基于改进LK光流的视觉SLAM算法

针对基于点特征的视觉SLAM(同步定位与建图)实时性差的问题,以ORB-SLAM3框架为基础,用自监督深度神经网络替换其点特征提取器,并提出一种基于改进LK光流的关键点跟踪匹配方法。首先,根据匀加速运动模型预测初始关键点在当前帧的对应关系及坐标,并通过基于金字塔的LK光流跟踪算法建立鲁棒的关键点匹配关系;然后,基于网格运动统计(GMS)及自适应局部仿射匹配(AdaLAM)算法剔除误匹配点对。在公开数据集上的实验表明,在不损失匹配精度的前提下,改进算法每帧图像的平均处理时间比ORB-SLAM3减少约58.06%,有效提高了系统的实时性和鲁棒性。

动态场景下仓储机器人的视觉定位与建图

针对目前大多数室内仓储机器人的视觉定位与建图算法(SLAM)是假设机器人处在静态的环境,但是当场景中出现移动的物体时,机器人自身定位的准确性和稳定性易受到巨大影响,而其他室内定位技术比如超宽带、蓝牙等必须在无线信号覆盖的条件下工作的问题,提出一种面向室内仓储机器人在动态场景下的视觉SLAM算法:在基于旋转不变特征点的定位与建图改进算法(ORB-SLAM2)基础上,用几何对应神经网络(GCNv2)来替换基于图像金字塔的特征点提取算法;添加目标检测(YOLOv4)的语义线程,并且使用光流法来追踪特征点;然后通过运动一致性检测来识别图像中潜在的动态物体;最后剔除动态特征点后进行位姿估计。实验结果表明,在高度动态的室内场景下,提出的算法相对于ORB-SLAM2算法的绝对轨迹误差可减小95.56%~98.21%,能够有效解决ORB-SLAM2在动态场景下定位不准确的问题。

基于深度学习特征提取的改进ORB-SLAM3算法

针对传统特征提取方法的特征单一化、鲁棒性差的问题,使用Geometric Correspondence Network v2网络提取特征点并生成二值描述子,代替ORB-SLAM3框架中原有的特征提取算法,并使用最近邻匹配算法和基于运动统计的快速鲁棒特征匹配过滤算法进行特征点匹配及误匹配剔除。测试结果表明:改进算法的绝对轨迹误差更小,位姿估计精度更高,能够有效提高跟踪的鲁棒性。