深度不确定性下基于点、线、面的概率 RGB-D 里程计
计算机视觉与模式识别
2018-01-19 v3 机器人学
摘要
本文提出了一种针对结构化环境的鲁棒视觉里程计方法，该方法将通过 RGB-D 相机提取的点特征与线段和面段相结合。基于高斯混合模型的概率深度融合框架对含噪深度图进行处理以去噪并导出深度不确定性，随后将该不确定性在整个视觉里程计流程中进行传播。使用概率三维平面和直线拟合解来对特征参数的不确定性进行建模，并基于这三种基元的不确定性估计位姿。在本文采集的 RGB-D 序列以及两个公开的 RGB-D 数据集（TUM 和 ICL-NUIM）上的性能评估表明，使用所提出的深度融合框架并结合这三种特征类型具有优势，特别是在低纹理表面、动态物体和深度测量缺失的场景中。
引用
@article{arxiv.1706.04034,
title = {Probabilistic RGB-D Odometry based on Points, Lines and Planes Under Depth Uncertainty},
author = {Pedro F. Proenca and Yang Gao},
journal= {arXiv preprint arXiv:1706.04034},
year = {2018}
}
备注
Major update: more results, depth filter released as opensource, 34 pages