针对弱纹理和变光照环境下基于点特征的视觉SLAM(simultaneous localization and mapping)算法轨迹漂移的问题,提出了一种基于改进自适应阈值ELSED算法(Adaptive-ELSED)的快速点线融合双目视觉SLAM算法。通过在ELSED算法中添加自适应阈...针对弱纹理和变光照环境下基于点特征的视觉SLAM(simultaneous localization and mapping)算法轨迹漂移的问题,提出了一种基于改进自适应阈值ELSED算法(Adaptive-ELSED)的快速点线融合双目视觉SLAM算法。通过在ELSED算法中添加自适应阈值矩阵,动态调整不同光照条件下梯度阈值,并使用长度抑制和短线合并策略,提高线特征的质量。利用基于双目几何约束和图像结构相似性(SSIM)进行快速线段特征三角化。基于历史位姿及误差分析获取初始位姿,通过自适应因子实现光束法平差过程中点线特征的更有效融合。实验结果表明,所提算法在提高线特征质量的同时,耗时仅为LSD算法的50%,线特征匹配速度较传统LBD算法提升67%,挑战性场景下轨迹误差较ORB-SLAM3降低62.2%,系统的平均跟踪帧率为27帧/s,在保证系统实时性的同时,显著提升了系统在弱纹理、变光照环境下的精度和鲁棒性。展开更多
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
针对复杂室内环境中视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法在高质量三维重建中的效率问题,提出了一种高效的神经辐射场SLAM(NeRF-SLAM)算法——EN-SLAM。该算法利用多分辨率哈希网格表示场景,结合其快速...针对复杂室内环境中视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法在高质量三维重建中的效率问题,提出了一种高效的神经辐射场SLAM(NeRF-SLAM)算法——EN-SLAM。该算法利用多分辨率哈希网格表示场景,结合其快速收敛特性及高频局部特征表示能力,显著提升了三维重建效率。为进一步增强未观测区域的表面连贯性及细节补全,算法引入球谐函数进行方向编码,从而保证了重建结果的一致性与细节完整性,同时提高实时性。此外,设计了一种信息引导采样策略,优先采样对重建贡献较大的光线,同时实现全局优化(BA)在所有关键帧上的高效执行。在Replica、ScanNet、TUM RGBD和Neural RGB-D数据集上的实验表明,该算法在提高建图精度、跟踪精度及渲染质量的同时,在Replica数据集上的运行时间较iMAP、NICE-SLAM、Vox-Fusion、ESLAM和Co-SLAM分别提升了98.99%、92.80%、91.97%、63.77%和19.15%,且场景重建完成率达到94.14%。展开更多
语义同步定位与地图构建(simultaneous localization and mapping,SLAM)能够帮助移动机器人实现对未知环境更高层次的语义信息感知,已经成为解决移动机器人适应未来发展的关键技术之一。针对移动机器人在弱纹理、存在动态物体的未知境...语义同步定位与地图构建(simultaneous localization and mapping,SLAM)能够帮助移动机器人实现对未知环境更高层次的语义信息感知,已经成为解决移动机器人适应未来发展的关键技术之一。针对移动机器人在弱纹理、存在动态物体的未知境下环境感知能力弱的问题,提出了一种基于稀疏邻接注意力的图像分割算法(SNA-Seg)。首先,设计了基于稀疏邻接窗口自注意机制的全景分割网络结构,在不增加计算复杂度的前提下,充分挖掘全局信息,增强了网络对边缘细节的分割效果。其次,选取Cityscapes数据集作为训练与测试数据集,采用全景质量(panoptic quality,PQ)、分割质量(segmentation quality,SQ)和平均交并比(mIoU)等指标对算法性能进行了评估,并且采集本地视觉图像数据验证了算法的实际有效性。实验结果表明,SNA-Seg算法与基于滑窗注意力(Swin)和邻接注意力(NA)图像分割算法比较,各项评价指标均有不同程度的提升,其中mIoU指标提升幅度达到了11.17%,反映了掩膜分类准确性提升最为显著;在实例分割任务中,SNA-Seg算法展现出更高的分割精度,其输出掩膜与原始图像在边缘细节和语义类别上一致性较强,分割结果更加符合真实场景的语义结构。本文方法为语义SLAM中的全景图像分割任务提供了新的技术思路。展开更多
文摘针对弱纹理和变光照环境下基于点特征的视觉SLAM(simultaneous localization and mapping)算法轨迹漂移的问题,提出了一种基于改进自适应阈值ELSED算法(Adaptive-ELSED)的快速点线融合双目视觉SLAM算法。通过在ELSED算法中添加自适应阈值矩阵,动态调整不同光照条件下梯度阈值,并使用长度抑制和短线合并策略,提高线特征的质量。利用基于双目几何约束和图像结构相似性(SSIM)进行快速线段特征三角化。基于历史位姿及误差分析获取初始位姿,通过自适应因子实现光束法平差过程中点线特征的更有效融合。实验结果表明,所提算法在提高线特征质量的同时,耗时仅为LSD算法的50%,线特征匹配速度较传统LBD算法提升67%,挑战性场景下轨迹误差较ORB-SLAM3降低62.2%,系统的平均跟踪帧率为27帧/s,在保证系统实时性的同时,显著提升了系统在弱纹理、变光照环境下的精度和鲁棒性。
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。
