PROB-SLAM：基于概率图优化的实时视觉SLAM
计算机视觉与模式识别
2022-09-16 v1
摘要
传统SLAM算法通常基于人工特征，缺乏高层信息。通过引入语义信息，SLAM可具备比纯手工特征更高的稳定性与鲁棒性。然而，语义检测网络的高不确定性阻碍了高层信息的实际效用。为解决语义引入的不确定性特性，本文基于高斯分布假设提出了一种新颖的概率图。该图将语义二值目标检测转化为概率结果，有助于建立人工特征与语义信息之间的概率数据关联。通过我们的算法，在每次更新步骤中较高置信度将被赋予较高权重，而检测区域边缘将被赋予较低置信度。从而不确定性被削弱，对非线性优化的影响减小。实验在TUM RGBD数据集上进行，结果表明我们的系统在室内环境误差上比ORB-SLAM2提升约15%。我们已证明该方法可成功应用于包含动态物体的环境。
引用
@article{arxiv.2209.07061,
title = {PROB-SLAM: Real-time Visual SLAM Based on Probabilistic Graph Optimization},
author = {Xianwei Meng and Bonian Li},
journal= {arXiv preprint arXiv:2209.07061},
year = {2022}
}