CN115482252A - 基于运动约束的slam闭环检测和位姿图优化方法 - Google Patents
基于运动约束的slam闭环检测和位姿图优化方法 Download PDFInfo
- Publication number
- CN115482252A CN115482252A CN202110599038.5A CN202110599038A CN115482252A CN 115482252 A CN115482252 A CN 115482252A CN 202110599038 A CN202110599038 A CN 202110599038A CN 115482252 A CN115482252 A CN 115482252A
- Authority
- CN
- China
- Prior art keywords
- closed
- frame
- image
- loop
- pose graph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000013135 deep learning Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉领域，具体涉及一种基于运动约束的SLAM闭环检测和位姿图优化方法，旨在解决SLAM闭环检测和位姿图优化技术运行速度较慢、召回率较低且没有充分融合运动学知识，导致SLAM鲁棒性较差的问题。本发明方法包括：判断当前帧图像是否为关键帧，若是，计算各关键帧间的相对位姿，构建位姿图；将当前帧图像与各历史关键帧的全局二值特征距离最小的N个历史关键帧，作为闭环候选帧；判断各闭环候选帧与当前帧图像的距离是否均大于设定距离阈值，若否，则优化位姿图，否则提取各闭环候选帧的局部特征进行匹配与闭环检测，若闭环检测成功，则优化位姿图，否则重新获取帧图像。本发明提升了即时定位与建图的鲁棒性。
Description
技术领域
本发明属于计算机视觉领域，具体涉及一种基于运动约束的SLAM闭环检测和位姿图优化方法、系统、设备。
背景技术
即时定位与建图，可以描述为一个机器人在未知环境中定位自身的同时构建环境地图。这项技术因为增强现实和无人驾驶受到越来越多的关注。闭环检测是SLAM的重要模块，用以纠正其长时运行时产生的累计误差。
如今，大量的SLAM里程计算法被提出，并取得了惊人的表现。然而SLAM系统在对未知环境的长期探索后，不可避免地产生轨迹预估误差和建图误差。闭环检测是对这一问题的公认解决方案，可以理解为一个在线的检索问题，要求实时、鲁棒的匹配当前地点与先前参观过的地点。人工设计的全局特征计算较为快速，但易受光照、视角变化的影响。人工设计的局部特征鲁棒能解决视角问题，但同时计算比较耗时。局部特征的聚类技术被提出，其中基于无监督训练的词袋模型广泛应用于闭环检测。随着深度学习的发展，卷积神经网络在图像表达取得惊人的表现，同时逐渐被尝试应用在位置识别和闭环检测上。但最新提出的基于CNN的闭环检测方法既没有考虑在移动平台上的实时运行表现，也没有充分融合运动学知识。因此，本发明提出一种基于运动约束的SLAM闭环检测和位姿图优化方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有SLAM闭环检测和位姿图优化技术运行速度较慢、召回率较低且没有充分融合运动学知识，导致即时定位与建图鲁棒性较差的问题，本发明提出了一种基于运动约束的SLAM闭环检测和位姿图优化方法，该方法包括：
S10，获取历史关键帧序列及当前帧图像，并通过预设的关键帧选取方法判断当前帧图像是否为关键帧，若是，则结合视觉-惯导里程计对应的旋转矩阵、平移矩阵，计算各关键帧间的相对位姿，构建位姿图；
S20，通过预训练的深度学习网络提取当前帧图像的全局二值特征，作为第一特征；计算所述第一特征与各历史关键帧对应的全局二值特征的距离，并将距离最小的前N个历史关键帧，作为闭环候选帧；
S30，判断各闭环候选帧与当前帧图像的汉明距离是否均大于设定距离阈值，若否，则将汉明距离最小的闭环候选帧作为闭环帧，并跳转步骤S40，否则提取各闭环候选帧的局部特征，作为第二特征；通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测，若闭环检测成功，则将匹配相似度最大的闭环候选帧作为闭环帧，并跳转步骤S40，否则跳转步骤S10；
S40，采用金字塔LK光流法预测所述闭环帧可观测的三维点在当前帧图像上的图像坐标，并建立3d-2d匹配；基于匹配后的3d-2d点，通过RANSAC算法和PnP算法计算当前帧图像在世界坐标系中的位姿，优化生成的位姿图。
在一些优选的实施方式中，所述预设的关键帧选取方法为：
若当前图像帧可观测到的三维点数量大于N且当前帧图像与前一关键帧图像的视差大于M且当前帧图像与前一关键帧图像的时间间距大于设定间距阈值，则当前帧图像为关键帧；N，M为正整数。
在一些优选的实施方式中，所述深度学习网络，其训练方法为：
A10，采集单向运动且不发生闭环的连续视频数据，作为输入数据；
A20，将输入数据中的第t帧图像作为查询图像，将第[t-d,t+d]帧图像作为相似图像，除查询图像、相似图像外的图像作为不相似图像；
