在机器人的同时定位与建图(simultaneous localization and mapping, SLAM)方法中,视觉方案在纹理不足的室内场景中稳定性差,使用结构化假设能够缓解上述问题,但如果室内场景不严格满足结构化假设,则将导致错误的位姿估计.更加通用的结...在机器人的同时定位与建图(simultaneous localization and mapping, SLAM)方法中,视觉方案在纹理不足的室内场景中稳定性差,使用结构化假设能够缓解上述问题,但如果室内场景不严格满足结构化假设,则将导致错误的位姿估计.更加通用的结构化假设以及更可靠的回环检测方法有助于解决上述问题,以提高室内场景视觉定位的鲁棒性.为此提出了一种鲁棒的多层空间结构假设视觉SLAM方法 .该方法利用场景中的结构化信息,使用主方向约束定义场景来辅助定位,同时使用轻量级的结构化假设回环来降低累积漂移,以构建一种高鲁棒性、低漂移的同时定位建图算法.我们通过实车数据和开源数据集进行了大量试验,试验结果表明,与其他开源方法相比本文方法具有更高的定位鲁棒性和精度表现.所述回环检测方法具有更高的检测率,回环的场景下定位精度平均提升31.8%.展开更多
