针对在动态环境下,传统的同步定位与地图构建(simultaneous localization and mapping,SLAM)框架在动态物体上产生误匹配,导致计算结果不稳定的问题,提出了一种结合深度学习和平移约束的算法。首先,采用无监督的深度估计网络输出运动场...针对在动态环境下,传统的同步定位与地图构建(simultaneous localization and mapping,SLAM)框架在动态物体上产生误匹配,导致计算结果不稳定的问题,提出了一种结合深度学习和平移约束的算法。首先,采用无监督的深度估计网络输出运动场信息,使用目标检测对训练数据进行预处理,以屏蔽场景静止部分对训练的干扰,同时,通过目标检测获得潜在运动对象,并与运动场信息联合判断该目标是否为运动对象。为了进一步剔除异常的匹配点,本文充分利用了直线行驶情况下的先验信息,通过灭点和匹配点对的约束关系,达到剔除异常匹配点的效果。结果表明:该方法较ORB-SLAM2在KITTI、TUM数据集上均方根误差分别降低了约16.38%、84.26%,与DynaSLAM相比降低了约6.65%、8.32%,同时较DynaSLAM效率也有所提升。展开更多
文摘针对在动态环境下,传统的同步定位与地图构建(simultaneous localization and mapping,SLAM)框架在动态物体上产生误匹配,导致计算结果不稳定的问题,提出了一种结合深度学习和平移约束的算法。首先,采用无监督的深度估计网络输出运动场信息,使用目标检测对训练数据进行预处理,以屏蔽场景静止部分对训练的干扰,同时,通过目标检测获得潜在运动对象,并与运动场信息联合判断该目标是否为运动对象。为了进一步剔除异常的匹配点,本文充分利用了直线行驶情况下的先验信息,通过灭点和匹配点对的约束关系,达到剔除异常匹配点的效果。结果表明:该方法较ORB-SLAM2在KITTI、TUM数据集上均方根误差分别降低了约16.38%、84.26%,与DynaSLAM相比降低了约6.65%、8.32%,同时较DynaSLAM效率也有所提升。
