MuCaSLAM：基于CNN的帧质量评估用于全向视觉SLAM移动机器人
机器人学
2022-09-07 v1
摘要
在提出的研究中，我们描述了一种通过在相机与SLAM流水线之间实现中间层来提升多相机且计算能力受限的移动机器人上视觉SLAM算法计算效率与鲁棒性的方法。在该层中，使用基于ResNet18的神经网络根据图像对机器人定位的适用性进行分类。网络在斯科尔科沃科学与技术学院(Skoltech)校园内采集的六相机数据集上训练。训练时，我们使用与同一相机后续帧成功匹配的图像和ORB特征（“好”关键点或特征）。结果表明，该网络能准确判定ORB-SLAM2的最优图像，且在SLAM流水线中实现所提方法可显著增算SLAM算法可定位的图像数量，并提升视觉SLAM整体鲁棒性。运行时间实验表明，所提方法在CPU上比使用ORB提取器和特征匹配器至少快6倍，在GPU上运行快30倍以上。网络评估显示识别含大量“好”ORB关键点图像的准确率至少90%。所提方法的使用通过从特征贫乏流相机稳健切换，得以在数据集中维持大量特征。
引用
@article{arxiv.2209.01936,
title = {MuCaSLAM: CNN-Based Frame Quality Assessment for Mobile Robot with Omnidirectional Visual SLAM},
author = {Pavel Karpyshev and Evgeny Kruzhkov and Evgeny Yudin and Alena Savinykh and Andrei Potapov and Mikhail Kurenkov and Anton Kolomeytsev and Ivan Kalinov and Dzmitry Tsetserukou},
journal= {arXiv preprint arXiv:2209.01936},
year = {2022}
}
备注
This paper has been accepted to the 2022 IEEE 18th Conference on Automation Science and Engineering