Jun, 2023

Volume-DROID: 基于 DROID-SLAM 的实时体积建图实现

PDF
TL;DR本文提出了 Volume-DROID，一种新的同时定位和建图（SLAM）方法，它集成了体积映射和可微分的循环优化设计（DROID）；Volume-DROID 可以通过摄像机图像或视频帧等输入数据，将 DROID-SLAM、点云配准、一个通用的语义分割网络以及卷积贝叶斯内核推理（ConvBKI）相结合，生成一个三维语义地图，并为机器人提供精准的定位。
simultaneous localization and mappingvolumetric mappingdroid-slamconvbkirgb-depth frames
发现论文，激发创造
  • DROID-SLAM：基于深度学习的单目、双目、RGB-D 相机的视觉 SLAM

    DROID-SLAM 是一个基于深度学习的 SLAM 系统，具有高精度和鲁棒性，在测试时可以利用立体或 RGB-D 视频来提高性能。

    Aug, 2021

  • VolMap：基于 LiDAR 环境视图的实时语义分割模型

    本文介绍了 VolMap，它是一种用于自主车辆中 3D LiDAR 环视视图系统的语义分割的实时方法。我们设计了一种经过优化的深度卷积神经网络，可以精确地分割由 360° LiDAR 设置产生的点云，其中输入包括作为输入通道的 LiDAR 高度层的体积视角。我们进一步研究了多 LiDAR 设置的使用及其对语义分割任务性能的影响。我们的评估是在包含 LiDAR cocoon 设置的大规模 3D 物体检测基准测试上进行的，以及 KITTI 数据集，其中点的分割标签来自 3D 边界框。我们展示了 VolMap 在高精度和实时运行在 CPU 上之间的优秀平衡。

    Jun, 2019

  • VDO-SLAM: 一种视觉动态物体感知 SLAM 系统

    VDO-SLAM 是一种稳健的视觉动态物体感知 SLAM 系统，利用语义信息实现对本体运动的准确估计和跟踪，能够精确估计机器人轨迹、物体的 SE（3）运动和空间时序地图。

    May, 2020

  • 单目 SLAM 的半稠密三维语义映射

    本论文将最新的深度学习方法与基于视频流的半稠密 SLAM 相结合，在室内 / 室外数据集中得到了更好的 2D 语义标签识别，无需针对序列中的每一帧获得语义分割，其时间复杂度也得以合理控制。

    Nov, 2016

  • Fusion++: 三维物体级别 SLAM

    本研究提出了一种在线物体级别 SLAM 系统，该系统通过使用 Mask-RCNN 实例分割将复杂的室内场景中的物体进行重建，没有进行内部变形，并将每个物体的信息存储在可优化的 6DoF 姿态图中，以实现高度内存效率和较高的在线性能。

    Aug, 2018

  • Photo-SLAM: 单目、双目和 RGB-D 相机的实时同时定位和逼真地图建模

    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

  • 深度图像的体积融合框架

    InfiniTAM 是一个新的统一框架，它可以快速灵活地进行 3D 重建，基于 KinectFusion 方法和单目 SLAM 方法，使用截断有符号距离函数来表示体积模型，提供了一系列组件来实现可扩展的 3D 重建。

    Oct, 2014

  • 面向动态环境的实时 RGB-D 语义 SLAM

    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

  • 实时单目物体感知稀疏 SLAM

    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

  • DS-SLAM：面向动态环境的语义视觉 SLAM

    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