为提高ORB-SLAM2 (oriented fast and rotated brief, and simultaneous localization and mapping)系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了融合迭代最近点拟合(iterative closest point, ICP)算法与曼哈顿世界假说的...为提高ORB-SLAM2 (oriented fast and rotated brief, and simultaneous localization and mapping)系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了融合迭代最近点拟合(iterative closest point, ICP)算法与曼哈顿世界假说的位姿估计策略并在系统中加入稠密建图线程。首先通过ORB(oriented fast and rotated brief)特征点法、最小显著性差异(least-significant difference, LSD)算法和聚集层次聚类(agglomerative hierarchical clustering, AHC)方法提取点、线、面特征,其中点、线特征与上一帧匹配,面特征在全局地图匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而该场景的平移以及非曼哈顿世界场景的位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用慕尼黑工业大学(technische universit?t münchen, TUM)数据集验证所提建图方法,经过与ORB-SLAM2算法比较,均方根误差平均减少0.24 cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。展开更多
在视觉SLAM(simultaneous localization and mapping)中,特征点的提取是影响全局即时定位与地图构建效率的重要因素。对视觉ORB-SLAM2算法进行研究,提出一种自适应网格划分的方法优化特征点提取的效率,通过对图像金字塔层进行网格划分,...在视觉SLAM(simultaneous localization and mapping)中,特征点的提取是影响全局即时定位与地图构建效率的重要因素。对视觉ORB-SLAM2算法进行研究,提出一种自适应网格划分的方法优化特征点提取的效率,通过对图像金字塔层进行网格划分,提高特征点提取的速度。在TUM数据集上进行了单目(MONO)和RGB-D测试,结果表明,在平均每帧特征点提取时间提高8%~10%,绝对轨迹误差减少5%以上。在自适应网格算法中加入RGB-D稠密点云构建线程,采用外点去除滤波和体素网格滤波减小点云规模,实现了稠密建图。在TUM数据集上,该方法的室内稠密建图效果显著。展开更多
针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在定位精度低且无法生成稠密地图的问题,提出一种基于动态区域剔除与稠密建图的视觉SLAM算法。在原ORB-SLAM3算法的基础上新建动态特征点检测线程,使...针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在定位精度低且无法生成稠密地图的问题,提出一种基于动态区域剔除与稠密建图的视觉SLAM算法。在原ORB-SLAM3算法的基础上新建动态特征点检测线程,使用YOLOX网络获取动态场景语义信息及物体检测框,同时结合语义和几何约束检测特征点运动状态,提出动态特征点剔除算法,旨在精准实现动态特征点的剔除。随后设计稠密建图线程,基于关键帧及相应位姿构建稠密点云地图,利用地图中剩余的静态特征点,去除动态物体造成的重影,实现稠密地图的构建。在公开TUM数据集和真实动态环境进行验证,在TUM数据集的动态环境下,新算法有效消除了动态物体对位姿估计的影响,提升了SLAM算法在动态场景中的定位与建图的鲁棒性。展开更多
针对传统视觉SLAM(simultaneous localization and mapping)在动态环境下定位精度较低、稳健性较差、结合深度学习后实时性较差及无法构建稠密地图的问题,本文提出了一种基于ORB-SLAM3的改进算法。首先,采用轻量化SegFormer语义分割网络...针对传统视觉SLAM(simultaneous localization and mapping)在动态环境下定位精度较低、稳健性较差、结合深度学习后实时性较差及无法构建稠密地图的问题,本文提出了一种基于ORB-SLAM3的改进算法。首先,采用轻量化SegFormer语义分割网络,对图像中存在的动态物体进行识别后,添加掩膜图像自适应膨胀方法,根据特征点数自动调整掩膜膨胀范围,更有效地保留静态特征点及去除潜在动态特征点;然后,改进词袋模型,提升算法的加载和匹配速度;最后,添加稠密建图线程,根据掩膜信息和关键帧,构建去除动态特征后的稠密点云地图。试验结果表明,该算法在动态场景下能够有效地剔除动态物体特征点,提高了系统的定位精度和稳健性,平均处理速度为20帧/s,基本满足实时运行的要求。展开更多
