綜述 | 基于特征的視覺(jué)同步定位和建圖（3）

[28、52、67、138]中提出的系統(tǒng)采用低級(jí)和中級(jí)特征來(lái)實(shí)現(xiàn) SLAM 的目標(biāo)。在某些環(huán)境中，例如走廊，平面 SLAM 變得不受約束。融合平面和點(diǎn)可以極大地增強(qiáng) SLAM 在 [138] 中提出的環(huán)境中的魯棒性，其中使用彈出式 3D 模型在單目幀中檢測(cè)到的平面用于估計(jì)相機(jī)軌跡和 3D 地圖環(huán)境。在不同的幀中，平面是基于三個(gè)量的加權(quán)和關(guān)聯(lián)的：它們的法線(xiàn)之間的差異、它們之間的距離以及它們的投影之間的重疊。對(duì)于每個(gè)傳入的單目幀，計(jì)算 ORB 描述符并使用詞袋方法來(lái)檢測(cè)循環(huán)。在檢測(cè)到環(huán)路后，確定相應(yīng)的平面對(duì)并相應(yīng)地修改因子圖。在 [52] 中采用了不同的幾何基元和平面。使用圖公式的最小二乘優(yōu)化，其中涉及平面約束，用于解決 SLAM 問(wèn)題。檢測(cè)到的點(diǎn)被限制在一個(gè)特定的平面上，由其在環(huán)境中的法線(xiàn)和相對(duì)于相機(jī)的深度參數(shù)化。環(huán)境中平面之間的角度也被視為約束。所有約束都耦合到成本函數(shù)中，從而解決了由此產(chǎn)生的非線(xiàn)性最小二乘問(wèn)題。[67] 中提出了第三種變體，其中提出了基于平面和點(diǎn)的 RGB-D SLAM 方法。每個(gè)傳入的圖像被劃分為間隔，然后根據(jù)其中存在的平面進(jìn)行標(biāo)記。幀的方向是根據(jù)其中最主要的平面的方向估計(jì)的，而幀之間的平移是根據(jù)匹配的 SIFT 特征和 RANSAC 計(jì)算的。全局對(duì)齊和閉環(huán)是基于低級(jí)和中級(jí)特征的融合進(jìn)行的，這有助于提高所提出方法的魯棒性。最近在 [144] 中提出了一種 RGB-D SLAM，其中利用點(diǎn)和平面來(lái)估計(jì)相機(jī)的姿勢(shì)和周?chē)h(huán)境的地圖。ORB 特征從 RGB 幀中提取并由 ORB-SLAM2 的 RGB-D 版本處理。另一方面，深度幀用于從場(chǎng)景中提取平面及其輪廓點(diǎn)。輪廓點(diǎn)用于在重建的地圖中構(gòu)建平面之間的空間和幾何約束。使用了一種新穎的平面數(shù)據(jù)關(guān)聯(lián)技術(shù)，其中使用兩個(gè)平面之間的角度來(lái)判斷它們是垂直還是平行，同時(shí)考慮到測(cè)量噪聲。如果觀察到的平面的點(diǎn)與地圖中的平面之間的距離低于特定閾值，則兩個(gè)平面匹配。與場(chǎng)景中出現(xiàn)的平面垂直的假想平面也被利用并視為姿勢(shì)估計(jì)過(guò)程中的其他觀察到的特征。通過(guò) Levenberg-Marquardt 優(yōu)化器構(gòu)建和求解因子圖。所提出的平面數(shù)據(jù)關(guān)聯(lián)方法比考慮平面法線(xiàn)和/或平面距離的方法更穩(wěn)健，因?yàn)樗紤]了不可避免的測(cè)量噪聲。超像素是中級(jí)特征，被視為在輸入幀中表現(xiàn)出相似強(qiáng)度的平面區(qū)域。使用超像素具有能夠重建紋理不佳的場(chǎng)景的優(yōu)勢(shì)。然而，這些特征沒(méi)有一個(gè)健壯的描述符，這使得很難在不同的圖像中匹配它們。在 [28] 中，提出了一種基于特征的單目 SLAM 方法，將超像素與 PTAM 相結(jié)合，其中 PTAM 關(guān)鍵幀被劃分為不規(guī)則大小的超像素。要估計(jì)的地圖狀態(tài)由所有關(guān)鍵幀的位姿、點(diǎn)特征的歐幾里得坐標(biāo)和平面超像素的參數(shù)組成。兩個(gè)關(guān)鍵幀（其位姿已使用 PTAM 計(jì)算）用于初始化超像素。使用蒙特卡羅方法提取和匹配關(guān)鍵幀中的所有超像素。