A30，通过预构建的深度学习网络提取查询图像、相似图像、不相似图像的全局二值特征，分别作为第一全局特征、第二全局特征、第三全局特征；
A40，计算第一全局特征与第二全局特征的距离，作为第一距离；计算第一全局特征与第三全局特征的距离，作为第二距离；计算第二全局特征与第三全局特征的距离，作为第三距离；
A50，将第一距离、第二距离、第三距离输入预构建的损失函数中，得到损失值；并结合所述损失值，通过反向传播对所述深度学习网络的模型参数进行更新；
A60，循环执行步骤A30-A50，直至得到训练好的深度学习网络。
在一些优选的实施方式中，所述预构建的损失函数Loss为：
其中，
表示第i个相似图像pi和不相似图像ni在汉明空间的距离，
表示第i个查询图像qi和相似图像pi在汉明空间的距离，下标1表示相似度分级参数，
表示第i个查询图像qi和不相似图像ni在汉明空间的距离，
表示连续视频数据对应的哈希码，p(.)表示条件概率，M表示三元组{qi,pi,ni}的数量，λ表示设定的权重，N表示连续视频数据的长度，L为正整数，表示L维向量。
在一些优选的实施方式中，述的基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，“通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测”，其方法为：
计算各第二特征与当前帧图像对应的局部特征的相似度，若最大的相似度大于设定的相似度阈值，则将最大的相似度对应的闭环候选帧作为待定闭环帧；
判断当前帧的下一帧是否存在待定闭环帧，若存在，则将当前帧对应的待定闭环帧作为正确闭环帧，闭环检测成功。
在一些优选的实施方式中，所述位姿图对应的优化目标函数为：
其中，Ri和ti分别表示第i帧相对于世界坐标系的旋转矩阵和平移向量，Rij和tij分别表示第i帧和第j帧之间的相对旋转和平移，ε表示位姿图中边的集合，(i，j)表示连接第i帧和第j帧的边,T表示转置，SO(3)表示特殊正交群，R3表示3维的向量空间。
在一些优选的实施方式中，位姿图优化的目标函数对应的优化求解过程为：
对所述优化目标函数的第二个误差项
进行求解，得到第i帧相对于世界坐标系的初始的旋转矩阵
对
进行奇异值分解，得到第i帧相对于世界坐标系的最终的旋转矩阵Ri；将Ri作为位姿图优化的初值，带入所述优化目标函数并进行求解，得到位姿图优化后视觉-惯导传感器中相机位姿。
本发明的第二方面，提出了一种基于运动约束的SLAM闭环检测和位姿图优化系统，该系统包括：位姿图构建模块、全局特征匹配模块、局部特征匹配模块、位姿图优化模块；
所述位姿图构建模块，配置为获取历史关键帧序列以及当前帧图像，并通过预设的关键帧选取方法判断当前帧图像是否为关键帧，若是，则结合视觉-惯导里程计对应的旋转矩阵、平移矩阵，计算各关键帧之间的相对位姿，构建位姿图；
所述全局特征匹配模块，配置为通过预训练的深度学习网络提取当前帧图像的全局二值特征，作为第一特征；计算所述第一特征与各历史关键帧对应的全局二值特征的距离，并将距离最小的前N个历史关键帧，作为闭环候选帧；
所述局部特征匹配模块，配置为判断各闭环候选帧与当前帧图像的汉明距离是否均大于设定距离阈值，若否，则将汉明距离最小的闭环候选帧作为闭环帧，并跳转位姿图优化模块，否则提取各闭环候选帧的局部特征，作为第二特征；通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测，若闭环检测成功，则将匹配相似度最大的闭环候选帧作为闭环帧，并跳转位姿图优化模块，否则跳转位姿图构建模块；
所述位姿图优化模块，配置为采用金字塔LK光流法预测所述闭环帧可观测的三维点在当前帧图像上的图像坐标，并建立3d-2d匹配；基于匹配后的3d-2d点，通过RANSAC算法和PnP算法计算当前帧图像在世界坐标系中的位姿，优化生成的位姿图。
本发明的第三方面，提出了一种设备，至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于运动约束的SLAM闭环检测和位姿图优化方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求上述的基于运动约束的SLAM闭环检测和位姿图优化方法。
本发明的有益效果：
本发明通过融合运动学知识，提升了现有SLAM闭环检测和位姿图优化技术的运行速度、召回率以及即时定位与建图的鲁棒性。
1)本发明在训练阶段：将连续视频数据中的第t帧图像作为查询图像，将第[t-d,t+d]帧图像作为相似图像，除查询图像、相似图像外的图像作为不相似图像，提取查询图像、相似图像、不相似图像的全局二值特征并计算计算特征距离，对深度学习网络进行训练，提升了网络的特征提取的精度；
2)检测阶段：计算当前关键帧与历史关键帧的汉明距离，将将距离最小的前N个历史关键帧，作为闭环候选帧；根据各闭环候选帧与当前帧图像的汉明距离以及各闭环候选帧的局部特征匹配后对应的内点率，实现了灵活高效地检索闭环帧；
