SD-DefSLAM：面向可形变与体内场景的半直接单目SLAM
计算机视觉与模式识别
2020-10-20 v1
摘要
传统SLAM技术强烈依赖场景刚性来解决数据关联，忽略场景中的动态部分。本工作中我们提出半直接DefSLAM（SD-DefSLAM），一种构建于DefSLAM之上的新型单目可形变SLAM方法，能够地图化高度形变的环境。为在具有挑战性的形变场景中鲁棒地解决数据关联，SD-DefSLAM结合了直接与间接方法：用于数据关联的增强光照不变Lucas-Kanade跟踪器、用于位姿与可形变地图估计的几何Bundle Adjustment，以及基于特征描述子的词袋法用于相机重定位。动态物体通过使用为特定应用领域训练的CNN进行检测与分割剔除。我们在两个公开数据集上对我们的系统进行了充分评估。mandala数据集是一个具有渐增强烈形变的SLAM基准。Hamlyn数据集包含体内序列，带来了除形变外的严重现实挑战，如弱纹理、镜面反射、手术器械和遮挡。我们的结果表明，得益于所有数据关联步骤的改进，SD-DefSLAM在点跟踪、重建精度和尺度漂移上优于DefSLAM，是首个能够在人体内部鲁棒执行SLAM的系统。
引用
@article{arxiv.2010.09409,
title = {SD-DefSLAM: Semi-Direct Monocular SLAM for Deformable and Intracorporeal Scenes},
author = {Juan J. Gómez Rodríguez and José Lamarca and Javier Morlana and Juan D. Tardós and José M. M. Montiel},
journal= {arXiv preprint arXiv:2010.09409},
year = {2020}
}
备注
10 pages, 8 figures. Submitted to RA-L with option to ICRA 2021. Associated video: https://youtu.be/gkcC0IR3X6A