DXSLAM：一种基于深度特征的高效鲁棒视觉SLAM系统
计算机视觉与模式识别
2020-08-13 v1 机器人学
摘要
鲁棒且高效的同步定位与建图（SLAM）系统对机器人自主性至关重要。对于视觉SLAM算法，尽管其理论框架在大多数方面已较为完善，但特征提取与关联在多数情况下仍是经验性设计的，且在复杂环境中容易失效。本文表明，利用深度卷积神经网络（CNN）进行特征提取可无缝融入现代SLAM框架。所提出的SLAM系统采用最先进的CNN检测每帧图像中的关键点，并同时给出关键点描述子以及整幅图像的全局描述子。这些局部与全局特征被不同的SLAM模块使用，与手工设计特征相比，对环境变化和视角变化具有更强的鲁棒性。我们还使用词袋（BoW）方法训练了局部特征的视觉词典。基于局部特征、全局特征及该词典，构建了高可靠性的回环检测方法。实验结果表明，所有提出的模块均显著优于基线，且完整系统在全部评测数据上实现了更低的轨迹误差与更高的正确率。此外，通过使用Intel OpenVINO工具包优化CNN并采用Fast BoW库，系统充分利用了现代CPU中的SIMD（单指令多数据）技术。完整系统可在无任何GPU或其他加速器的条件下实时运行。代码已公开于 https://github.com/ivipsourcecode/dxslam。
引用
@article{arxiv.2008.05416,
title = {DXSLAM: A Robust and Efficient Visual SLAM System with Deep Features},
author = {Dongjiang Li and Xuesong Shi and Qiwei Long and Shenghui Liu and Wei Yang and Fangshi Wang and Qi Wei and Fei Qiao},
journal= {arXiv preprint arXiv:2008.05416},
year = {2020}
}
备注
8 pages, 5 figures, to be published in IROS 2020