3)优化阶段：先对第i帧和第j帧之间的相对旋转和平移进行优化并进行矫正、奇异值分解，求得的Ri作为位姿图优化的初值；基于位姿图优化的初值，求解位姿图优化的目标函数，实现位姿的快速准确地优化，提升了现有SLAM闭环检测和位姿图优化技术的运行速度、召回率以及即时定位与建图的鲁棒性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于运动约束的SLAM闭环检测和位姿图优化方法的流程示意图；
图2为本发明一种实施例的基于运动约束的SLAM闭环检测和位姿图优化系统的框架示意图；
图3是本发明一种实施例的基于运动约束的SLAM闭环检测和位姿图优化的简略系统框图；
图4是本发明一种实施例的基于网格的运动统计的图像特征匹配算法的原理示意图；
图5是本发明一种实施例的运动状态的示意图；
图6是本发明一种实施例的系统检测闭环的可视化的示意图；
图7是本发明一种实施例的汉明距离阈值对系统精度和时间的影响的示意图；
图8是本发明一种实施例的闭环检测及位姿优化后的轨迹对比的示意图；
图9是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明第一实施例的一种基于运动约束的SLAM闭环检测和位姿图优化方法，如图1所示，该方法包括以下步骤：
S10，获取历史关键帧序列及当前帧图像，并通过预设的关键帧选取方法判断当前帧图像是否为关键帧，若是，则结合视觉-惯导里程计对应的旋转矩阵、平移矩阵，计算各关键帧间的相对位姿，构建位姿图；
S20，通过预训练的深度学习网络提取当前帧图像的全局二值特征，作为第一特征；计算所述第一特征与各历史关键帧对应的全局二值特征的距离，并将距离最小的前N个历史关键帧，作为闭环候选帧；
S30，判断各闭环候选帧与当前帧图像的汉明距离是否均大于设定距离阈值，若否，则将汉明距离最小的闭环候选帧作为闭环帧，并跳转步骤S40，否则提取各闭环候选帧的局部特征，作为第二特征；通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测，若闭环检测成功，则将匹配相似度最大的闭环候选帧作为闭环帧，并跳转步骤S40，否则跳转步骤S10；
S40，采用金字塔LK光流法预测所述闭环帧可观测的三维点在当前帧图像上的图像坐标，并建立3d-2d匹配；基于匹配后的3d-2d点，通过RANSAC算法和PnP算法计算当前帧图像在世界坐标系中的位姿，优化生成的位姿图。
为了更清晰地对本发明基于运动约束的SLAM闭环检测和位姿图优化方法进行说明，下面对本发明方法一种实施例中各步骤进行展开详述。
本发明主要分为深度学习网络的自监督训练、融合全局和局部两种特征的闭环检索和位姿图优化三个部分，框图如图3所示。在下述实施例中，先对深度学习网络的训练过程进行详述，再对基于运动约束的SLAM闭环检测和位姿图优化方法实现位姿图的优化过程进行详述。
1、深度学习网络的训练过程
A10，采集单向运动且不发生闭环的连续视频数据，作为输入数据；
在本实施例中，先在一个场景中采集连续图像，符合单向运动且不发生闭环，构建连续运动模型。
A20，将输入数据中的第t帧图像作为查询图像，将第[t-d,t+d]帧图像作为相似图像，除查询图像、相似图像外的图像作为不相似图像；
连续图像序列为
其中t为图像采集时的时间戳。存在一个时间段[t-d,t+d]，图像xt与该时间段内每帧图像都相似，相似度与间隔时间戳成反比。
在本实施例中，将连续视频数据中的第t帧图像作为查询图像，将第[t-d,t+d]帧图像作为相似图像，除查询图像、相似图像外的图像作为不相似图像。
A30，通过预构建的深度学习网络提取查询图像、相似图像、不相似图像的全局二维特征，分别作为第一全局特征、第二全局特征、第三全局特征；
在本实施例中，通过深度学习网络提取查询图像、相似图像、不相似图像作为全局二值特征。
A40，计算第一全局特征与第二全局特征的距离，作为第一距离；计算第一全局特征与第三全局特征的距离，作为第二距离；计算第二全局特征与第三全局特征的距离，作为第三距离；
A50，将第一距离、第二距离、第三距离输入预构建的损失函数中，得到损失值；并结合所述损失值，通过反向传播对所述深度学习网络的模型参数进行更新；
在本实施例中，预构建的损失函数为：
其中，
表示第i个相似图像pi和不相似图像ni在汉明空间的距离，
表示第i个查询图像qi和相似图像pi在汉明空间的距离，下标1表示相似度分级参数，
表示第i个查询图像qi和不相似图像ni在汉明空间的距离，
表示连续视频数据对应的哈希码，bt相当于bi，p(.)表示条件概率，M表示三元组{qi,pi,ni}的数量，λ表示设定的权重，N表示连续视频数据的长度，L为正整数，表示L维向量。
基于上述预构建的损失函数，计算损失值，通过反向传播对所述深度学习网络的模型参数进行更新。
A60，循环执行步骤A30-A50，直至得到训练好的深度学习网络。
在本实施例中，令连续图像序列X对应的哈希码
其中bt＝{0,1}L表示图像xt对应的长度为L的哈希码。对于一对哈希码bi和bj，汉明距离可以表示为：
度量汉明空间下的图像相似度的问题即转化为
与
(qi和pi的相似度)一致的问题。
定义两帧图像i和j之间的哈希码距离为：
disti,j＝2θijβ (3)
