Stereo Parallel Tracking and Mapping for robot localization(S-PTAM)
机器人定位的立体并行跟踪与映射 S-PTAM(2015)
- 1. 介绍
- 2. 方法
- 1. 跟踪
- 2. 映射
- 3. 实验
- 1. MIT数据集
- 2. KITTI数据集
1. 介绍
按照并行跟踪与映射(PTAM)的方法,S-PTAM将问题分为两个主要的并行任务:摄像机跟踪和地图优化。跟踪线程匹配特征、创建新点并估计每个新帧的相机姿势,映射线程迭代地细化组成地图的附近点地标。
S-PTAM特点:
1)利用SLAM的并行性实现实时性能,同时最小化线程间依赖性。
2) 使用立体摄像机,避免单目自举问题,并允许在没有任何先验信息的情况下计算映射环境的度量尺度。
3) 在独立线程中执行一个局部可观察区域中迭代地运行映射优化(Bundle Adjustment)操作,从而提高全局一致性。
4) 可用于早期姿势预测和更有效的特征匹配。
5) 对姿势和地图优化算法实施立体约束,提高了稳健性。
6) 二进制特征用于描述可视点地标,从而减少存储需求并提高匹配速度。
2. 方法
S-PTAM从世界参考帧的标准姿势开始,并通过对第一对立体图像中的匹配特征进行三角化来初始化。跟踪线程为每个新进入的立体帧估计当前姿态,从而最小化图像上的特征与其对应的地图点之间的重新投影误差。同时,映射优化线程不断地试图通过BA中的所有点和关键帧来最小化重新投影错误。
1. 跟踪
1)特征提取:BRIEF 描述子,Shi-Tomasi 特征提取,速度不如FAST快,但通过非最大抑制在图像上“良好”的选定点的空间分布,显著地提高了跟踪过程中的姿势细化的鲁棒性。
2)特征匹配:
3)姿态优化:使用Levenberg-Marquardt算法,通过非线性最小二乘方程迭代最小化重新投影误差
4)键帧选择:被跟踪点的数量小于最后一个关键帧中被跟踪点的90%时,当前帧被选择为关键帧
2. 映射
BA优化最小化方程:
考虑到Jacobian的稀疏块特性,使用了稀疏Levenberg-Marquardt实现:
3. 实验
1. MIT数据集
如图1,机器人跟随的近50米轨迹中,最大计算误差为0.6米。
图1 估计轨迹与地面真实情况
图2,相对跟踪误差不会随着行驶距离的增加而增加,且不会超过20cm。在图3中,在14秒处,峰值显示80度的误差,之后,该方法通过跟踪先前构建的地图立即恢复,S-PTAM对这种异常值表现出了很强的鲁棒性。
图2 MIT序列1相对于地面真位姿计算的轨迹欧氏距离
图3 轨迹相对于地面真实位姿的角度偏差
2. KITTI数据集
相对定位误差不会随着行驶距离的增加而增加。在车辆跟随的4km轨道上,最大绝对定位误差为16m。
图4 KITTI估计轨迹与地面真实情况
图5 地面真实位姿的欧几里德轨迹距离
Stereo Parallel Tracking and Mapping for robot localization(S-PTAM)相关推荐
- Robot Framework(十八) 支持工具
5支持工具 5.1库文档工具(libdoc) libdoc是一种用于为HTML和XML格式的测试库和资源文件生成关键字文档的工具.前一种格式适用于人类,后者适用于RIDE和其他工具.Libdoc也没有 ...
- Robot Framework(十四) 扩展RobotFramework框架——创建测试库
4.1创建测试库 Robot Framework的实际测试功能由测试库提供.有许多现有的库,其中一些甚至与核心框架捆绑在一起,但仍然经常需要创建新的库.这个任务并不复杂,因为正如本章所示,Robot ...
- Robot Program(找规律)
Robot Program 题目链接:https://codeforces.com/problemset/problem/1452/A 题目描述: There is an infinite 2-dim ...
