传统的同时定位与地图构建(Simultaneous localization and mapping,SLAM)算法在现实场景中易受动态物体及背景的影响,针对该问题提出了一种将语义分割与动态特征点剔除相结合的动态SLAM算法,以实现动态场景地图的构建。首先,根据多层...传统的同时定位与地图构建(Simultaneous localization and mapping,SLAM)算法在现实场景中易受动态物体及背景的影响,针对该问题提出了一种将语义分割与动态特征点剔除相结合的动态SLAM算法,以实现动态场景地图的构建。首先,根据多层通道注意力和空间注意力机制,构造特征融合网络MulAttenNet(Multilayer attention network),并进行语义分割,剔除场景中运动概率大的物体,粗略估计相机位姿;其次,根据相机位姿和深度信息剔除动态区域;最后,利用剔除后的特征点进行地图的构建。对MulAttenNet网络和动态SLAM算法进行实验,以验证算法的有效性,实验结果表明:该算法构造的MulAttenNet网络能有效提高语义分割的准确性,平均像素准确度提高4.05%,均交并比提高2.60%;将该算法构建的动态SLAM算法与现有SLAM算法相比,建图的绝对位姿误差和相对位姿误差都有所缩小。该算法能在动态场景下构建高精度的语义地图。展开更多
针对在动态环境中,视觉定位系统的定位精度和鲁棒性容易受到动态特征点影响的问题,提出了一种联合目标检测与深度信息的动态特征点去除方法.引入YOLOv7目标检测网络快速获得当前图像帧的目标类别及位置信息,加入坐标注意力(coordinate a...针对在动态环境中,视觉定位系统的定位精度和鲁棒性容易受到动态特征点影响的问题,提出了一种联合目标检测与深度信息的动态特征点去除方法.引入YOLOv7目标检测网络快速获得当前图像帧的目标类别及位置信息,加入坐标注意力(coordinate attention,CA)机制优化深度学习模型,提升网络目标检测精度.此外,提出了一种利用深度信息和对极几何约束的动态特征点优化策略.有效剔除了动态特征点,同时保留了尽量多的静态点,从而降低了动态点对系统定位精度和鲁棒性的影响.在公开的数据集TUM上进行实验验证.结果表明:与ORBSLAM2(oriented fast and rotated brief-SLAM)相比,所提方案在定位精度和鲁棒性上有明显优势.同时与动态同步定位和地图构建(dyna simultaneous localization and mapping,DynaSLAM)相比,定位精度基本持平,但在运行速度上实现了显著提升.展开更多
为了改善在动态场景下同步定位与地图绘制(Simultaneous Localization And Mapping,SLAM)算法定位精度低的问题,提出一种基于轻量化YOLOv(You Only Look Once version)8n的动态视觉SLAM算法。利用加权双向特征金字塔网络(Bidirectional ...为了改善在动态场景下同步定位与地图绘制(Simultaneous Localization And Mapping,SLAM)算法定位精度低的问题,提出一种基于轻量化YOLOv(You Only Look Once version)8n的动态视觉SLAM算法。利用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)对YOLOv8n模型进行轻量化改进,减少其参数量。在SLAM算法中引入轻量化YOLOv8n模型,并结合稀疏光流法组成目标检测线程,以去除动态特征点,利用经过筛选的特征点进行特征匹配和位姿估计。实验结果表明:轻量化YOLOv8n模型参数量下降了36.7%,权重减少了33.3%,能够实现YOLOv8n模型的轻量化;与ORB-SLAM3算法相比,所提算法在动态场景下的定位精度提高83.38%,有效提高了动态场景下SLAM算法的精度。展开更多
针对目前同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在静态环境中表现良好,但在动态环境中容易出现鲁棒性和相机定位精度不足的问题。作者引入基于深度学习的语义信息到SLAM算法中,并提出了资源受限场景下的一种...针对目前同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在静态环境中表现良好,但在动态环境中容易出现鲁棒性和相机定位精度不足的问题。作者引入基于深度学习的语义信息到SLAM算法中,并提出了资源受限场景下的一种基于目标检测网络的动态视觉SLAM算法Dyna-ORBSLAM3。算法有4个主要线程:语义线程、跟踪线程、局部建图线程、回环检测与地图融合线程。在Dyna-ORBSLAM3的跟踪线程中利用了基于改进YOLOv8的目标检测网络的语义信息并融合几何信息检测去除动态特征点,避免产生错误的数据关联,最后生成不含动态目标的稠密点云地图。选取TUM数据集的动态序列进行实验,结果对比ORB-SLAM3和RDS-SLM,Dyna-ORBSLAM3的绝对轨迹均方根误差降低了84.6%和26.3%,每帧消耗时间仅需30 ms。满足SLAM算法实时运行的要求且较大提高了定位精度。展开更多
文摘针对在动态环境中,视觉定位系统的定位精度和鲁棒性容易受到动态特征点影响的问题,提出了一种联合目标检测与深度信息的动态特征点去除方法.引入YOLOv7目标检测网络快速获得当前图像帧的目标类别及位置信息,加入坐标注意力(coordinate attention,CA)机制优化深度学习模型,提升网络目标检测精度.此外,提出了一种利用深度信息和对极几何约束的动态特征点优化策略.有效剔除了动态特征点,同时保留了尽量多的静态点,从而降低了动态点对系统定位精度和鲁棒性的影响.在公开的数据集TUM上进行实验验证.结果表明:与ORBSLAM2(oriented fast and rotated brief-SLAM)相比,所提方案在定位精度和鲁棒性上有明显优势.同时与动态同步定位和地图构建(dyna simultaneous localization and mapping,DynaSLAM)相比,定位精度基本持平,但在运行速度上实现了显著提升.
文摘为了改善在动态场景下同步定位与地图绘制(Simultaneous Localization And Mapping,SLAM)算法定位精度低的问题,提出一种基于轻量化YOLOv(You Only Look Once version)8n的动态视觉SLAM算法。利用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)对YOLOv8n模型进行轻量化改进,减少其参数量。在SLAM算法中引入轻量化YOLOv8n模型,并结合稀疏光流法组成目标检测线程,以去除动态特征点,利用经过筛选的特征点进行特征匹配和位姿估计。实验结果表明:轻量化YOLOv8n模型参数量下降了36.7%,权重减少了33.3%,能够实现YOLOv8n模型的轻量化;与ORB-SLAM3算法相比,所提算法在动态场景下的定位精度提高83.38%,有效提高了动态场景下SLAM算法的精度。
文摘针对目前同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在静态环境中表现良好,但在动态环境中容易出现鲁棒性和相机定位精度不足的问题。作者引入基于深度学习的语义信息到SLAM算法中,并提出了资源受限场景下的一种基于目标检测网络的动态视觉SLAM算法Dyna-ORBSLAM3。算法有4个主要线程:语义线程、跟踪线程、局部建图线程、回环检测与地图融合线程。在Dyna-ORBSLAM3的跟踪线程中利用了基于改进YOLOv8的目标检测网络的语义信息并融合几何信息检测去除动态特征点,避免产生错误的数据关联,最后生成不含动态目标的稠密点云地图。选取TUM数据集的动态序列进行实验,结果对比ORB-SLAM3和RDS-SLM,Dyna-ORBSLAM3的绝对轨迹均方根误差降低了84.6%和26.3%,每帧消耗时间仅需30 ms。满足SLAM算法实时运行的要求且较大提高了定位精度。
