SoMaSLAM：稀疏范围感知下基于软曼哈顿世界约束的 2D 图型 SLAM

我们提出了一种用于稀疏范围感知的图型 SLAM 算法，融合了软曼哈顿世界假设的地标-地标约束。稀疏范围感知是微型机器人不可避免的选择，因为其无法使用沉重且昂贵的传感器。现有的处理稀疏范围感知的 SLAM 方法缺乏准确性，随时间累积漂移误差，由于数据点获取有限。使用结构规律性（如曼哈顿世界假设）来弥补这一缺陷的方法，在映射不符合该规则的真实环境时存在不足。我们提出 SoMaSLAM，这是一种为微型机器人设计的稀疏范围感知 2D 图型 SLAM。我们的 метод 能够在不强制严格结构规律性的前提下有效地映射稀疏范围数据，同时保持自适应图结构。我们将 MW 假设实现为软约束，称为软曼哈顿世界。我们提出了新的软地标-地标约束，将软 MW 融入图型 SLAM。通过广泛的评估，我们展示了所提出的 SoMaSLAM 方法在多样数据集上提高了定位准确性，足以应用于实际环境。我们在 https://SoMaSLAM.github.io/ 上发布了源代码和稀疏范围数据集。