基于体积占用映射的不确定感知视惯SLAM

我们提出一种视惯同时定位与地图构建方法，将稀疏重投影误差、惯性测量单元预积分以及相对姿态因子紧密耦合于稠密体积占用映射。其中，深度神经网络的深度预测以全概率方式融合。具体而言，我们的方法严格不确定感知：首先，我们不仅从机器人的 Stereo 相机获取深度与不确定性预测，还以概率方式融合跨越多个基线的 motion stereo，以提供深度信息，从而大幅提高映射精度。下一步，预测的深度不确定性不仅传递至占用概率，还传递至生成稠密子地图之间对齐因子，这些因子进入概率非线性最小二乘估计器。这一子地图表示在尺度上提供了全局一致的几何。我们在两个基准数据集中对该方法进行了彻底评估，结果显示其在定位与地图构建精度上超过了当前最先进方法，同时能实时提供可直接用于下游机器人规划与控制的体积占用。