一个物体 SLAM 框架:关联、映射和高级任务
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
基于对象的开放式语义定位与映射(SLAM)系统通过紧密耦合的概率图模型来识别、定位和编码对象,以实现更准确的 SLAM,并承担较低的计算开销。
Apr, 2024
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
本文提出了一种移动视觉系统的实时语义地图构建方法,采用 2D 到 3D 对象检测流程和快速数据关联,将关联检测作为语义约束引入 SLAM 系统进行姿态校正,通过本文提出的观测对象局部关联处理和基于不确定性贪心关联的方案,平均迭代时间达到了 65ms,实验结果表明在公共数据集上能够使现有的 SLAM 系统姿态估计提高 68%。
Mar, 2022
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
本文提出了一种新颖的基于动态物体级别体积有符号距离函数表示法的 SLAM 方法,将多物体跟踪公式化为 RGB-D 图像与 SDF 表示法的直接对齐,通过概率方法进行数据关联和遮挡处理,实验结果表明该方法在鲁棒性和准确性方面优于现有的最优方法。
Apr, 2019
本文提出一种实时基于物体的 SLAM 系统,利用至今最大的物体数据库,包括一个单目 SLAM 算法,该算法利用可变形物体约束来改善地图并找到其实际比例,和一种新颖的基于二进制词袋的物体识别算法,提供 500 个三维物体的实时检测。
Apr, 2015
本文提出了一种基于特征、无模型、可识别动态物体的 SLAM 算法,使用了语义分割技术来估算场景中刚性运动物体的运动轨迹和速度,并能够生成静态和动态结构的地图。该算法在模拟、合成和实际数据集上均实现了良好的性能。
Feb, 2020
DSP-SLAM 是一种面向对象的 SLAM 系统,通过语义实例分割检测物体并使用特定于类别的深度形状嵌入来估计其姿态和形状,从而实现丰富和准确的 3D 物体建图,能够在单目、双目或双目 + LiDAR 输入模式下以接近帧率的速度处理图像序列,并在 KITTI 轨迹数据集上显示其在姿态和形状重构方面的显著改善。
Aug, 2021