BA用于優(yōu)化相機(jī)和3D點(diǎn)的狀態(tài)，然后用于估計(jì)超像素的參數(shù)。在每個(gè)新的關(guān)鍵幀上，所有超像素被重新投影以搜索匹配。當(dāng)重投影誤差降至閾值以下時(shí)，匹配作為約束添加到優(yōu)化問(wèn)題中。表4 基于混合特征的 SLAM 方法采用的實(shí)現(xiàn)選擇另一項(xiàng)利用點(diǎn)特征和平面區(qū)域融合的工作，在這種情況下表示為平方基準(zhǔn)標(biāo)記，在環(huán)境中可以在 [90] 中找到。除了由于使用點(diǎn)特征而實(shí)現(xiàn)的穩(wěn)健性之外，在該系統(tǒng)中使用基準(zhǔn)標(biāo)記還具有幾個(gè)優(yōu)點(diǎn)，例如消除尺度不確定性、在區(qū)分點(diǎn)特征可能具有挑戰(zhàn)性的重復(fù)環(huán)境中的穩(wěn)健性以及特征隨時(shí)間的不變性。3.4.2 基于低級(jí)和高級(jí)特征的方法基于在 [10, 26, 37, 48, 71, 105, 106、118、130]。這種方法在保持魯棒性的同時(shí)展示了高水平的表達(dá)能力。[48] 中提出的系統(tǒng)主要在單目 RGB 幀上進(jìn)行跟蹤、對(duì)象識(shí)別和映射。表現(xiàn)出獨(dú)特的幾何和/或語(yǔ)義信息的幀被選為關(guān)鍵幀。在包含至少5個(gè)點(diǎn)對(duì)應(yīng)、最小視差角為 3° 且必須表現(xiàn)出可接受的幾何條件的多個(gè)幀中檢測(cè)到語(yǔ)義標(biāo)記的對(duì)象后，將其添加到地圖中。為了區(qū)分場(chǎng)景中相同對(duì)象模型的實(shí)例，在給定地圖比例的情況下假設(shè)檢測(cè)到的實(shí)例在世界框架中的姿態(tài)，并計(jì)算與先前檢測(cè)到的實(shí)例的重疊。如果未檢測(cè)到重疊，則將新對(duì)象實(shí)例添加到地圖中。如果還不知道地圖的比例尺，則假定順序檢測(cè)到的對(duì)象屬于地圖中的同一對(duì)象實(shí)例。使用 k-d 樹(shù)搜索在測(cè)量值和對(duì)象模型之間建立對(duì)應(yīng)關(guān)系。為了更加穩(wěn)健，計(jì)算輸入圖像中的 ORB 特征并建立 2D-3D 對(duì)應(yīng)關(guān)系。幾何特征可以用于檢測(cè)場(chǎng)景中的對(duì)象，而不是獨(dú)立使用低級(jí)特征，如 [37] 中提出的，其中對(duì)象檢測(cè)和 SLAM 是使用一種新的 BA 公式（稱(chēng)為語(yǔ)義 BA）針對(duì) 2D 和 3D 傳感器聯(lián)合完成的.在接收到新圖像后，將提取特征并將其與對(duì)象模型數(shù)據(jù)庫(kù)中的特征進(jìn)行匹配。然后為與對(duì)象的每組對(duì)應(yīng)關(guān)系創(chuàng)建一個(gè)驗(yàn)證圖。然后將特征與數(shù)據(jù)庫(kù)中的模型匹配的幀轉(zhuǎn)換為公共姿勢(shì)，相應(yīng)語(yǔ)義特征的成本是檢測(cè)到的特征的重投影誤差，該誤差由匹配的置信度加權(quán).在 3D 情況下，當(dāng)多次檢測(cè)到一個(gè)對(duì)象時(shí)，語(yǔ)義邊緣的成本函數(shù)包括將一個(gè)檢測(cè)到的特征重新投影到另一個(gè)特征中。特征與模型中的公共點(diǎn)匹配的幀被稱(chēng)為具有由圖中的邊表示的虛擬匹配。出于一致性目的，將從 SLAM 獲得的幾何約束添加到圖中。生成的驗(yàn)證圖經(jīng)過(guò)優(yōu)化以獲得所有約束的最小重投影誤差。在某些環(huán)境中，例如教育實(shí)體和醫(yī)院，每個(gè)房間都分配有一個(gè)唯一的標(biāo)識(shí)符，該標(biāo)識(shí)符可以作為 SLAM 系統(tǒng)中的地標(biāo)，如 [106] 中所述。