SLAM架構(gòu)的兩篇頂會(huì)論文解析

一．基于superpoint的詞袋和圖驗(yàn)證的魯棒閉環(huán)檢測(cè)

標(biāo)題：Robust Loop Closure Detection Based on Bag of SuperPoints
and Graph Verification

作者：Haosong Yue, Jinyu Miao, Yue Yu, Weihai Chen and Changyun Wen

來源：IEEE/RSJ International Conference on Intelligent Robots
and Systems (IROS)，2019

摘要

閉環(huán)檢測(cè)（LCD）是機(jī)器人的一項(xiàng)關(guān)鍵技術(shù)，它可以在長(zhǎng)時(shí)間探索后糾正累積的定位誤差。在本文中，我們提出了一種基于superpoint的詞袋和圖形驗(yàn)證的魯棒LCD算法。系統(tǒng)首先使用SuperPoint神經(jīng)網(wǎng)絡(luò)提取興趣點(diǎn)和特征描述符。然后，考慮連續(xù)訓(xùn)練圖像之間的關(guān)系，以漸進(jìn)和自我監(jiān)督的方式訓(xùn)練視覺詞匯。最后，使用匹配的特征點(diǎn)構(gòu)造拓?fù)鋱D，以驗(yàn)證詞袋（BoW）框架獲得的候選循環(huán)閉合。在幾個(gè)典型的數(shù)據(jù)集上使用最新的LCD算法進(jìn)行了比較實(shí)驗(yàn)。結(jié)果表明，我們提出的圖形驗(yàn)證方法可以顯著提高圖像匹配的準(zhǔn)確性，并且整體LCD方法優(yōu)于現(xiàn)有方法。

貢獻(xiàn)

1. 利用SuperPoint（一個(gè)完全卷積的網(wǎng)絡(luò)）提取關(guān)鍵點(diǎn)和描述符，這比LCD中現(xiàn)代使用的特征提取方法更準(zhǔn)確。

2. 以漸進(jìn)方式訓(xùn)練視覺詞匯，充分考慮相應(yīng)訓(xùn)練圖像之間的關(guān)系。

3. 提出了一種基于拓?fù)鋱D模型的新穎驗(yàn)證方法，以確認(rèn)BoW框架獲得的候選回路閉合。
   
   圖1 由我們提出的算法構(gòu)建的拓?fù)鋱D。紅點(diǎn)表示選定的SuperPoint特征點(diǎn)，即圖形的節(jié)點(diǎn)。綠線表示節(jié)點(diǎn)之間的邊緣。只有兩個(gè)候選圖像具有相同的圖結(jié)構(gòu)，它們才被視為循環(huán)閉合。
   
   圖2 我們提議的框架概述。
   
   圖3 詞匯建立的過程。

表1 具有100％精度的不同算法的最大調(diào)用數(shù)


圖4 第3步的例證在圖表大廈的。如果將結(jié)構(gòu)從（a）更改為（b）后最小內(nèi)角變大，則將保留更改。

圖5 所提出的方法在各種數(shù)據(jù)集上的性能。

圖6 在城市中心數(shù)據(jù)集中使用和不使用圖形驗(yàn)證的算法的比較結(jié)果。

圖7 在New College數(shù)據(jù)集上使用和不使用圖驗(yàn)證的算法的比較結(jié)果。
表2 不同算法的平均執(zhí)行時(shí)間（MS）。

二．持續(xù)更新地圖的場(chǎng)景管理

標(biāo)題：View management for lifelong visual maps

作者：Nandan Banerjee, Ryan C. Connolly, Dimitri Lisin, Jimmy
Briggs, and Mario E. Munich

來源：IEEE/RSJ International Conference on Intelligent Robots
and Systems (IROS)，2019

摘要

在基于圖的視覺SLAM系統(tǒng)當(dāng)中，觀測(cè)系統(tǒng)和閉環(huán)系統(tǒng)的時(shí)間復(fù)雜度是與地圖中存儲(chǔ)的場(chǎng)景（view）的數(shù)量相關(guān)的函數(shù)。一些算法，比如近似最近鄰搜索可以使這個(gè)函數(shù)達(dá)到亞線性的程度。盡管如此，隨著時(shí)間的推移，view的數(shù)量會(huì)不斷增加，終將會(huì)使系統(tǒng)的運(yùn)行速度和精度變得不可接受，特別是在計(jì)算力和內(nèi)存收到約束的SLAM系統(tǒng)當(dāng)中。但是不是所有的場(chǎng)景的重要性都是一樣的。有一些view很少被觀測(cè)到，這是由于view可能是在非正常光照條件下創(chuàng)建的，或者是由低質(zhì)量的圖像構(gòu)建而成，也有可能場(chǎng)景位置的外觀已經(jīng)發(fā)生了變化。對(duì)于這些view，可以將他們移除從而提高SLAM系統(tǒng)的表現(xiàn)。在本文中，作者提出一種在視覺SLAM系統(tǒng)中，去除這些view的方法，從而使系統(tǒng)在長(zhǎng)時(shí)間運(yùn)行時(shí)，依然能夠保持速度和精度。

圖1 機(jī)器人觀測(cè)到的場(chǎng)景中的一個(gè)view，紅色十字是檢測(cè)到的keypoint。

圖2 機(jī)器人運(yùn)行十分鐘后生成的圖結(jié)構(gòu)，其中青色倒三角形表示位姿節(jié)點(diǎn)，紅色，黃色和綠色的倒三角分別表示新觀測(cè)，稍微觀測(cè)和經(jīng)常觀測(cè)到的view 節(jié)點(diǎn)。

圖3 上圖顯示的是機(jī)器人在同一個(gè)環(huán)境中，不同的光照條件下運(yùn)行多次，隨著時(shí)間的推移，觀測(cè)到的view的個(gè)數(shù)在增加。

圖4 根據(jù)view分?jǐn)?shù)進(jìn)行裁剪后，環(huán)境中剩下的view的位置。圖中的view的位置是不均勻分布的。

圖5 在同樣的環(huán)境中，應(yīng)用最近鄰約束后，view的位置呈現(xiàn)均勻分布。

圖6 作者在不同的地圖上進(jìn)行了測(cè)試。

總結(jié)

以上是生活随笔為你收集整理的SLAM架构的两篇顶会论文解析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。