基于图优化的同时定位与建图(Simultaneous Localization and Mapping,SLAM)系统中,错误闭环边的存在会干扰图优化器的收敛,导致优化速度下降,从而降低了SLAM系统的精度和鲁棒性。因此,针对错误闭环边,提出了基于边图重构权重模型的位...基于图优化的同时定位与建图(Simultaneous Localization and Mapping,SLAM)系统中,错误闭环边的存在会干扰图优化器的收敛,导致优化速度下降,从而降低了SLAM系统的精度和鲁棒性。因此,针对错误闭环边,提出了基于边图重构权重模型的位姿图优化(Edge Graph Reconstructed weight model for Pose Graph Optimization,EGR-PGO)算法,有效提高位姿图优化算法的鲁棒性。该算法引入边图转换模型,利用PageRank算法,对权重函数的参数进行动态调整,从而实现对闭环边权重的优化。在每次迭代过程中,该算法都会依据残差的变化量和闭环边的长度再次剔除错误闭环边,以降低错误闭环边对优化过程产生的干扰。最后,在PGO数据集上进行蒙特卡洛实验。实验结果验证了EGR-PGO算法的快速性和鲁棒性及剔除错误闭环边时的有效性。展开更多
文摘基于图优化的同时定位与建图(Simultaneous Localization and Mapping,SLAM)系统中,错误闭环边的存在会干扰图优化器的收敛,导致优化速度下降,从而降低了SLAM系统的精度和鲁棒性。因此,针对错误闭环边,提出了基于边图重构权重模型的位姿图优化(Edge Graph Reconstructed weight model for Pose Graph Optimization,EGR-PGO)算法,有效提高位姿图优化算法的鲁棒性。该算法引入边图转换模型,利用PageRank算法,对权重函数的参数进行动态调整,从而实现对闭环边权重的优化。在每次迭代过程中,该算法都会依据残差的变化量和闭环边的长度再次剔除错误闭环边,以降低错误闭环边对优化过程产生的干扰。最后,在PGO数据集上进行蒙特卡洛实验。实验结果验证了EGR-PGO算法的快速性和鲁棒性及剔除错误闭环边时的有效性。
