将习得局部与全局嵌入融入单目视觉 SLAM
机器人学
2021-08-05 v1
摘要
传统的视觉同步定位与建图(VSLAM)方法依赖低级视觉信息进行状态估计,如手工局部特征或图像梯度。尽管该路线取得了显著进展,但在更具挑战性的单目 VSLAM 配置(例如光照变化)下,最先进系统的性能通常会下降。因此,单目 VSLAM 的鲁棒性与精度仍广受关注。本文提出一种充分利用习得特征以改善状态估计的单目 VSLAM 系统。所提系统在不同模块中同时利用习得局部特征与全局嵌入:直接相机位姿估计、帧间特征关联以及回环检测。借助关键点预测的概率解释,我们以直接方式表述相机位姿跟踪,并对考虑不确定性的局部特征进行参数化。为缓解量化效应,我们调整建图模块以更好地生成三维地标,从而保证系统鲁棒性。通过深度全局嵌入检测时序回环进一步提升了所提系统的鲁棒性与精度。所提系统在公开数据集(Tsukuba、EuRoC 和 KITTI)上进行了广泛评估,并与最先进方法比较。相机位姿估计的竞争性性能证实了方法的有效性。
引用
@article{arxiv.2108.02028,
title = {Incorporating Learnt Local and Global Embeddings into Monocular Visual SLAM},
author = {Huaiyang Huang and Haoyang Ye and Yuxiang Sun and Lujia Wang and Ming Liu},
journal= {arXiv preprint arXiv:2108.02028},
year = {2021}
}
备注
Autonomous Robots; 14 pages, 9 figures; project homepage: https://hyhuang1995.github.io/dgvslam/