其中，θij表示两帧图像的相似程度(即相似度)，β是一个常数，可以控制一对相似图像对应的哈希码的汉明距离。与传统的三元组损失函数不同，提出的方法可以通过相似度调整两个相似图像的汉明距离。设计的损失函数基于概率，根据一个三元组和相似度标签，哈希码的最大后验估计p(B|T,Θ)可以表示为：
其中，B表示哈希码，三元组
和相似度标签
表示qi与pi的相似度，条件概率p(ti,θi|bi)定义如下：
其中，dq,p表示二值码q和p在汉明空间的距离，σ(x)是Sigmoid激活函数，上述最后两个公式通过对dq,p进行控制，从而实现相似图像的相似度分级。根据最大似然估计，我们提出的学习哈希码的损失函数如下：
因为在最后一个全连接的层中使用了Sigmoid激活函数，所以图像经过模型输出的张量b取值在[0,1]的范围内。通过输出张量b和0.5之间的最大化平方误差和的约束使输出接近0或1。
2、基于运动约束的SLAM闭环检测和位姿图优化方法
S10，获取历史关键帧序列及当前帧图像，并通过预设的关键帧选取方法判断当前帧图像是否为关键帧，若是，则结合视觉-惯导里程计对应的旋转矩阵、平移矩阵，计算各关键帧间的相对位姿，构建位姿图；
在本实施例中，在位姿图优化过程中，选取视觉-惯导里程计系统作为前端，以便获取每一帧图像的位姿，同时进行位姿图优化。为了减少计算量，在关键帧上进行闭环检测和位姿图优化，因此需要在视觉-惯导里程计中加入关键帧的选择机制。
关键帧选取方法为：若当前图像帧可观测到的三维点数量大于N且当前帧图像与前一关键帧图像的视差大于M且当前帧图像与前一关键帧图像的时间间距大于设定间距阈值，则当前帧图像为关键帧；N，M为正整数。其中，N优选设置为3。
若当前帧图像为关键帧，则结合视觉-惯导里程计对应的旋转矩阵R、平移矩阵t，计算各关键帧间的相对位姿，构建位姿图(具体为构建位姿图的边)。
S20，通过预训练的深度学习网络提取当前帧图像的全局二值特征，作为第一特征；计算所述第一特征与各历史关键帧对应的全局二值特征的距离，并将距离最小的前N个历史关键帧，作为闭环候选帧；
当一个运行SLAM的系统到达一个闭环点，那么接下来的一段时期该系统将都处于闭环中，如图5所示。因此，可以区分运动状态为无闭环状态和闭环状态。假设当前查询帧(即当前帧图像或当前关键帧)Q0与历史闭环帧R0相似，那么存在一个长度为t的时间内，即将获取的图像帧Qt与历史闭环帧Rt相似。通过区分运动状态，融合全局和局部两种特征以及线性存储结构，设计了灵活高效的检索策略。
对于一对图像从同一个3D场景的不同视角，一个特征对应关系意味着一个图像中的一个特征可以通过3D点的投影到另一个图像的特征。假设运动过程是平滑的，邻近的特征会一起移动。真实的对应关系受到平滑性的约束，错误的对应关系则不会。因此，真实的对应关系会有更多的相似邻。将图像I1和图像I2各自分成不重叠的网格，假设ci是网格Ga和Gb中的一个对应关系，我们定义ci的相似邻为：
Si＝{cj|cj∈Cab,ci≠cj} (11)
这里的Cab是那些落在网格Ga和Gb中的对应关系。我们令|Si|，即对Si的统计，表示ci的运动支持。这个运动支持被用于区分正确和错误的对应关系。如图4所示，网格Ga在网格Gb中有运动支持|Si|＝2。
无闭环状态下系统对闭环帧的要求可靠，对获取的每一帧图像使用深度学习网络提取全局二值特征。这个全局二值特征即为当前图像帧Q0对应的哈希码，它被加入到线性存储结构末尾并在其中进行汉明空间下的暴力搜索。具体而言，即计算当前图像帧Q0和所有历史关键帧的汉明距离，选取N个汉明距离最小且小于阈值δ1的图像帧作为闭环候选帧。
S30，判断各闭环候选帧与当前帧图像的汉明距离是否均大于设定距离阈值，若否，则将汉明距离最小的闭环候选帧作为闭环帧，并跳转步骤S40，否则提取各闭环候选帧的局部特征，作为第二特征；通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测，若闭环检测成功，则将匹配相似度最大的闭环候选帧作为闭环帧，并跳转步骤S40，否则跳转步骤S10；
在本实施例中，先判断各闭环候选帧与当前帧图像的距离是否均大于设定距离阈值，若否，则闭环检测成功，将汉明距离最小的闭环候选帧作为闭环帧，跳转步骤S40，进行位姿图优化，否则对上述过程中返回的闭环候选帧提取局部特征，用来进行基于网格的运动统计的几何一致性检查(即计算各第二特征与当前帧图像对应的局部特征的相似度，若最大的相似度大于设定的相似度阈值，则将最大的相似度对应的闭环候选帧作为待定闭环帧)，如图4所示。匹配的图像对中内点率(即相似度)最大且大于阈值γ1的闭环候选帧R0将继续进行时间一致性检查，即连续帧图像对Q1和R1间再次进行几何一致性检查。时间一致性的假设是理想的，因为当前连续两帧的位移差和它们的候选两帧的位移差是不一致的。这意味着Q1和R1之间的相似度可能低于Q0和R0之间的相似度。所以发生在时间一致性环节的基于网格的运动统计的内点率的阈值要小于γ1，这里具体设置为γ2。如果R0和R1通过上述过程，它们将一起被接受为最后的闭环帧，系统也将进入闭环状态(即判断当前帧的下一帧是否存在待定闭环帧，若存在，则将当前帧对应的待定闭环帧作为正确闭环帧，闭环检测成功)。
