【SLAM】开源 | An ORB-SLAM 2 Extension相对纯SLAM来说定位精度更高，计算负荷更低

论文地址：http://arxiv.org/pdf/2005.07429v1.pdf 代码：https://github.com/tumftm/orbslam-map-saving-extension. 来源：慕尼黑工业大学 论文名称：Persistent Map Saving for Visual Localization for AutonomousVehicles: An ORB-SLAM 2 Extension 原文作者：Felix Nobis

电动车和自动驾驶是目前汽车研究领域的主要方向。这两个研究方向在实现更安全、更环保的驾驶方面是密切相关的。自动驾驶汽车的一个基本组成部分是有能力构建环境地图，并在该地图上进行自身的定位。在本文中，我们使用一个立体相机传感器来感知环境和创建地图。由于没有地面真值图作为参考，在SLAM中存在错误定位的风险，而且错误会随着时间累积。因此，于扩展的ORBSLAM 2包中，首先在低速驾驶条件下建立和保存一个环境的视觉特征地图。然后在第二次运行中重新加载地图，之后在之前构建的地图上进行定位。与full SLAM相比，在先前构建的地图上加载和定位可以提高自动驾驶车辆的连续定位精度。这个地图保存的特征是最初ORB-SLAM 2丢失的。在本文中根据构建的SLAM地图评估KITTI数据集场景的定位精度。除此之外，使用我们的小型电动模型车对记录的数据进行了定位测试。实验结果表明，在特征丰富的环境下，以36m /s的平均纵向速度行驶的车辆，定位的相对平移误差不超过1%。相对full SLAM来说，定位模式有助于实现更高的定位精度，同时计算负荷更低。

下面是论文具体框架结构以及实验结果：

人工智能，每日面试题：

下面哪些是基于核的机器学习算法?()

　　A.Expectation Maximization（EM）（最大期望算法）

　　B.Radial Basis Function（RBF）（径向基核函数）

　　C.Linear Discrimimate Analysis（LDA）（主成分分析法）

　　D.Support Vector Machine（SVM）（支持向量机）

每日面试题，答案：

号主答案：BCD

解析：径向基核函数是非常常用的核函数，而主成分分析法的常规方法是线性的，但是当遇到非线性的时候，同样可以使用核方法使得非线性问题转化为线性问题。支持向量机处理非线性的问题的时候，核函数也是非常重要的。

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。