专栏首页计算机视觉lifeEAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association

EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association

EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association

EAO-SLAM:集成数据关联的单目半稠密物体级SLAM

类别:单目半稠密Object SLAM

代码:基于ORB-SLAM2,待开源https://github.com/yanmin-wu/EAO-SLAM

摘要: 物体级别(Object-level)数据关联和位姿估计在语义SLAM中有重要的作用,至今由于缺少鲁棒和精准的算法还没有解决。本篇论文工作提出一种集成数据关联策略来融合参数和非参数的统计检验,极大地提高数据关联的鲁棒性和精确度。 除此之外该文章提出了可剔除外点的物体中心点、尺度估计和物体位姿初始化算法的物体位姿估计框架来提高估计的结果。 基于以上,该论文提出了一个单目SLAM系统可以建立半稠密地图以及只有物体的轻量地图。经过在三个公开数据集上测试运行,该方法在精度和鲁棒性上极大地优于现有的方法。

解决的问题:

  1. 数据关联(使用带参数和无参数的统计检验一起关联数据)
  2. 物体建模(孤立森林和线来感知物体的位置,大小以及朝向角度)
  3. 地图表示(使用曲面椭圆和立方体建立物体地图 )

SLAM系统介绍

系统框架

绿色的语义线程输入图像,使用YOLOv3检测物体,为算法提供bounding box以及label。该论文的主要贡献用红色显示在跟踪线程中:本文提出的数据关联算法将bounding box,语义标签以及tracking过程中的三维点云作为输入,之后使用孤立森林清除outlier为优化找到精准的初始化。之后物体位姿,尺度以及相机位姿一起优化建立轻量的物体地图。最终,物体地图和半稠密地图一起可以得到半稠密语义地图。

数据关联

无参数检验如图3(a)所示,绿色点为物体点云,使用Wilcoxon Rank-Sum test判断两组点云分布是否一致确定一帧图两点云是否属于同一物体。通过物体的中心点,单样本T检验用于判断一帧上的点云是否属于之前观察到的某个物体,双样本的T检验判断观察到的两个物体是否需要合并。

Object SLAM

物体由带尺度

s

的椭圆和立方体表示,在slam中需要估计它们的平移

t

以及朝向

\theta

。假设物体平行地面放置,可减少椭圆和立方体需要估计的参数。分别使用孤立森林计算质心,尺度(文中算法1)以及物体位姿估计算法(文中算法2)计算角度 。 该SLAM框架使用误差方程

(O,Tc)^*=\underset{\theta y, s}{\arg\min} \sum_{}{(e(\theta)+e(s))}+\underset{Tc}{\arg\min} \sum_{}{e(p)}

来一起优化物体和相机位姿,其中

e(\theta)

为角度误差,

e(s)

为尺度误差(立方体投影线段和距离它最近的平行LSD Segment距离),

e(p)

为传统SLAM的重投影误差。

结果

一下为该算法的结果,可以看出相比ORB-SLAM的稀疏地图,该算法更加稠密,相比稠密SLAM算法结果,该算法有输出语义物体地图,在TUM,MicroSoft RGB-D以及Scenes V2数据集上取得效果不错,在真实场景中一样可以得到以上结果,甚至被遮挡物体可以准确估计,验证了算法的鲁棒和准确性。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 基于图像语义的视觉同步定位和建图综述:面向应用的移动机器人自主导航解决方案

    论文名称: A survey of image semantics-based visual simultaneous localization and map...

    用户1150922
  • 从零开始一起学习SLAM | SLAM有什么用?

    SLAM是 Simultaneous Localization And Mapping的 英文首字母组合,一般翻译为:同时定位与建图、同时定位与地图构建。

    用户1150922
  • Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLA

    —在VO或VSLAM系统中保持性能(精确度和鲁棒性)和效率(延迟)的取舍是一个重要的课题。基于特征的系统展现了良好的性能,但由于显式的数据关联有更高的时延;直接...

    用户1150922
  • 如何查看CUDA版本和CUDNN版本

    cuda一般安装在 /usr/local/cuda/ 路径下,该路径下有一个version.txt文档,里面记录了cuda的版本信息

    TeeyoHuang
  • Ubuntu 20.04 CUDA&cuDNN安装方法(图文教程)

    如果无法查看,则说明尚未安装nvidia驱动,点击附加驱动,选择对应版本的驱动即可自动下载。

    砸漏
  • 基于ORB-SLAM2可持续保存地图的扩展方案

    文章:Persistent Map Saving for Visual Localization for Autonomous Vehicles: An ORB...

    点云PCL博主
  • 【干货】理解深度学习中的矩阵运算

    【导读】本文是作者Nikhil B撰写的“Terence Parr和Jeremy Howard的深度学习的矩阵运算”笔记。我们知道,深度学习是基于线性代数和微积...

    WZEARW
  • POJ 1170 Shopping Offers非状态压缩做法

    Time Limit: 1000MS Memory Limit: 10000K Total Submissions: 5659 Accepted: 2361

    风骨散人Chiam
  • WPF 图片显示中的保留字符问题

    在WPF中显示一张图片,本是一件再简单不过的事情。一张图片,一行XAML代码即可。 但是前段时间遇到了一件奇怪的事: 开发机上运行正常的程序,在某些客户机器上却...

    Shao Meng
  • WordPress强制跳转https教程

    这时候我们在访问自己WordPress站点的时候就强制跳转到https小绿标锁状态了。

    陌涛

扫码关注云+社区

领取腾讯云代金券