当今主流地图构建系统由于定位精度不高、重投影误差较大等问题,限制了稠密地图的生成。尤其在动态场景中,系统的实时性和地图的高精度之间无法共存,以及物体的往复移动为后续地图精度的提升带来了额外的困难。针对上述问题,提出了一种...当今主流地图构建系统由于定位精度不高、重投影误差较大等问题,限制了稠密地图的生成。尤其在动态场景中,系统的实时性和地图的高精度之间无法共存,以及物体的往复移动为后续地图精度的提升带来了额外的困难。针对上述问题,提出了一种基于闭环检测和自适应降采样的视觉SLAM点云地图构建方法(Visual SLAM point cloud map construction method based on closed-loop detection and adaptive downsampling,PCL-LCAD)。上述方法从视觉SLAM系统建图的角度出发,加入3D点云技术,构建一个闭环检测优化模型,扩大生成地图的面积,再建立一个点云自适应降采样模型,利用KD-tree算法对其体素滤波进行改进。实验结果表明,PCL-LCAD方法能在保障准确性和实时性的同时,降低地图占用空间并且提高地图稠密度。展开更多
文摘当今主流地图构建系统由于定位精度不高、重投影误差较大等问题,限制了稠密地图的生成。尤其在动态场景中,系统的实时性和地图的高精度之间无法共存,以及物体的往复移动为后续地图精度的提升带来了额外的困难。针对上述问题,提出了一种基于闭环检测和自适应降采样的视觉SLAM点云地图构建方法(Visual SLAM point cloud map construction method based on closed-loop detection and adaptive downsampling,PCL-LCAD)。上述方法从视觉SLAM系统建图的角度出发,加入3D点云技术,构建一个闭环检测优化模型,扩大生成地图的面积,再建立一个点云自适应降采样模型,利用KD-tree算法对其体素滤波进行改进。实验结果表明,PCL-LCAD方法能在保障准确性和实时性的同时,降低地图占用空间并且提高地图稠密度。
