搭载在移动机器人上的同步定位与建图(simultaneous localization and mapping,SLAM)系统在实际环境中,时常因动态物体的影响而导致SLAM系统的定位精度低,严重时会使相机定位位姿失败,基于此,提出一种YOLO(you only look once)动态目标...搭载在移动机器人上的同步定位与建图(simultaneous localization and mapping,SLAM)系统在实际环境中,时常因动态物体的影响而导致SLAM系统的定位精度低,严重时会使相机定位位姿失败,基于此,提出一种YOLO(you only look once)动态目标检测网络与LK光流法相结合的RDFP-SLAM算法。该算法在视觉里程计线程中通过目标检测网络YOLOv5,对相机获取图像进行动态目标检测,再利用LK光流法判断预期动态目标检测框中真正的动态特征点并剔除,剩余静态特征点参与位姿估计及建图,最终在公开数据集TUM、KITTI和现实动态环境中进行实验测试。实验结果表明,RDFP-SLAM算法在多种视觉传感器及室内、室外不同环境的影响下,时间消耗相较于同类型的算法仍有大幅度减少,且有效提升了动态环境下特征提取的精度,该系统的鲁棒性、实时性和定位结果均得到优化。展开更多
文摘搭载在移动机器人上的同步定位与建图(simultaneous localization and mapping,SLAM)系统在实际环境中,时常因动态物体的影响而导致SLAM系统的定位精度低,严重时会使相机定位位姿失败,基于此,提出一种YOLO(you only look once)动态目标检测网络与LK光流法相结合的RDFP-SLAM算法。该算法在视觉里程计线程中通过目标检测网络YOLOv5,对相机获取图像进行动态目标检测,再利用LK光流法判断预期动态目标检测框中真正的动态特征点并剔除,剩余静态特征点参与位姿估计及建图,最终在公开数据集TUM、KITTI和现实动态环境中进行实验测试。实验结果表明,RDFP-SLAM算法在多种视觉传感器及室内、室外不同环境的影响下,时间消耗相较于同类型的算法仍有大幅度减少,且有效提升了动态环境下特征提取的精度,该系统的鲁棒性、实时性和定位结果均得到优化。
