基于视觉SLAM的实例地图构建方法

由于机器人在利用视觉传感器进行同步定位与建图(simultaneous localization and mapping,SLAM)的过程中未使用实例信息,对环境感知不充分,构建的地图精度低,因此,给出了一种融合目标检测和点云分割的视觉SLAM实例建图方法。首先,利用改进的轻量级目标检测算法YOLOV4-tiny提取环境二维图像的实例信息;其次,给出一种点云分割的方法,将二维图像信息对应的三维点云进行物体实例分割,提升分割精度;最后,将分割后的实例导入ORB-SLAM2框架中,构建出具有实例信息的高精度点云地图。实验结果表明:改进后的YOLOV4-tiny目标检测算法在构建的数据集上检测的准确率提升8.1%,改进的点云分割方法与LCCP算法相比,物体平均分割率提升12.5%,真实环境下构建的实例地图精度优于ORB-SLAM2算法构建的地图。

基于实例分割的室内动态场景SLAM

针对动态物体在室内场景中影响定位与建图准确性的问题,提出一种基于实例分割的室内动态场景同步定位与地图构建(SLAM)系统。首先,利用Mask RCNN网络对输入的图像序列进行实例分割,结合多视几何方法提高动态对象分割效果;然后提取图像中的快速提取和描述(ORB)特征点,将动态物体内的特征点剔除,利用静态的特征点进行位姿估计;最后,利用背景修复和点云拼接技术实现室内场景实例级稠密点云地图和语义八叉树地图的构建。在公开动态场景数据集上进行多次测试的实验结果表明,相对于ORB-SLAM2系统,该系统相机位姿估计误差明显降低,对环境信息的理解能力得到提升,对后续移动机器人的导航工作具有重要的意义。