在消除與墻壁相對(duì)應(yīng)的點(diǎn)后，采用基于 SVM 分類(lèi)器的門(mén)牌檢測(cè)器。門(mén)牌中包含的字符使用光學(xué)字符識(shí)別 (OCR) 進(jìn)行識(shí)別。從激光數(shù)據(jù)中提取的線(xiàn)條以及來(lái)自門(mén)牌檢測(cè)器的測(cè)量值隨后被傳遞到映射器以映射環(huán)境。在 [118] 中，通用對(duì)象的觀察被用于擴(kuò)展 RGB-D ORB-SLAM2。對(duì)象通過(guò) k-d 樹(shù)被檢測(cè)、分割并與地圖中的地標(biāo)相關(guān)聯(lián)。物體的姿態(tài)是使用 ORB-SLAM 確定的。檢測(cè)到的對(duì)象存儲(chǔ)有三條信息：對(duì)象的 RGB 點(diǎn)云、來(lái)自 ORB-SLAM 的姿態(tài)和累積的檢測(cè)置信度。類(lèi)標(biāo)簽是根據(jù)對(duì)象檢測(cè)的整個(gè)歷史確定的。通過(guò)基于最新的軌跡估計(jì)投影點(diǎn)云，可以顯式地構(gòu)建環(huán)境的稀疏地圖。最后，對(duì)象點(diǎn)作為歐幾里得坐標(biāo)插入到 SLAM 狀態(tài)向量中，因此在后續(xù)幀中接收到新數(shù)據(jù)時(shí)會(huì)對(duì)其進(jìn)行跟蹤和進(jìn)一步細(xì)化。EKF-Monocular-SLAM、運(yùn)動(dòng)結(jié)構(gòu)（SfM）和視覺(jué)識(shí)別結(jié)合在[26]中提出的系統(tǒng)中，通過(guò)將圖像中的 SURF 點(diǎn)與數(shù)據(jù)庫(kù)中的對(duì)象模型相關(guān)聯(lián)來(lái)檢測(cè)對(duì)象。然后使用 RANSAC 對(duì)此類(lèi)關(guān)聯(lián)進(jìn)行幾何驗(yàn)證。之后，PnP 算法或 DLT 算法分別用于計(jì)算非平面和平面模型的變換或單應(yīng)矩陣，然后用于細(xì)化對(duì)象的位姿。匹配的點(diǎn)被輸入到基于 EKF-Monocular-SLAM 的單目 SLAM 模塊中，其中要估計(jì)的狀態(tài)向量由相機(jī)運(yùn)動(dòng)參數(shù)和點(diǎn)特征以及檢測(cè)到的物體的幾何形狀組成。另一方面，觀察環(huán)境中的某些場(chǎng)景可能會(huì)表現(xiàn)出動(dòng)態(tài)性，如果不加以考慮，則會(huì)阻礙 SLAM 系統(tǒng)的整體性能。因此，大多數(shù) SLAM 系統(tǒng)假設(shè)在整個(gè)定位和建圖過(guò)程中物體保持靜止的場(chǎng)景和映射過(guò)程。[105] 中提出的 SLAM 系統(tǒng)通過(guò)在操作之前從觀察到的場(chǎng)景中移除動(dòng)態(tài)對(duì)象來(lái)消除這種假設(shè)。更具體地說(shuō)，每個(gè) RGB-D 幀都經(jīng)過(guò)處理，以掩蓋使用基于 RGB-D 的方法檢測(cè)到人的區(qū)域 [58]。剩余的數(shù)據(jù)圖像是一個(gè)靜態(tài)環(huán)境，可以使用標(biāo)準(zhǔn)的視覺(jué) SLAM 算法進(jìn)行處理。在 [130] 中可以找到類(lèi)似的方法，其中動(dòng)態(tài)對(duì)象通過(guò)計(jì)算有效的逐步方法從場(chǎng)景中分割出來(lái)，以檢測(cè)對(duì)象并提取其輪廓。然后使用一種新穎的查找表方法基于點(diǎn)特征映射靜態(tài)環(huán)境，該方法使用來(lái)自環(huán)境的大量不同、均勻分布的點(diǎn)特征作為目標(biāo)，這提高了映射和定位的準(zhǔn)確性。同樣，[116] 中提出了一種從觀察場(chǎng)景中提取非靜態(tài)對(duì)象的在線(xiàn)方法，從而提高 RGB-D SLAM 在非靜態(tài)環(huán)境中的性能。