针对传统孪生目标跟踪算法体量大、难以在嵌入式设备部署以及其在目标尺度变化大、有相似物干扰等条件下效果不佳的问题,提出一种新的轻量化快速跟踪(Ghost fast Tracking with TiFPN and Retriever,GTtracker)算法。引入Ghost机制,对Re...针对传统孪生目标跟踪算法体量大、难以在嵌入式设备部署以及其在目标尺度变化大、有相似物干扰等条件下效果不佳的问题,提出一种新的轻量化快速跟踪(Ghost fast Tracking with TiFPN and Retriever,GTtracker)算法。引入Ghost机制,对Resnet网络进行重新设计,构建一种轻量化G-Resnet网络对跟踪目标进行快速特征提取。设计轻量自适应加权融合(Tiny adaptive weighted fusion algorithm Feature Pyramid Network,TiFPN)算法,进一步加强特征信息的融合,解决相似物干扰问题。设计一种轻量化区域回归网络(Ghost Decoupled Net,GDnet),以实现目标分类、交并比(Intersection-over-Union,IoU)计算以及边界框回归,并在跟踪阶段应用一种新的目标寻回器提升算法跟踪的成功率。在OTB100数据集和VOT2020数据集上进行算法验证,并移植算法到嵌入式设备Jetson Xavier NX上进行性能测试。实验结果均表明算法的有效性和优越性,相比经典孪生目标跟踪(SiamCAR)算法,新方法在精度和期望平均重叠率(Expected Average Overlap,EAO)指标均相似的前提下,能够实现更快的运行速度,可在Jetson Xavier NX上实时运行,达到30帧/s,且能有效解决相似物干扰、尺度变化大等问题。展开更多
针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM...针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.展开更多
文摘针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.
