首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

用于机器人定位和建图的增强型 LiDAR-惯性 SLAM 系统

粒子滤波也是一个十分经典的算法,它与卡尔曼滤波的不同之处在于卡尔曼滤波假设概率分布是高斯分布,然后在计算后验概率(pdf)时,利用正态分布的性质,可以计算出来;而粒子滤波的后验概率分布是通过蒙特卡洛方法采样得到的。蒙特卡洛方法很清楚的一点是采样的粒子越多,概率分布越准确,但是计算速度会下降。也就是说如何分布你的有限个数的采样粒子来得到更为准确的后验概率分布是粒子滤波一直在做的事情。在本文中粒子滤波的改善一个是局部采样,另一个是采样时更好的概率分布来得到更精确的后验概率。在闭环检测这里则是应用了深度学习的方法。具体实现可以随笔者一起看下面的文章。

03

论文简述 | 融合关键点和标记的基于图优化的可视化SLAM

同步定位与建图在移动机器人自主导航中起着重要的作用.大多数视觉SLAM方法使用关键点进行跟踪,但由于光线条件不确定和视点频繁变化,其性能受到任务中不稳定地标的影响.对于低纹理环境中的视觉SLAM,尤其是在室内建筑中,这种情况变得更糟,在室内建筑中,辅助人工标记可以用于在更大范围的环境下提高鲁棒性检测.受这一思想的启发,本文开发了一个集成关键点和人工标记的可视化SLAM系统.构建了一个图形优化问题,通过考虑关键点的重投影误差和标记的影响来优化轨迹.在SPM数据集上的实验结果表明,与最先进的ORB-SLAM2相比,该图优化算法具有更高的精度.

03

CVPR 2021 | Differentiable SLAM-net

同时定位与建图(SLAM)在视觉机器人导航等下游应用中仍然具有挑战性,原因包括但不限于快速转弯、无特征墙壁、图像质量差等。本文作者提出了一种粒子滤波的SLAM网络(Particle SLAM-net)和一种导航框架,可以使平面机器人能够在以前没见过的室内环境中进行导航。SLAM网络将基于粒子滤波的SLAM算法编码到可微计算图中,通过粒子滤波算法进行反向传播学习面向任务的神经网络组件。由于它能够为最终目标联合优化所有模型组件,SLAM-net能够在具有挑战性的条件下保持鲁棒性。作者在Habitat平台上用不同的真实RGB和RGB-D数据集进行了实验。SLAM-net在噪声环境下的性能明显优于广泛采用的ORB-SLAM。本文采用SLAM网络的导航架构大大提高了Habitat Challenge 2020 PointNav任务的最新水平(成功率从37%到64%)。

03
领券