黑暗中的 SLAM：基于热成像图像的自监督姿态、深度与回环检测学习
机器人学
2025-02-27 v1 人工智能
摘要
视觉 SLAM 对移动机器人、无人机导航以及 VR/AR 至关重要，但传统 RGB 摄像头系统在低光环境下表现不佳，推动了热成像 SLAM 的发展。然而，热成像图像面临对比度低、噪声大以及缺乏大规模标注数据集的挑战，限制了其在户外场景中应用深度学习方法。我们提出了 DarkSLAM，一种新颖的基于深度学习的单目热成像 SLAM 系统，旨在复杂光照条件下实现大规模定位与重建。我们的方法在视觉里程计中引入高效通道注意力（ECA）机制，在深度估计中引入选择性卷积注意力（SKA）机制，以提高姿态精度并缓解热成像深度的退化。此外，系统包括基于热成像深度的回环检测和姿态优化，确保在低纹理热成像场景下的稳健性能。大量户外实验表明，DarkSLAM 在精确定位和 3D 稠密映射方面显著优于 SC-Sfm-Learner 和 Shin 等现有方法，即便在极具挑战的夜间环境下也能实现出色效果。
引用
@article{arxiv.2502.18932,
title = {SLAM in the Dark: Self-Supervised Learning of Pose, Depth and Loop-Closure from Thermal Images},
author = {Yangfan Xu and Qu Hao and Lilian Zhang and Jun Mao and Xiaofeng He and Wenqi Wu and Changhao Chen},
journal= {arXiv preprint arXiv:2502.18932},
year = {2025}
}