該方法包括三個(gè)主要階段，從圖像差分開(kāi)始，以檢測(cè)場(chǎng)景中的任何移動(dòng)物體。然后使用粒子濾波器來(lái)跟蹤連續(xù) RGB-D 幀中的運(yùn)動(dòng)補(bǔ)丁，這使得它比跟蹤特定對(duì)象模型的方法更通用。最后，通過(guò)矢量量化對(duì)運(yùn)動(dòng)對(duì)象進(jìn)行分割后，最大后驗(yàn)用于識(shí)別場(chǎng)景的前景。為了可靠地運(yùn)行，該方法要求觀察到的場(chǎng)景主要由靜態(tài)對(duì)象組成并包含平面。隨著視覺(jué) SLAM 重建的場(chǎng)景越來(lái)越大，將特征與點(diǎn)匹配變得更具挑戰(zhàn)性，因?yàn)橛行┑胤奖憩F(xiàn)出相似的外觀。為了規(guī)避這一點(diǎn)，[71] 中提出的工作采用了一個(gè)粗略的位置識(shí)別模塊，其中包含公共點(diǎn)的幀使用重疊視圖聚類(lèi)算法在位置類(lèi)下分組在一起。然后基于哈里斯角的簡(jiǎn)要描述符之間的漢明距離完成特征匹配。數(shù)據(jù)關(guān)聯(lián)和 SLAM 是緊密耦合的問(wèn)題，除了在少數(shù)研究工作中將它們作為兩個(gè)優(yōu)化子問(wèn)題來(lái)解決之外，它們沒(méi)有被聯(lián)合考慮。估計(jì)每個(gè)觀察-地標(biāo)對(duì)的數(shù)據(jù)關(guān)聯(lián)，然后用于估計(jì)傳感器和地標(biāo)姿勢(shì)。使用這種方法，不正確的數(shù)據(jù)關(guān)聯(lián)會(huì)嚴(yán)重降低傳感器和地標(biāo)姿態(tài)估計(jì)的準(zhǔn)確性。此外，當(dāng)獲得相同地標(biāo)的更精細(xì)測(cè)量時(shí)，不能重新考慮由于其模糊性而被丟棄的測(cè)量。這些限制推動(dòng)了 [10] 中提出的 SLAM 算法的變化，其中在單個(gè)優(yōu)化問(wèn)題中考慮了數(shù)據(jù)關(guān)聯(lián)以及傳感器和地標(biāo)姿態(tài)的估計(jì)。不是將每個(gè)觀察與單個(gè)地標(biāo)相關(guān)聯(lián)，而是使用期望最大化來(lái)考慮數(shù)據(jù)關(guān)聯(lián)的整個(gè)密度，同時(shí)估計(jì)傳感器和地標(biāo)的姿勢(shì)，這被稱(chēng)為軟數(shù)據(jù)關(guān)聯(lián)。估計(jì)基于慣性測(cè)量、ORB 特征和從對(duì)象檢測(cè)器獲得的語(yǔ)義信息。觀察到的地標(biāo)的深度是在該地標(biāo)的邊界框中檢測(cè)到的 ORB 特征的中值。如果環(huán)境中存在同一對(duì)象的多個(gè)實(shí)例，則使用馬氏距離來(lái)決定數(shù)據(jù)關(guān)聯(lián)。在 [4] 中提出了這項(xiàng)工作的擴(kuò)展，其中語(yǔ)義結(jié)構(gòu)的推斷方式不同。不是依賴(lài) ORB 特征，而是使用堆疊的沙漏卷積網(wǎng)絡(luò)來(lái)檢測(cè)在每個(gè)邊界框中找到的對(duì)象的語(yǔ)義特征。結(jié)構(gòu)約束用于將每個(gè)語(yǔ)義特征與相應(yīng)的地標(biāo)相關(guān)聯(lián)，然后使用 Kabsch 算法來(lái)估計(jì)對(duì)象的方向。在 [33] 中可以找到一種非常相似的方法，其區(qū)別在于它采用非高斯傳感器模型，而不是大多數(shù)提出的方法，其中總是假設(shè)高斯模型。[143] 中提出的系統(tǒng)結(jié)合了高級(jí)語(yǔ)義標(biāo)記特征和低級(jí) CNN 特征，通過(guò)粗到細(xì)的方法對(duì)移動(dòng)機(jī)器人進(jìn)行定位。通過(guò)首先比較圖像中出現(xiàn)的對(duì)象，將觀察結(jié)果與地圖中的視覺(jué)幀進(jìn)行匹配。