在之后的一段时间n内，当前图像帧Qn优先和历史关键帧Rn计算汉明距离。如果该汉明距离小于阈值δ2，该帧被接受为闭环；否则系统进行基于网格的运动统计，内点率阈值设置为γ3。所有参数关系总结如下：
0＜δ1＜δ2＜dist(HashCode) (12)
0＜γ3＜γ2＜γ1＜1 (13)
其中，dist(HashCode)表示两帧图像对应的哈希码之间的汉明距离。
如果全局和局部特征匹配的方法都失败，则退出闭环状态。极少数的有歧义的阳性结果出现在闭环序列的结尾。图6展示了提出的本发明可以连续地检索到闭环，并且可以适应遮挡等困难场景。其中局部特征匹配被可视化为颜色对应的点，全局特征被梯度类激活图技术可视化。图7是在100％准确率下调整汉明距离阈值的召回率和平均执行时间的变化曲线，可以看到灵活地阈值设定可以在提高召回率的同时降低执行时间。
S40，采用金字塔LK光流法预测所述闭环帧可观测的三维点在当前帧图像上的图像坐标，并建立3d-2d匹配；基于匹配后的3d-2d点，通过RANSAC算法和PnP算法计算当前帧图像在世界坐标系中的位姿，优化生成的位姿图；
在本实施例中，采用金字塔LK光流法，预测闭环帧可观测的三维点在当前关键帧上的图像坐标，从而建立3d-2d匹配.。基于匹配后的3d-2d点，采用RANSAC+PnP算法计算当前关键帧在世界坐标系中的位姿。根据计算得到的当前关键帧姿图，在位姿图中建立当前关键帧和闭环帧的边。优化生成的位姿图，抑制误差漂移。位姿图优化的目标函数如下所示：
其中，Ri和ti分别表示第i帧相对于世界坐标系的旋转矩阵和平移向量，Rij和tij分别表示第i帧和第j帧之间的相对旋转和平移，ε表示位姿图中边的集合，(i，j)表示连接第i帧和第j帧的边,T表示转置，SO(3)表示特殊正交群，R3表示3维的向量空间，
表示2-F范数。
在位姿图优化过程中，旋转矩阵R占主导地位，因此可以先考虑上式中的第二个误差项，得到如下的目标函数：
该目标函数是一个线性最小二乘问题，非常容易求解。求解得的
很可能不是旋转矩阵，需要对其进行矫正。对
进行奇异值分解，
最终取Ri＝Sdiag[1 1det(SVT)]VT，det()表示矩阵行列式，其中，S是一个m×m的矩阵，D是一个m×n的矩阵，出了主对角线上的元素以外全是0，主对角线上的每个元素都称为奇异值，V是一个n×n的矩阵，S、V都是酉矩阵，满足STS＝I，VTV＝I。
最后，将求得的Ri作为位姿图优化的初值，求解位姿图优化的目标函数，即可得到位姿图优化后的相机位姿Ri和ti。
另外，为了验证本发明方法的有效性，在过我公开各数据集上进行实验，实验结果如表1所示，即100％准确率下的召回率。
表1
表2展示了在CPU和GPU上每个数据集的回环检测的平均执行时间测试，包括每个重要环节的平均执行时间。其中全局特征提取、哈希码转化可以在CPU或GPU上进行，TopN暴力搜索的时间将随着数据库的递增而递增，但对系统全局平均用时测试影响很小，局部特征提取、匹配和GMS组成的几何一致性验证的平均用时在系统全局平均用时中占比较小。显然，提出回环检测方法的时间性能满足项目要求的指标。
表2
其中，query表示查询帧。
在自主采集的场景中测试闭环检测和位姿图优化算法，位姿图优化算法的耗时和重投影误差如表3和图8所示。重投影误差指的是，利用金字塔LK光流法预测闭环关键帧三维点在当前关键帧上的位置，从而确定3d-2d匹配，接着依据PnP算法求得当前关键帧的位姿，同时计算闭环关键帧三维点在当前关键帧上的重投影误差。
表3
其中，keyframe表示关键帧，pixel表示像素。
本发明第二实施例的一种基于运动约束的SLAM闭环检测和位姿图优化系统，如图2所示，包括：位姿图构建模块100、全局特征匹配模块200、局部特征匹配模块300、位姿图优化模块400；
所述位姿图构建模块100，配置为获取历史关键帧序列以及当前帧图像，并通过预设的关键帧选取方法判断当前帧图像是否为关键帧，若是，则结合视觉-惯导里程计对应的旋转矩阵、平移矩阵，计算各关键帧之间的相对位姿，构建位姿图；
所述全局特征匹配模块200，配置为通过预训练的深度学习网络提取当前帧图像的全局二值特征，作为第一特征；计算所述第一特征与各历史关键帧对应的全局二值特征的距离，并将距离最小的前N个历史关键帧，作为闭环候选帧；
所述局部特征匹配模块300，配置为判断各闭环候选帧与当前帧图像的汉明距离是否均大于设定距离阈值，若否，则将汉明距离最小的闭环候选帧作为闭环帧，并跳转位姿图优化模块400，否则提取各闭环候选帧的局部特征，作为第二特征；通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测，若闭环检测成功，则将匹配相似度最大的闭环候选帧作为闭环帧，并跳转位姿图优化模块400，否则跳转位姿图构建模块100；
