基于场景图的视角不变和准确的循环检测方法
本文提出了一种基于 3D 场景图的物体级别数据关联方法来实现 SLAM 系统中的闭环检测,其中使用语义信息、交叉联合、物体颜色和物体嵌入等方法来进行对象级别的数据关联,最终得到全局一致且更加精确的 3D 语义地图。
Apr, 2023
通过多级验证的对象级数据关联方法和基于二次曲面对象地图拓扑结构的语义闭环方法,我们将其整合到一个完整的对象感知 SLAM 系统中,并在定性实验和定量实验中验证了其有效性、稳健性以及在精度、召回率和定位精度等度量指标上优于现有方法。
Nov, 2023
使用全局优化的方式,Loopy-SLAM 将神经 RGBD SLAM 方法应用于密集的同时定位与建图任务中,解决了摄像机跟踪过程中的误差累积和地图扭曲的问题。
Feb, 2024
本文介绍了 MG-SLAM,一种单目高斯 SLAM 系统,其特点是具有语义扩展的环路闭合模块,能够在进行漂移校正的同时实现高保真度的重建和对环境的高层次理解。该系统通过将全局地图表示为 3D 高斯,并将其用于指导场景几何估计,从而减轻缺失深度信息的工作量。此外,基于 CLIP 特征的语义扩展环路闭合模块可以持续进行全局优化,以纠正系统运行期间累积的漂移错误。我们的系统在多个具有挑战性的数据集上取得了令人期待的跟踪和建图结果,甚至超过了一些现有的 RGB-D 方法。
May, 2024
介绍了一种使用语义特征的视觉惯性里程计系统 SemanticSLAM,可以在室内环境中进行可靠的相机定位,改善位姿估计并生成语义地图,可用于路径规划、避障和机器人导航等下游任务。
Jan, 2024
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
本文介绍了使用深度神经网络在自动驾驶汽车记录的 3D 激光扫描数据中基于各种线索发现循环闭合的方法,并将其集成到现有的 SLAM 系统中,结果表明它可以有效地检测循环闭合,从而提高 SLAM 系统的映射效果,并通过 KITI 和 Ford 数据集进行了评估。
May, 2021
本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法,实现了对运动物体的有效滤波和语义信息约束下的扫描匹配,与现有基于几何约束的方法相比,实验结果表明其性能更优。
May, 2021
本文提出了 Direct Sparse Odometry (DSO) 的扩展,用于具有循环闭合检测和位姿图优化(LDSO)的单目视觉 SLAM 系统,保留了 DSO 的健壮性,并通过优化来减少旋转、平移和尺度漂移的影响。
Aug, 2018
本文介绍了一种新的紧密耦合的视觉惯性同时定位和建图系统,采用惯性测量单元进行初始测量,实现了零漂移定位,带有地图重用功能,并应用于单目相机的最一般问题。在微型飞行器公共数据集的 11 个序列中测试了该系统,证明了其比目前最先进的视觉惯性测量方法更为准确。
Oct, 2016