基于改进随机抽样一致算法的视觉SLAM

同时定位与地图构建(SLAM)在智能驾驶和机器人技术中发挥着重要的作用.针对传统随机抽样一致(RANSAC)算法对噪声敏感的问题,提出了一种改进的RANSAC算法,命名为LORANSAC,简称LO*.该算法包含内点筛选和非线性优化两部分.首先,在传统RANSAC算法估计出较好的模型后,保存在这个模型下得到的内点,在这些内点中随机选出一个子集,以进一步缩小内点的选择范围,迭代地进行模型估计.然后,对估计的模型进行捆集调整,通过最小化误差优化模型.实验使用公开的TUM RGBD数据集和KITTI数据集中的共10个序列进行评估,每个序列至少存在一个闭环,数据集涵盖小型和大型、室内和室外环境.从定性角度验证该算法删除误匹配的特征点的有效性,从定量角度验证使用该算法的定位精度.实验结果显示,与传统的RANSAC算法相比,改进的算法可以提高SLAM的定位精度.此外,实验结果与4个流行的SLAM系统对比,精度平均最高提高60.82%,最低提高12.16%.实验结果证明,该方法可以有效提高SLAM的定位精度.

基于BA优化和KL散度的RGB-D SLAM系统

针对深度相机采集深度图像的噪声对位姿估计精度的影响,以及误差随时间累积的严重问题,设计了一种改进的基于RGB-D相机的视觉SLAM系统.首先,建立重投影误差模型,通过最小化重投影误差,对位姿和特征点进行非线性优化.此外,提出了一种闭环检测的算法,建立字典模型,用频率-逆文档频率计算权重,用Kullback-Leibler散度计算相似度,并使用相对相似度机制检测闭环,减少了累积误差.使用15个公开的图像序列对算法进行评价,同3个流行的RGB-D SLAM系统对比,精度平均最高提高119. 07%,最低提高4. 24%.实验结果证明,提出的方法比目前流行的RGB-D SLAM系统具有更好的精度.