所述位姿图优化模块400，配置为采用金字塔LK光流法预测所述闭环帧可观测的三维点在当前帧图像上的图像坐标，并建立3d-2d匹配；基于匹配后的3d-2d点，通过RANSAC算法和PnP算法计算当前帧图像在世界坐标系中的位姿，优化生成的位姿图。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于运动约束的SLAM闭环检测和位姿图优化系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种设备，至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于运动约束的SLAM闭环检测和位姿图优化方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求上述的基于运动约束的SLAM闭环检测和位姿图优化方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图9，其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图9示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)901，其可以根据存储在只读存储器(ROM，Read Only Memory)902中的程序或者从存储部分908加载到随机访问存储器(RAM，Random Access Memory)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有系统操作所需的各种程序和数据。CPU 901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O，Input/Output)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，该方法包括：
S10，获取历史关键帧序列及当前帧图像，并通过预设的关键帧选取方法判断当前帧图像是否为关键帧，若是，则结合视觉-惯导里程计对应的旋转矩阵、平移矩阵，计算各关键帧间的相对位姿，构建位姿图；
S20，通过预训练的深度学习网络提取当前帧图像的全局二值特征，作为第一特征；计算所述第一特征与各历史关键帧对应的全局二值特征的距离，并将距离最小的前N个历史关键帧，作为闭环候选帧；
S30，判断各闭环候选帧与当前帧图像的汉明距离是否均大于设定距离阈值，若否，则将汉明距离最小的闭环候选帧作为闭环帧，并跳转步骤S40，否则提取各闭环候选帧的局部特征，作为第二特征；通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测，若闭环检测成功，则将匹配相似度最大的闭环候选帧作为闭环帧，并跳转步骤S40，否则跳转步骤S10；
S40，采用金字塔LK光流法预测所述闭环帧可观测的三维点在当前帧图像上的图像坐标，并建立3d-2d匹配；基于匹配后的3d-2d点，通过RANSAC算法和PnP算法计算当前帧图像在世界坐标系中的位姿，优化生成的位姿图。
2.根据权利要求1所述的基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，所述预设的关键帧选取方法为：
若当前图像帧可观测到的三维点数量大于N且当前帧图像与前一关键帧图像的视差大于M且当前帧图像与前一关键帧图像的时间间距大于设定间距阈值，则当前帧图像为关键帧；N，M为正整数。
3.根据权利要求2所述的基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，所述深度学习网络，其训练方法为：
A10，采集单向运动且不发生闭环的连续视频数据，作为输入数据；
A20，将输入数据中的第t帧图像作为查询图像，将第[t-d,t+d]帧图像作为相似图像，除查询图像、相似图像外的图像作为不相似图像；
A30，通过预构建的深度学习网络提取查询图像、相似图像、不相似图像的全局二值特征，分别作为第一全局特征、第二全局特征、第三全局特征；
A40，计算第一全局特征与第二全局特征的距离，作为第一距离；计算第一全局特征与第三全局特征的距离，作为第二距离；计算第二全局特征与第三全局特征的距离，作为第三距离；
A50，将第一距离、第二距离、第三距离输入预构建的损失函数中，得到损失值；并结合所述损失值，通过反向传播对所述深度学习网络的模型参数进行更新；
A60，循环执行步骤A30-A50，直至得到训练好的深度学习网络。
4.根据权利要求3所述的基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，所述预构建的损失函数Loss为：
其中，
表示第i个相似图像pi和不相似图像ni在汉明空间的距离，
表示第i个查询图像qi和相似图像pi在汉明空间的距离，下标1表示相似度分级参数，
表示第i个查询图像qi和不相似图像ni在汉明空间的距离，
表示连续视频数据对应的哈希码，p(.)表示条件概率，M表示三元组{qi,pi,ni}的数量，λ表示设定的权重，N表示连续视频数据的长度，L为正整数，表示L维向量。
5.根据权利要求1所述的基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，“通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测”，其方法为：
计算各第二特征与当前帧图像对应的局部特征的相似度，若最大的相似度大于设定的相似度阈值，则将最大的相似度对应的闭环候选帧作为待定闭环帧；