然后根據(jù)圖像的 CNN 特征進(jìn)行更精細(xì)的搜索。相機(jī)的估計(jì)姿勢(shì)以及特征最終使用 BA 進(jìn)行細(xì)化。3.4.3 低、中、高層次的基于特征的方法在[54]和[137]中，SLAM系統(tǒng)是基于所有三個(gè)層次的特征開(kāi)發(fā)的；點(diǎn)、平面和對(duì)象。[54] 中提出的系統(tǒng)采用 RGB-D 傳感器來(lái)觀察環(huán)境中的特征。該系統(tǒng)的實(shí)時(shí)、高效性能是可以實(shí)現(xiàn)的，因?yàn)閷?duì)象是通過(guò)不需要高度詳細(xì)表示的二次曲線(xiàn)來(lái)表示的。SLAM 問(wèn)題被表述為一個(gè)因子圖，其中使用了各種類(lèi)型的因子，包括對(duì)點(diǎn)、對(duì)象和平面以及點(diǎn)-平面、平面-平面和對(duì)象-平面關(guān)系的觀察。ORB-SLAM2 的一種變體用于檢測(cè)環(huán)境中的點(diǎn)，然后在從粗到細(xì)的金字塔中的幀之間進(jìn)行匹配。Faster R-CNN 用于檢測(cè)傳入幀中的對(duì)象，然后計(jì)算表示對(duì)象的相應(yīng)橢圓體。如果對(duì)象的單個(gè)實(shí)例出現(xiàn)在環(huán)境中，則跨幀使用語(yǔ)義標(biāo)簽將觀察結(jié)果與對(duì)象相關(guān)聯(lián)。否則，數(shù)據(jù)關(guān)聯(lián)是通過(guò)最近鄰匹配實(shí)現(xiàn)的。使用有組織的點(diǎn)云分割技術(shù)對(duì)表示場(chǎng)景的點(diǎn)云進(jìn)行分割以提取平面。平面使用它們之間的距離和它們的法線(xiàn)之間的差異的閾值來(lái)關(guān)聯(lián)。在屬于它們的平面和點(diǎn)、對(duì)象和它們所在的相應(yīng)平面之間以及假設(shè)曼哈頓世界的多個(gè)平面之間添加因子。采用詞袋方法檢測(cè)閉環(huán)。與最先進(jìn)的 SLAM 系統(tǒng)相比，使用通過(guò)單目相機(jī)觀察到的點(diǎn)、平面和對(duì)象，[137] 中提出的工作實(shí)現(xiàn)了改進(jìn)的定位，尤其是在沒(méi)有閉環(huán)的情況下。這歸因于物體和平面的遠(yuǎn)程可觀測(cè)性，這有助于新舊測(cè)量之間的更多關(guān)聯(lián)。對(duì)象被表示為長(zhǎng)方體，平面邊緣被檢測(cè)然后反向投影以獲得它們的參數(shù)，并添加點(diǎn)以進(jìn)一步約束相機(jī)姿勢(shì)。BA 公式與四種類(lèi)型的約束一起使用：相機(jī)平面、相機(jī)對(duì)象、對(duì)象平面和點(diǎn)平面。生成的地圖是密集的，并表現(xiàn)出高水平的表現(xiàn)力。4 結(jié)論同時(shí)定位和映射是機(jī)器人社區(qū)中最主要的研究問(wèn)題，在該領(lǐng)域投入了大量的精力來(lái)生成新的方法，以最大限度地提高其魯棒性和可靠性。在從要重建的環(huán)境中獲取第一組測(cè)量值后，初始化機(jī)器人的軌跡和地圖。隨后的測(cè)量通過(guò)不同流程的流水線(xiàn)，這些流程在每個(gè) SLAM 系統(tǒng)中實(shí)現(xiàn)不同，但確實(shí)達(dá)到了相同的目的。這些過(guò)程包括數(shù)據(jù)關(guān)聯(lián)、閉環(huán)、重新定位以及軌跡和地圖估計(jì)。在本文中，我們調(diào)查了大多數(shù)最先進(jìn)的視覺(jué) SLAM 解決方案，這些解決方案利用特征來(lái)定位機(jī)器人并繪制其周?chē)h(huán)境。我們根據(jù)它們所依賴(lài)的特征類(lèi)型將基于特征的視覺(jué) SLAM 方法分類(lèi)；低級(jí)、中級(jí)、高級(jí)或混合功能。