- Ubuntu14.04下运行PTAM(Parallel Tracking And Mapping)
1 环境搭建 配置:ubuntu14.04. 1.1 前期准备 First. 更新软件源 sudo apt-get update(更新软件列表) sudo apt-get upgrade(更新已安装的 ...
- Robot Framework(十五):使用RF进行接口测试(下)
目录 代码示例1:面向过程的方式实现接口注册和登录 代码示例2:封装为关键字 代码示例3:将测试case修改为数据驱动的方式 本篇是在上一篇基础上的代码示例,服务器的IP是私有的不能随意访问. 代码示 ...
- 2017 秦皇岛CCPC Balloon Robot (ZOJ 3981)
题意:给出n个队伍,m个座位,q次A题的队伍与时间,下一行是n个队伍的坐的位置,再下面q行就是第x个队再第y秒A出一道题,然后有一个机器人,开始位置由你选,他每走一步 他就会向右走一格,走到m的时候会 ...
- 论文笔记:Parallel Tracking and Verifying: A Framework for Real-Time and High Accuracy Visual Tracking...
Parallel Tracking and Verifying: A Framework for Real-Time and High Accuracy Visual Tracking 本文目标在于 ...
- 【论文笔记】Integrate Point-Cloud Segmentation with 3D LiDAR Scan-Matching for Mobile Robot Localization a
[论文笔记]Integrate Point-Cloud Segmentation with 3D LiDAR Scan-Matching for Mobile Robot Localization a ...
- ICCV 2017 PTAV:《Parallel Tracking and Verifying:A Framework for Real-Time and High Accuracy ...》论文笔记
理解出错之处望不吝指正. 本文模型叫做PTAV. 本文的贡献包括: (1)提出了一个新颖的PTAV(parallel tracking and verifying)架构: (2)在此架构上,可以将基于 ...
最新文章
- 研究生论文盲审、查重再加码!毕业或将变的更加困难...
- phpexcel的自动加载与其他框架有冲突
- C++中虚函数、虚指针和虚表详解
- JVM_06 垃圾收集器[ 三 ]
- 计算机jsp外文文献,计算机JSPweb外文翻译外文文献英文文献-20210615222802.docx-原创力文档...
- 品质管控计划ppt怎样写_品质管理需要做好几件事
- 【ArcGIS Pro微课1000例】0008:ArcGIS Pro加载不同来源的在线底图数据
- 用纸筒做机器人_365天,每天都可以玩出新花样,卷纸筒就是这么牛的神器!
- 2015年《大数据》高被引论文Top10文章No.4——关于大数据交易核心法律问题 —— 数据所有权的探讨...
- 自定义控件之绘图篇(一):概述及基本几何图形绘制
- 【Java】java测试--词频统计 ----IO流操作
- ARP 协议 理解
- windows 安装 perl 教程
- 2022-数字媒体技术是什么?学什么?身为普通本科生的我们该怎么学?
- rest-assured实战
- 【shell】shel脚本开发-条件测试
- CC00042.kafka——|Hadoopkafka.V27|——|kafka.v27|主题管理.v02|
- 集合框架|Java集合框架基本使用
- Android零基础开发到项目实战
- HEVC-I帧中CU,TU,PU之间的关系
热门文章
- 28岁程序员目前考虑转行,但又不知道自己能干什么
- 如何查找重复文件并快速删除,电脑查重复文件的方法
- 压敏电阻的原理和使用介绍
- 测试开发3年,我决定去读个名校硕士
- Qt数据导出csv防止科学记数法
- html 掉爱心特效,微信发什么会掉爱心特效(微信特效词语合集)
- 天津市儿童计算机编程课,天津2021少儿编程(少儿机器人编程是什么)
- 论文研读-社交媒体可视化-地图隐喻转发地图R-Map
- 主成分分析法怎么提取图片中的字_论文中做出CNS高逼格的主成分分析图教程
- mysql forward_only_mysql参数调优