判断当前帧的下一帧是否存在待定闭环帧，若存在，则将当前帧对应的待定闭环帧作为正确闭环帧，闭环检测成功。
6.根据权利要求4所述的基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，所述位姿图对应的优化目标函数为：
其中，Ri和ti分别表示第i帧相对于世界坐标系的旋转矩阵和平移向量，Rij和tij分别表示第i帧和第j帧之间的相对旋转和平移，ε表示位姿图中边的集合，(i，j)表示连接第i帧和第j帧的边,T表示转置，SO(3)表示特殊正交群，R3表示3维的向量空间。
7.根据权利要求6所述的基于运动约束的SLAM闭环检测和位姿图优化方法，其特征在于，位姿图优化的目标函数对应的优化求解过程为：
对所述优化目标函数的第二个误差项
进行求解，得到第i帧相对于世界坐标系的初始的旋转矩阵
对
进行奇异值分解，得到第i帧相对于世界坐标系的最终的旋转矩阵Ri；将Ri作为位姿图优化的初值，带入所述优化目标函数并进行求解，得到位姿图优化后视觉-惯导传感器中相机位姿。
8.一种基于运动约束的SLAM闭环检测和位姿图优化系统，其特征在于，该系统包括：位姿图构建模块、全局特征匹配模块、局部特征匹配模块、位姿图优化模块；
所述位姿图构建模块，配置为获取历史关键帧序列以及当前帧图像，并通过预设的关键帧选取方法判断当前帧图像是否为关键帧，若是，则结合视觉-惯导里程计对应的旋转矩阵、平移矩阵，计算各关键帧之间的相对位姿，构建位姿图；
所述全局特征匹配模块，配置为通过预训练的深度学习网络提取当前帧图像的全局二值特征，作为第一特征；计算所述第一特征与各历史关键帧对应的全局二值特征的距离，并将距离最小的前N个历史关键帧，作为闭环候选帧；
所述局部特征匹配模块，配置为判断各闭环候选帧与当前帧图像的汉明距离是否均大于设定距离阈值，若否，则将汉明距离最小的闭环候选帧作为闭环帧，并跳转位姿图优化模块，否则提取各闭环候选帧的局部特征，作为第二特征；通过基于网格的运动统计的图像特征匹配算法对各第二特征与当前帧图像对应的局部特征进行匹配并进行闭环检测，若闭环检测成功，则将匹配相似度最大的闭环候选帧作为闭环帧，并跳转位姿图优化模块，否则跳转位姿图构建模块；
所述位姿图优化模块，配置为采用金字塔LK光流法预测所述闭环帧可观测的三维点在当前帧图像上的图像坐标，并建立3d-2d匹配；基于匹配后的3d-2d点，通过RANSAC算法和PnP算法计算当前帧图像在世界坐标系中的位姿，优化生成的位姿图。
9.一种设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的基于运动约束的SLAM闭环检测和位姿图优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的基于运动约束的SLAM闭环检测和位姿图优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110599038.5A CN115482252A (zh) | 2021-05-31 | 2021-05-31 | 基于运动约束的slam闭环检测和位姿图优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110599038.5A CN115482252A (zh) | 2021-05-31 | 2021-05-31 | 基于运动约束的slam闭环检测和位姿图优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115482252A true CN115482252A (zh) | 2022-12-16 |
Family
ID=84420238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110599038.5A Pending CN115482252A (zh) | 2021-05-31 | 2021-05-31 | 基于运动约束的slam闭环检测和位姿图优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115482252A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115658949A (zh) * | 2022-12-26 | 2023-01-31 | 南京航空航天大学 | 一种基于关键帧的空间非合作目标自旋周期估计方法 |
| CN116929369A (zh) * | 2023-07-24 | 2023-10-24 | 合肥中科深谷科技发展有限公司 | 一种基于位姿图更新的导航定位方法、装置及介质 |
-
2021
- 2021-05-31 CN CN202110599038.5A patent/CN115482252A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115658949A (zh) * | 2022-12-26 | 2023-01-31 | 南京航空航天大学 | 一种基于关键帧的空间非合作目标自旋周期估计方法 |
