为解决现有VSLAM特征提取器在室内环境中对纹理和光照变化敏感、特征点冗余导致的局部依赖性过强以及硬件资源受限时的存储开销问题,提出了一种面向纹理的均匀FAST特征提取器(texture-oriented and homogenized FAST feature extractor,...为解决现有VSLAM特征提取器在室内环境中对纹理和光照变化敏感、特征点冗余导致的局部依赖性过强以及硬件资源受限时的存储开销问题,提出了一种面向纹理的均匀FAST特征提取器(texture-oriented and homogenized FAST feature extractor, TOHF)。结合HVS(human visual system),采用二阶段阈值策略来更敏感地应对纹理的清晰度和复杂度差异。根据特征点密度的变化来动态调整特征点的分布,在兼顾计算效率和存储开销的同时,保证特征点分布结构信息。在资源受限设备录制的数据集和官方Eu Roc数据集上基于ORB-SLAM3框架开展实验,采用匹配率、重投影误差、绝对轨迹误差(ATE)和耗时作为评估指标。实验结果表明:TOHF在视觉加惯导模式下带来更高精度和鲁棒性的同时,仍满足实时性要求。展开更多
vSLAM(visual Simultaneous Localization and Mapping)是一种基于视觉传感器实现同时定位与建图的技术,不仅可为地面机器人提供服务,同时在无人机的定位导航中也有着非常重要的应用。对基于无人机的vSLAM发展概况进行整理研究,就其中...vSLAM(visual Simultaneous Localization and Mapping)是一种基于视觉传感器实现同时定位与建图的技术,不仅可为地面机器人提供服务,同时在无人机的定位导航中也有着非常重要的应用。对基于无人机的vSLAM发展概况进行整理研究,就其中几大关键方向的研究现状予以介绍,主要包括结合IMU、结合光流传感器的vSLAM,同时总结目前研究中仍存在的一些问题和不足之处。结合经典理论与最新研究动态,对基于无人机的vSLAM重点研究内容和未来发展方向提出了新的展望。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
文摘为解决现有VSLAM特征提取器在室内环境中对纹理和光照变化敏感、特征点冗余导致的局部依赖性过强以及硬件资源受限时的存储开销问题,提出了一种面向纹理的均匀FAST特征提取器(texture-oriented and homogenized FAST feature extractor, TOHF)。结合HVS(human visual system),采用二阶段阈值策略来更敏感地应对纹理的清晰度和复杂度差异。根据特征点密度的变化来动态调整特征点的分布,在兼顾计算效率和存储开销的同时,保证特征点分布结构信息。在资源受限设备录制的数据集和官方Eu Roc数据集上基于ORB-SLAM3框架开展实验,采用匹配率、重投影误差、绝对轨迹误差(ATE)和耗时作为评估指标。实验结果表明:TOHF在视觉加惯导模式下带来更高精度和鲁棒性的同时,仍满足实时性要求。
文摘vSLAM(visual Simultaneous Localization and Mapping)是一种基于视觉传感器实现同时定位与建图的技术,不仅可为地面机器人提供服务,同时在无人机的定位导航中也有着非常重要的应用。对基于无人机的vSLAM发展概况进行整理研究,就其中几大关键方向的研究现状予以介绍,主要包括结合IMU、结合光流传感器的vSLAM,同时总结目前研究中仍存在的一些问题和不足之处。结合经典理论与最新研究动态,对基于无人机的vSLAM重点研究内容和未来发展方向提出了新的展望。
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。
