SuperVise:一种基于SuperPoint与语义分割的新型SLAM系统

自主机器人在动态环境下的同步定位和建图精度不足可能导致安全隐患,限制其在实际中应用。近年来,卷积神经网络(CNN)在计算机视觉领域展现出了巨大的潜力,并常常优于传统方法的识别结果。本文提出了一种基于超级点(SuperPoint)和语义分割的SLAM系统,命名为SuperVise。SuperVise采用两个CNN并行运行,用于语义分割和特征点提取。与以往的方法相比,SuperVise在精度方面具有出色性能,提高可靠性和安全性。通过在TUM公开数据集上实验验证,与传统的动态SLAM(DS-SLAM)相比,SuperVise在动态环境下的绝对轨迹精度提高了20%~90%。本文所提出的引入了SuperVise网络的SLAM系统,提高了自主智能机器人在动态环境下的导航和路径规划的准确性和可靠度。

同步定位与建图技术的发展现状

同步定位与建图技术在增强现实、自动驾驶、智能机器人等领域具有重要作用。SLAM技术的目标是在给定传感器输入的情况下,实现对自身的定位,同时构建周围环境的地图。视觉SLAM技术是以摄像机等图像传感器为主要输入信息来源,相比于基于其他传感器的SLAM分支,具有成本低、拓展性强、信息丰富等优势,能够适应更广泛的场景、满足更多种类的需求,功能更多。本文首先讨论了视觉SLAM技术的背景与意义,阐述了SLAM算法的演变过程,分别论述了现阶段主流SLAM算法中不同模块的算法以及SLAM系统的硬件部署。同时,本文探讨了视觉SLAM与其他传感器融合组成的多传感器SLAM系统、多机协同的SLAM系统以及结合深度学习算法的SLAM系统的发展现状和不同算法的优缺点。最后,本文提出了目前SLAM系统研究与发展方向。

视觉SLAM机器人中光束法平差优化芯片研究综述

在视觉同时定位与地图构建(Visual Simultaneous Localization and Mapping,V SLAM)系统中,光束法平差(Bundle Adjustment,BA)是优化相机参数和三维点位置的重要环节。然而,由于BA计算复杂度高,实时性要求高,传统的计算平台难以满足高效计算的需求。近年来,专用硬件加速器的引入为BA优化提供了新的解决方案。本文综述了BA优化专用芯片的研究现状及发展趋势,主要涵盖了BA算法的应用场景、定义与基本原理;BA在现场可编程门阵列(Field Programmable Gate Arrays,FPGA)、专用集成电路(Application Specific Integrated Circuits,ASIC)和图形处理单元(Graphics Processing Units,GPU)上的加速方法,以及这些加速器的发展趋势。此外,本文还探讨了BA加速器在技术实现中面临的挑战,并展望了其未来的发展方向。

光绪二十六年

学而时习之，不亦乐乎？人不知而不愠，不亦君子乎？ 光绪二十六年（公元1900年）的朝阳，暖暖地、斜斜地穿过京城外淡淡的薄雾，懒懒地穿过同样毫无生机的大街小巷、桂殿兰宫，轻轻地落在一间矮小的私塾中，把塾师满是油星的大黑辫子照地水亮水亮的，甚是可笑。台下哈欠连天的顽童中，有人发现了这精妙绝伦的一幕，不禁笑出了声。