针对基于静态场景特征进行相机位姿估计的即时定位与地图构建(SLAM:Simultaneous Localization and Mapping)技术,在其前端的特征计算和匹配的过程中易受到动态物体干扰的问题,提出了实例分割结合多视几何约束的方法,以改进视觉SLAM的...针对基于静态场景特征进行相机位姿估计的即时定位与地图构建(SLAM:Simultaneous Localization and Mapping)技术,在其前端的特征计算和匹配的过程中易受到动态物体干扰的问题,提出了实例分割结合多视几何约束的方法,以改进视觉SLAM的前端特征处理,剔除动态信息的干扰。在ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping3)框架的前端,并行YOLACT++(You Only Look At CoefficienTs++)实例分割线程,将分割后的结果使用多视几何约束的方法补充检验特征点动态一致性;运用EfficientNetV2网络替换YOLACT++原来的主干网络,并使用TensorRT量化实例分割模型,以减轻算法的前端计算压力。经TUM(Technical University of Munich)数据集测试结果表明,该算法在高动态环境下的定位精度较ORB-SLAM3算法平均提升了80.6%。展开更多
文摘针对基于静态场景特征进行相机位姿估计的即时定位与地图构建(SLAM:Simultaneous Localization and Mapping)技术,在其前端的特征计算和匹配的过程中易受到动态物体干扰的问题,提出了实例分割结合多视几何约束的方法,以改进视觉SLAM的前端特征处理,剔除动态信息的干扰。在ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping3)框架的前端,并行YOLACT++(You Only Look At CoefficienTs++)实例分割线程,将分割后的结果使用多视几何约束的方法补充检验特征点动态一致性;运用EfficientNetV2网络替换YOLACT++原来的主干网络,并使用TensorRT量化实例分割模型,以减轻算法的前端计算压力。经TUM(Technical University of Munich)数据集测试结果表明,该算法在高动态环境下的定位精度较ORB-SLAM3算法平均提升了80.6%。
