基于粒子滤波的激光SLAM反退化方案：几何特征缺失环境下

基于粒子滤波的SLAM技术在室内场景中广泛应用，因其高效性。然而，在几何特征缺失的场景中，由于约束不足，精度严重下降。本文提出了一个基于深度学习的反退化系统。首先，设计了一种尺度不变线性映射，将连续空间中的坐标转换为离散索引，并提出一种基于高斯模型的数据增强方法，通过有效缓解粒子数变化对特征分布的影响，确保模型性能。其次，开发了一种基于残差神经网络（ResNet）和Transformer的退化检测模型，能够通过审查粒子群体分布来识别退化。第三ly，设计了一种自适应反退化策略，首先对重采样过程进行融合和扰动，以提供丰富且准确的初始值用于姿态优化；并使用结合粗匹配和细匹配的层次化姿态优化，能够根据退化程度自适应调整优化频率和传感器可信度，以增强搜索全局最优姿态的能力。最后，通过消除实验证明了该模型的最优性，以及图像矩阵方法和GPU对计算时间的改进；通过仿真实验和实际实验验证了反退化系统在不同场景中的性能。本工作已提交IEEE进行出版。版权可能在此版本不再可用之前被转让。