SuperVINS: 面向挑战性成像条件的实时视觉-惯性SLAM框架
机器人学
2024-11-05 v2
摘要
传统的视觉-惯性SLAM系统在低光照或运动模糊条件下往往难以保持稳定，可能导致轨迹跟踪丢失。高精度和鲁棒性对于SLAM系统的长期稳定定位能力至关重要。针对视觉-惯性SLAM中增强鲁棒性和精度的挑战，本文提出了SuperVINS，一个专为挑战性成像条件设计的实时视觉-惯性SLAM框架。与几何建模不同，深度学习特征能够充分利用图像中隐含的信息，而这些信息往往无法被几何特征捕捉。因此，作为VINS-Fusion的增强，SuperVINS集成了深度学习神经网络模型SuperPoint用于特征点提取和回环检测。同时，在前端特征匹配中集成了深度学习神经网络LightGlue模型用于关联特征点。提出了一种基于RANSAC算法的特征匹配增强策略。系统允许为不同环境设置不同的掩码和RANSAC阈值，从而在计算成本和定位精度之间取得平衡。此外，系统允许针对特定环境灵活训练专用的SuperPoint词袋用于回环检测。该系统实现了实时定位与建图。在知名EuRoC数据集上的实验验证表明，SuperVINS在最挑战性序列中的精度和鲁棒性与其他视觉-惯性SLAM系统相当。本文分析了SuperVINS在精度、实时性能和鲁棒性方面的优势。为促进领域内的知识交流，本文公开了代码。
引用
@article{arxiv.2407.21348,
title = {SuperVINS: A Real-Time Visual-Inertial SLAM Framework for Challenging Imaging Conditions},
author = {Hongkun Luo and Yang Liu and Chi Guo and Zengke Li and Weiwei Song},
journal= {arXiv preprint arXiv:2407.21348},
year = {2024}
}