视觉slam框架:StructSLAM
StructSLAM: Visual SLAM With Building Structure Lines
StructSLAM：具有建筑结构线的视觉 SLAM
摘要:
我们提出了一种基于人造建筑环境结构规律的新型 6 自由度 (DoF) 视觉同步定位和映射 (SLAM) 方法。 这个想法是我们使用建筑结构线作为定位和映射的特征。 与其他线特征不同，建筑结构线对全局方向信息进行编码，该信息会随着时间的推移限制相机的航向，从而消除累积的方向误差并减少位置漂移。 我们扩展了标准扩展卡尔曼滤波器视觉 SLAM 方法，采用具有新的参数化方法的建筑结构线，该方法表示主要方向上的结构线。 已经在合成场景和真实世界场景中进行了实验。 结果表明，我们的方法在位置误差和方向误差方面明显优于现有方法。 在公共 RAWSEEDS 数据集的室内场景测试中，在车轮里程表的帮助下，我们的方法在 967 米的路径上产生了约 0.79 米的有界位置误差，尽管没有应用闭环算法。
介绍:
同时定位和地图绘制 (SLAM) 是自动驾驶汽车导航的一个关键问题，计算机视觉和机器人社区已经对其进行了多年研究。 以摄像头作为传感器输入的视觉 SLAM 有利于应用于对系统成本、能量和重量要求有限的平台，例如微型飞行器系统。 在过去的十年中已经提出了许多视觉 SLAM 方法。 他们中的许多人使用点作为特征来估计相机姿态和由稀疏点云表示的周围环境地图。
当场景包含稳定的特征点时，最先进的视觉 SLAM 算法 [1]、[2] 可以产生与激光距离扫描仪精度相媲美的结果。 然而，如果场景中的特征点很少，视觉SLAM算法通常会在位置和方向上产生较大的漂移误差，甚至无法工作。 它通常发生在主要由无纹理表面组成的场景中。 有些还使用线特征视觉 SLAM [3]-[6]。 当场景中没有足够的点特征时，线特征是很好的补充。 然而，基于线的视觉 SLAM 方法在性能上基本上没有显着改善，并且由于难以稳健地跟踪线，有时会产生更差的结果。
无论是使用点特征还是线特征，视觉SLAM方法都有众所周知的漂移问题，这意味着定位误差会随着时间的推移而累积。 如果没有一些特殊处理，例如闭环算法 [7] 或一些辅助传感器，则很难在大规模环境中达到理想的精度。
人造建筑在我们的生活环境中随处可见，表现出很强的结构规律性。 在大多数情况下，人造建筑可以抽象为三个主要方向堆叠在一起的块，这被称为曼哈顿世界假设[8]。
Manhattan world: Compass direction from a single image by Bayesian inference
研究人员将观察作为先验知识用于室内建模 [9]、[10]、场景理解 [11] 和航向估计 [12] 等应用。 受人造建筑这种强烈规律性的启发，我们提出了一种新颖的视觉 SLAM 方法，该方法采用建筑结构线进行定位和映射。 建筑结构线是指与建筑的三个主要方向对齐的线，如图1所示。
结构线特征与现有视觉SLAM系统[6]中使用的线特征之间的主要区别在于结构线编码全局方向信息。 采用建筑结构线作为地标的好处是显而易见的：可以消除累积的方向误差。 从而减少累积位置误差，提高SLAM系统的精度。
正如我们在实验中所看到的，所提出的方法在准确性和鲁棒性方面都优于最先进的视觉 SLAM 方法。 在使用 RAWSEEDS 数据集的测试中，通过使用里程计作为运动预测器，我们的方法在不应用任何闭环算法的情况下沿 967 米的路径产生小于 1 米的有界位置误差。 我们还展示了我们的方法在现有视觉 SLAM 方法失败的具有挑战性的情况下的稳健性。 我们强调我们工作的主要贡献如下。
我们通过一种新颖的参数化方法为 6 自由度 (DoF) SLAM 采用三个主导方向的建筑结构线，全局约束相机方向并因此减少整体漂移误差，使 6-DoF 视觉 SLAM 在有人造建筑的环境中更加稳定和准确。
由 3-D 结构线构建的地图提供了场景的额外信息，这对于场景建模和理解非常有用。 所提出的视觉 SLAM 方法在室内车辆技术的应用中具有潜在用途，例如室内停车场和自主服务机器人。
总结:
该方法使用了机器人的里程计信息，用来做机器人的状态更新，使用了线特征的提取，使用RANSAC去除异常的线段，提出了一种以结构构造线为新特征与点特征互补的可视化6自由度SLAM方法。我们的方法在合成场景和真实场景中都得到了验证。结果表明，对于缺乏点特征的室内环境，传统的基于点的SLAM会产生较大的漂移误差甚至失效，而我们的方法在处理结构线时效果良好，并且由于相机方位角的全局约束，漂移误差小得多。结果表明，当场景中存在不与三个主要方向对齐的线段时，该方法仍然通过采用鲁棒数据关联方法工作良好，表明了该方法的鲁棒性。
论文链接:
https://ieeexplore.ieee.org/document/7001715
开源链接:
https://github.com/x007dwd/StructSLAM
视觉slam框架:StructSLAM相关推荐
- 视觉SLAM笔记（3） 视觉SLAM框架
视觉SLAM笔记(3) 视觉SLAM框架 1. 经典框架 2. 视觉里程计 3. 后端优化 4. 回环检测 5. 建图 5.1. 度量地图 5.2. 拓扑地图 1. 经典框架 相机在场景中运动的过程, ...