| CN116929369A (zh) * | 2023-07-24 | 2023-10-24 | 合肥中科深谷科技发展有限公司 | 一种基于位姿图更新的导航定位方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110335316B (zh) | 基于深度信息的位姿确定方法、装置、介质与电子设备 | |
| Dai et al. | Rgb-d slam in dynamic environments using point correlations | |
| Cvišić et al. | SOFT‐SLAM: Computationally efficient stereo visual simultaneous localization and mapping for autonomous unmanned aerial vehicles | |
| EP2671384B1 (en) | Mobile camera localization using depth maps | |
| CN111445526B (zh) | 一种图像帧之间位姿的估计方法、估计装置和存储介质 | |
| CN110717927A (zh) | 基于深度学习和视惯融合的室内机器人运动估计方法 | |
| CN113674416B (zh) | 三维地图的构建方法、装置、电子设备及存储介质 | |
| CN109035304A (zh) | 目标跟踪方法、介质、计算设备和装置 | |
| CN115482252A (zh) | 基于运动约束的slam闭环检测和位姿图优化方法 | |
| Sormann et al. | Bp-mvsnet: Belief-propagation-layers for multi-view-stereo | |
| Zhang et al. | Unsupervised learning of monocular depth and ego-motion with space–temporal-centroid loss | |
| Tanaka et al. | Learning to bundle-adjust: A graph network approach to faster optimization of bundle adjustment for vehicular slam | |
| Liu et al. | Unsupervised monocular depth estimation for monocular visual slam systems | |
| Choi et al. | Selftune: Metrically scaled monocular depth estimation through self-supervised learning | |
| Sujiwo et al. | Robust and accurate monocular vision-based localization in outdoor environments of real-world robot challenge | |
| Zhang et al. | PR-SLAM: Parallel Real-Time Dynamic SLAM Method Based on Semantic Segmentation | |
| CN113920254A (zh) | 一种基于单目rgb的室内三维重建方法及其系统 | |
| Guo et al. | 3D object detection and tracking based on streaming data | |
| CN112305558A (zh) | 一种利用激光点云数据的移动机器人轨迹确定方法及装置 | |
| CN1965332A (zh) | 利用鲁棒信息融合来基于多模组成部分地跟踪对象的方法和系统 | |
| Fu et al. | 3D registration based on V-SLAM and application in augmented reality | |
| CN117291952B (zh) | 一种基于速度预测和图像重建的多目标跟踪方法及装置 | |
| Wagstaff | Data-Driven Models for Robust Egomotion Estimation | |
| Miclea et al. | SGM-MDE: Semi-global optimization for classification-based monocular depth estimation | |
| Wang et al. | Dense 3D mapping for indoor environment based on kinect-style depth cameras |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |