动态遮挡场景下基于改进Transformer实例分割的VSLAM算法

针对传统SLAM(Simultaneous Localization And Mapping)算法在动态遮挡场景下难以标记被遮挡物体,无法准确判断潜在物体运动状态以及剔除动态物体后特征点数量较少等问题,提出一种动态遮挡场景下基于改进Transformer实例分割的VSLAM算法(Improved Transformer instance segmentation under Dynamic occlusion VSLAM algorithm, ITD-SLAM).本算法通过设计一种多注意力模块,引导模型关注被遮挡区域,同时改进相对位置编码优化被遮挡物体边界语义性,精确标记出潜在动态物体.为减少动态物体对SLAM系统定位精度的影响,通过相机位姿估计、物体运动估计与物体运动判断三个步骤估计潜在动态物体运动状态,并剔除其中的动态物体.根据网格流运动模型补全剔除区域的静态背景,并利用信息熵与交叉熵筛选修复区域特征点,补充高质量特征点用于相机位姿估计.在公开数据集TUM和真实场景中进行验证,结果表明本文算法均方根误差与DynaSLAM相比减少22.94%,表现出了较好的构图能力.

融合混合注意力实例分割的视觉同步定位与建图算法

针对视觉同步定位与建图算法在遮挡情况下易受到干扰而导致定位误差较大且闭环检测精度较低等问题,提出一种融合混合注意力实例分割的视觉同步定位与建图算法。该算法能够动态调整被遮挡物识别权重,在出现遮挡情况时提升对被遮挡物的特征提取与识别能力。同时采用概率去误匹配算法去除错误匹配点对,增加位姿求解及关键帧选取精度,从而更好地修正机器人位姿、提高系统构图的准确率。通过KITTI公开数据集和真实场景对所提算法进行测试,结果表明,所提算法在闭环准确率上与ORB-SLAM2算法相比约提高10.7%,平移误差约减小27.6%,体现了良好的构图能力。