- 视觉SLAM（一）——视觉SLAM框架
1.简介及说明 SLAM(Simultaneous Localization And Mapping)--同时定位与地图构建.因此SLAM是研究"定位"和"地图构建&qu ...
- OpenVSLAM：日本先进工业科技研究所新开源视觉SLAM框架
点击我爱计算机视觉标星,更快获取CVML新技术 很多人说深度学习和SLAM是计算机视觉目前最火的应用方向.深度学习自不必说,SLAM则已经悄悄走入我们的生活(扫地机器人.无人机.增强现实游戏等). 5 ...
- 3D 视觉 相关知识-SLAM框架-常见方案对比
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:新机器视觉 点云数据 通过测量仪器获得 物体外观 的点数 ...
- 视觉SLAM十四讲---第一、二讲（讲解slam框架， c++编译实践）
同时定位与地图构建:首先是估计自己的运动,然后描述环境这两件事. 困难之处: 数据来源只有图像等 视觉slam14讲有编程内容 书中有相关知识的小例题 一.视觉slam框架分为四个模块 定位和建图的相 ...
- CamVox：一种低成本、高精度的激光雷达辅助视觉SLAM系统
标题:VCamVox: A Low-cost and Accurate Lidar-assisted Visual SLAM System 作者:Yuewen Zhu, Chunran Zheng, ...
- 易扩展的SLAM框架-OpenVSLAM
本文介绍了一种具有较高可用性和可扩展性的可视化SLAM框架--OpenVSLAM.视觉SLAM系统对于AR设备.机器人和无人机的自主控制等是必不可少的.然而,传统的开源视觉SLAM框架并没有像从第三 ...
- 论文简述 | CamVox: 一种低成本、高精度的激光雷达辅助视觉SLAM系统
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 摘要 将激光雷达与基于相机的同步定位和建图(SLAM)相结合是提高整体精度的有效方法,尤其是在大规模室 ...
- vins中imu融合_基于非线性优化算法—当视觉SLAM遇到VINS会碰撞出怎样的火花？
今天来给大家分享一个视觉SLAM中比较综合且复杂的系统-VINS.VINS旨在通过融合两个传感器测量数据获得移动机器人的位姿和特征点在空间中的位置,在现代控制理论学科中属于最优估计问题.在移动智能机器 ...
最新文章
- 网站SEO优化之如何提升网站的流量？
- 如何验证c++代码线程安全性_Python3基础：如何验证你的代码
- UImageview加边框 加阴影
- HDU 1715 大菲波数
- mysql 数据趋势,2019年8月全球数据库流行度排行--oracle、mysql增长趋势明显
- linux中mysql与eclipse_Linux下eclipse CDT及mysql安装,c++访问mysql数据库
- 2019-03-11-算法-进化（求众数）
- Nodejs中原生遍历文件夹
- 美股数据获取 python_python3+tesseract获取美股PEG图像上的数据
- 代码帝：一个月10万行代码
- Java Foundation serial ( 一 )
- 30+免费快速启动工具软件下载
- 《Kotin 极简教程》第7章 面向对象编程（OOP）
- 个人推荐一款并发测试工具
- java数据结构--TreeSet
- Java程序员编写代码的技巧
- 网络安全入门实验04：病毒专杀工具的制作
- java idea打不开的问题修复记录
- vscode最强摸鱼指南，老板站在身后也看不出来的那种
- Linux系统十大最佳发行版本，哪个最受开发者欢迎？