對(duì)每個(gè)類(lèi)別的優(yōu)勢(shì)和劣勢(shì)進(jìn)行了徹底調(diào)查，并在適用時(shí)強(qiáng)調(diào)了每個(gè)解決方案克服的挑戰(zhàn)。表格中提供了同一類(lèi)別方法之間的比較，比較了實(shí)現(xiàn) SLAM 管道的每個(gè)組件所采用的方法。根據(jù)我們的深入審查，我們認(rèn)為以下挑戰(zhàn)仍未解決。1. 普遍性 當(dāng)前的 SLAM 解決方案缺乏適應(yīng)機(jī)器人運(yùn)行環(huán)境的能力。因?yàn)樗鼈円蕾?lài)于某種類(lèi)型的特征。未能在環(huán)境中檢測(cè)到這些特征會(huì)導(dǎo)致 SLAM 結(jié)果的準(zhǔn)確性發(fā)生災(zāi)難性的下降。這可能是由于環(huán)境中間歇性地存在特征或所采用的視覺(jué)系統(tǒng)無(wú)法檢測(cè)到它們。如果 SLAM 系統(tǒng)依賴(lài)于一組非常有限的特征，例如神經(jīng)網(wǎng)絡(luò)可以檢測(cè)的對(duì)象集，而不利用圖像中的其他元素，如平面、幾何圖元或新對(duì)象，則會(huì)發(fā)生前者網(wǎng)絡(luò)沒(méi)有經(jīng)過(guò)訓(xùn)練來(lái)檢測(cè)。后者可能發(fā)生在具有挑戰(zhàn)性的環(huán)境中或由于突然運(yùn)動(dòng)。為了應(yīng)對(duì)這些挑戰(zhàn)，SLAM 使用的視覺(jué)系統(tǒng)應(yīng)該靈活地適應(yīng)基于機(jī)器人運(yùn)行環(huán)境的各種類(lèi)型的特征，例如在室內(nèi)和室外環(huán)境之間的過(guò)渡期間。2. 魯棒性 在SLAM流程中存在來(lái)自多個(gè)來(lái)源的噪聲時(shí)，估計(jì)算法有時(shí)很難生成地圖和軌跡的最佳估計(jì)。已經(jīng)進(jìn)行了非常有限的研究工作來(lái)保證 SLAM 估計(jì)的最優(yōu)性，或者至少驗(yàn)證估計(jì)是否是最優(yōu)的 [17-19, 55-57]。為此，例如，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì) SLAM 估計(jì)進(jìn)行后處理可能會(huì)顯著改善估計(jì)的軌跡和重建的地圖，從而形成更強(qiáng)大的 SLAM 系統(tǒng)。3. 場(chǎng)景理解和表達(dá)表示自從 2012 年深度學(xué)習(xí)取得突破以來(lái)，目標(biāo)檢測(cè)器在 SLAM 中得到了大量利用。然而，當(dāng)前的目標(biāo)檢測(cè)器沒(méi)有利用檢測(cè)之間的任何時(shí)間或空間關(guān)系[117]。如果考慮到這些限制，預(yù)計(jì)檢測(cè)的效率和可靠性會(huì)提高。我們目前目睹的軟件和硬件技術(shù)的進(jìn)步應(yīng)該針對(duì)開(kāi)發(fā)一種能夠克服所有這些挑戰(zhàn)的環(huán)境感知、無(wú)錯(cuò)誤、通用的視覺(jué) SLAM 算法。

致謝 本出版物基于哈利法科技大學(xué)資助的工作，獎(jiǎng)勵(lì)編號(hào)為 RC1-2018-KUCARS。遵守道德標(biāo)準(zhǔn) 利益沖突 通訊作者代表所有作者聲明不存在利益沖突

參考文獻(xiàn)1. Alahi A, Ortiz R, Vandergheynst P (2012) Freak: fast retina keypoint.In: 2012 IEEE conference on computer vision and pattern recognition, pp 510–517.https ://doi.org/10.1109/ CVPR.2012.62477 152. Angeli A, Doncieux S, Meyer J, Filliat D (2008) Real-time visual loop-closure detection.In: 