多目标跟踪(multi-object tracking,MOT)结合同时定位与建图(simultaneous localization and mapping,SLAM)能够充分运用场景中动静态信息,可提升定位精度和鲁棒性而受到关注。本文提出了一种基于场景流不确定性模型的3D目标跟踪SLAM算...多目标跟踪(multi-object tracking,MOT)结合同时定位与建图(simultaneous localization and mapping,SLAM)能够充分运用场景中动静态信息,可提升定位精度和鲁棒性而受到关注。本文提出了一种基于场景流不确定性模型的3D目标跟踪SLAM算法,以双目或RGB-D图像作为输入,结合实例掩膜和IMU信息,精确检测动态特征并联合估计自身和物体的位姿变换。针对动、静态和临时静态特征无法准确识别的问题,结合实例信息和场景流不确定性建模剔除误差干扰,实现精准的动态特征检测;针对运动物体特征点稀少和跟踪困难的问题,结合KLT光流和实例信息进行鲁棒的多层级数据关联;通过构建因子图并引入车辆运动学约束,实现了自身和运动物体位姿以及地图点坐标的紧耦合优化。最后,在公开数据集上进行对比实验。结果表明,所提算法能够准确跟踪自身和运动物体的位姿变换。展开更多
文摘多目标跟踪(multi-object tracking,MOT)结合同时定位与建图(simultaneous localization and mapping,SLAM)能够充分运用场景中动静态信息,可提升定位精度和鲁棒性而受到关注。本文提出了一种基于场景流不确定性模型的3D目标跟踪SLAM算法,以双目或RGB-D图像作为输入,结合实例掩膜和IMU信息,精确检测动态特征并联合估计自身和物体的位姿变换。针对动、静态和临时静态特征无法准确识别的问题,结合实例信息和场景流不确定性建模剔除误差干扰,实现精准的动态特征检测;针对运动物体特征点稀少和跟踪困难的问题,结合KLT光流和实例信息进行鲁棒的多层级数据关联;通过构建因子图并引入车辆运动学约束,实现了自身和运动物体位姿以及地图点坐标的紧耦合优化。最后,在公开数据集上进行对比实验。结果表明,所提算法能够准确跟踪自身和运动物体的位姿变换。