针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在的定位精度低且无法生成有效地图的问题,提出一种基于动态特征剔除与稠密建图的视觉SLAM算法。在ORB-SLAM3算法基础上新增特征点筛选线程,使用轻...针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在的定位精度低且无法生成有效地图的问题,提出一种基于动态特征剔除与稠密建图的视觉SLAM算法。在ORB-SLAM3算法基础上新增特征点筛选线程,使用轻量化的YOLOV8网络检测环境中的动态物体,并结合光流法和对极几何约束剔除环境中的动态特征点。在新加入的稠密建图线程中利用生成的关键帧及计算出的位姿构建稠密点云地图。在公开的TUM数据集进行验证,相比于原ORB-SLAM3,各项定位误差下降达90%,同时在稠密建图结果中去除了动态物体所造成的重影。新算法通过加入的特征点筛选线程和稠密建图线程,有效地解决了视觉SLAM算法在动态环境中无法正常定位和建立有效地图的问题,极大增强了SLAM系统在动态场景中的精准度和鲁棒性。展开更多
文摘为提高ORB-SLAM2 (oriented fast and rotated brief, and simultaneous localization and mapping)系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了融合迭代最近点拟合(iterative closest point, ICP)算法与曼哈顿世界假说的位姿估计策略并在系统中加入稠密建图线程。首先通过ORB(oriented fast and rotated brief)特征点法、最小显著性差异(least-significant difference, LSD)算法和聚集层次聚类(agglomerative hierarchical clustering, AHC)方法提取点、线、面特征,其中点、线特征与上一帧匹配,面特征在全局地图匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而该场景的平移以及非曼哈顿世界场景的位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用慕尼黑工业大学(technische universit?t münchen, TUM)数据集验证所提建图方法,经过与ORB-SLAM2算法比较,均方根误差平均减少0.24 cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。
文摘在视觉SLAM(simultaneous localization and mapping)中,特征点的提取是影响全局即时定位与地图构建效率的重要因素。对视觉ORB-SLAM2算法进行研究,提出一种自适应网格划分的方法优化特征点提取的效率,通过对图像金字塔层进行网格划分,提高特征点提取的速度。在TUM数据集上进行了单目(MONO)和RGB-D测试,结果表明,在平均每帧特征点提取时间提高8%~10%,绝对轨迹误差减少5%以上。在自适应网格算法中加入RGB-D稠密点云构建线程,采用外点去除滤波和体素网格滤波减小点云规模,实现了稠密建图。在TUM数据集上,该方法的室内稠密建图效果显著。
文摘针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在定位精度低且无法生成稠密地图的问题,提出一种基于动态区域剔除与稠密建图的视觉SLAM算法。在原ORB-SLAM3算法的基础上新建动态特征点检测线程,使用YOLOX网络获取动态场景语义信息及物体检测框,同时结合语义和几何约束检测特征点运动状态,提出动态特征点剔除算法,旨在精准实现动态特征点的剔除。随后设计稠密建图线程,基于关键帧及相应位姿构建稠密点云地图,利用地图中剩余的静态特征点,去除动态物体造成的重影,实现稠密地图的构建。在公开TUM数据集和真实动态环境进行验证,在TUM数据集的动态环境下,新算法有效消除了动态物体对位姿估计的影响,提升了SLAM算法在动态场景中的定位与建图的鲁棒性。
文摘针对传统视觉SLAM(simultaneous localization and mapping)在动态环境下定位精度较低、稳健性较差、结合深度学习后实时性较差及无法构建稠密地图的问题,本文提出了一种基于ORB-SLAM3的改进算法。首先,采用轻量化SegFormer语义分割网络,对图像中存在的动态物体进行识别后,添加掩膜图像自适应膨胀方法,根据特征点数自动调整掩膜膨胀范围,更有效地保留静态特征点及去除潜在动态特征点;然后,改进词袋模型,提升算法的加载和匹配速度;最后,添加稠密建图线程,根据掩膜信息和关键帧,构建去除动态特征后的稠密点云地图。试验结果表明,该算法在动态场景下能够有效地剔除动态物体特征点,提高了系统的定位精度和稳健性,平均处理速度为20帧/s,基本满足实时运行的要求。
文摘针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在的定位精度低且无法生成有效地图的问题,提出一种基于动态特征剔除与稠密建图的视觉SLAM算法。在ORB-SLAM3算法基础上新增特征点筛选线程,使用轻量化的YOLOV8网络检测环境中的动态物体,并结合光流法和对极几何约束剔除环境中的动态特征点。在新加入的稠密建图线程中利用生成的关键帧及计算出的位姿构建稠密点云地图。在公开的TUM数据集进行验证,相比于原ORB-SLAM3,各项定位误差下降达90%,同时在稠密建图结果中去除了动态物体所造成的重影。新算法通过加入的特征点筛选线程和稠密建图线程,有效地解决了视觉SLAM算法在动态环境中无法正常定位和建立有效地图的问题,极大增强了SLAM系统在动态场景中的精准度和鲁棒性。
