本文提出了一种基于深度学习的动态场景视觉里程计方法。使用轻量级Ghost模块与目标检测网络YOLOv5s结合构建C3Ghost模块,引入坐标注意力机制(coordinate attention, CA),在提高网络检测速度的同时保证检测准确性。并将其与运动一致性...本文提出了一种基于深度学习的动态场景视觉里程计方法。使用轻量级Ghost模块与目标检测网络YOLOv5s结合构建C3Ghost模块,引入坐标注意力机制(coordinate attention, CA),在提高网络检测速度的同时保证检测准确性。并将其与运动一致性算法结合,剔除动态特征点,仅利用静态特征点进行位姿估计。实验结果表明,与传统的ORB-SLAM3(orient FAST and rotated BRIEF-simultaneous localization and mapping 3)算法相比,在慕尼黑工业大学(technical university of Munich, TUM)RGB-D(RGB-depth)高动态数据集上绝对轨迹误差(absolute trajectory error, ATE)和相对位姿误差(relative pose error, RPE)平均有了90%以上的改善。相较于先进的同时定位与地图构建SLAM算法,也有相对提升。因此,该算法有效提升了视觉SLAM在动态环境下的稳定性和鲁棒性。展开更多
基金国家自然科学基金项目(61771347)国家自然科学基金项目(61372193)+9 种基金广东省自然科学基金项目(S2013010013311)广东省特色创新类项目(2017KTSCX181)广东省特色创新类项目(2015KTSCX143)广东省青年创新人才类项目(2015KQNCX165)广东省青年创新人才类项目(2015KQNCX172)五邑大学青年科研基金(2015zk10)Project Supported by National Natural Science Foundation of China(61771347,61372193)Natural Science Foundation of Guangdong Province(S2013010013311)Characteristic Innovation Project of Guangdong Province(2017KTSCX181,2015KTSCX143)Youth Innovation Talents Project ofGuangdong Province(2015KQNCX165,2015KQNCX172)Youth Science and Research Foundation of Wuyi University(2015zk10)
文摘本文提出了一种基于深度学习的动态场景视觉里程计方法。使用轻量级Ghost模块与目标检测网络YOLOv5s结合构建C3Ghost模块,引入坐标注意力机制(coordinate attention, CA),在提高网络检测速度的同时保证检测准确性。并将其与运动一致性算法结合,剔除动态特征点,仅利用静态特征点进行位姿估计。实验结果表明,与传统的ORB-SLAM3(orient FAST and rotated BRIEF-simultaneous localization and mapping 3)算法相比,在慕尼黑工业大学(technical university of Munich, TUM)RGB-D(RGB-depth)高动态数据集上绝对轨迹误差(absolute trajectory error, ATE)和相对位姿误差(relative pose error, RPE)平均有了90%以上的改善。相较于先进的同时定位与地图构建SLAM算法,也有相对提升。因此,该算法有效提升了视觉SLAM在动态环境下的稳定性和鲁棒性。