
本论文提出了一种基于深度相机和惯性传感器的微型机器人系统的新型密集 SLAM 的框架,使用非迭代的 Fourier 变换来减少计算需求,通过解耦 6 自由度数据和进行独立空间点云匹配,实现分类键帧训练以及数据关联,相较现有方法,其速度更快,分辨率更高,但精度相当。
Jan, 2017
通过使用单个相机,本文提出了一种对机器人测位的新方法,通过匹配图像特征和使用卷积神经网络进行调整,以可靠地估计机器人的位置和方向。
Nov, 2023
通过将 GMS(基于网格的运动统计)与 RANSAC(随机抽样一致性)结合,加速了 Visual SLAM 方法,提高了特征匹配的准确性,从而减少了系统的实时性能影响。
Feb, 2024
本文提出了一个计算高效、准确的 LiDAR 基于 SLAM 的通用解决方案,主要采用了非迭代两阶段畸变补偿方法、两个匹配模块,并考虑了局部光滑性进行迭代姿态优化,实验结果表明在自主驾驶和仓库自动引导车的定位上表现均相当好,提供了一个性能和计算成本之间很好的平衡。
Jul, 2021
本文综述了基于事件相机的 vSLAM 算法,介绍了事件相机及其预处理的事件数据的各种事件表示方法,并将基于事件相机的 vSLAM 方法分为四类,包括基于特征的、基于直接法的、基于运动补偿的和深度学习的方法,并对每种方法进行了详细的讨论和实用指导。此外,该文对各类方法在不同基准测试中的表现进行了评估,突出了当前这一新兴研究领域面临的挑战和未来的机遇。
Apr, 2023
本文提出一种改进的半直接视觉里程计 (Semi-direct Visual Odometry) 方法,利用单张图片进行深度预测,并将预测的深度值初始化到特征点。通过降低深度不确定性,实现视图之间稳定的特征对应,以及更快的真实深度估计。实验结果表明,改进后的方法在 KITTI 和 Oxford Robotcar 数据集上的跟踪精度和鲁棒性都有所提高。
Oct, 2018
本文提出了一种鲁棒性高、效率高的视觉 SLAM 系统,利用异构的点和线特征,并首次将正交表示作为线特征的最小参数化模型,并解析地推导了关于线参数的投影误差的雅克比矩阵,实验证明该方法在各种情况下都优于现有技术。
Nov, 2017
DK-SLAM 是一种单目视觉 SLAM 系统,使用自适应深度特征进行特征提取和匹配,采用多项式约束进行位姿估计,使用基于二值特征的在线循环闭环模块来减少累积定位误差,并在公开数据集上展示了其高效性能。
Jan, 2024