动态环境下资源受限机器人的 RGB-D 惯性里程计
机器人学
2023-04-24 v1
摘要
当前的同步定位与建图（SLAM）算法在静态环境中表现良好，但在动态环境中容易失效。近期工作将基于深度学习的语义信息引入 SLAM 系统以减少动态物体的影响。然而，对于资源受限机器人，在动态环境中实现鲁棒定位仍具挑战性。本文提出了一种面向动态环境下资源受限机器人的实时 RGB-D 惯性里程计系统，名为 Dynamic-VINS。三个主要线程并行运行：目标检测、特征跟踪和状态优化。所提出的 Dynamic-VINS 结合目标检测与深度信息用于动态特征识别，并达到了与语义分割相当的性能。Dynamic-VINS 采用基于网格的特征检测，并提出了一种快速高效的方法来提取高质量 FAST 特征点。IMU 用于预测运动以进行特征跟踪和运动一致性检查。所提方法在公开数据集和真实世界应用中进行了评估，在动态环境中展现出具有竞争力的定位精度与鲁棒性。据我们所知，它是目前动态环境下资源受限平台上性能最佳的实时 RGB-D 惯性里程计。所提系统开源地址为：https://github.com/HITSZ-NRSL/Dynamic-VINS.git
引用
@article{arxiv.2304.10987,
title = {RGB-D Inertial Odometry for a Resource-Restricted Robot in Dynamic Environments},
author = {Jianheng Liu and Xuanfu Li and Yueqian Liu and Haoyao Chen},
journal= {arXiv preprint arXiv:2304.10987},
year = {2023}
}