2008 IEEE international confer- ence on robotics and automation, pp 1842–1847.https ://doi.org/10.1109/ROBOT .2008.45434 753. Annaiyan A, Olivares-Mendez MA, Voos H (2017) Real-time graph-based slam in unknown environments using a small UAV.In: 2017 international conference on unmanned aircraft systems (ICUAS), pp 1118–1123.https ://doi.org/10.1109/ICUAS .2017.79915 244. Atanasov N, Bowman SL, Daniilidis K, Pappas GJ (2018) A unify- ing view of geometry, semantics, and data association in slam.In: Proceedings of the twenty-seventh international joint con- ference on artificial intelligence, IJCAI-18.International Joint Conferences on Artificial Intelligence Organization, pp 5204– 5208. https ://doi.org/10.24963 /ijcai .2018/7225. Bahraini MS, Bozorg M, Rad AB (2018) Slam in dynamic envi- ronments via ml-ransac.Mechatronics 49:105–118.https ://doi.org/10.1016/j.mecha troni cs.2017.12.0026. Bay H, Ess A, Tuytelaars T, Gool LV (2008) Speeded-up robust features (surf ).Similarity matching in computer vision and mul- timedia.Comput Vis Image Understand 110(3):346–359.https ://doi.org/10.1016/j.cviu.2007.09.0147. Beaudet PR (1978) Rotationally invariant image operators.In: Proceedings of the 4th international joint conference on pat- tern recognition.Kyoto, pp 579–5838. Besl PJ, McKay ND (1992) A method for registration of 3-d shapes.IEEE Trans Pattern Anal Mach Intell 14(2):239–256.https ://doi.org/10.1109/34.12179 19. Bosse M, Zlot R, Flick P (2012) Zebedee: design of a spring- mounted 3-d range sensor with application to mobile mapping.IEEE Trans Robot 28(5):1104–1119.https ://doi.org/10.1109/TRO.2012.22009 9010. Bowman SL, Atanasov N, Daniilidis K, Pappas GJ (2017) Proba- bilistic data association for semantic slam.In: 2017 IEEE inter- national conference on robotics and automation (ICRA), pp 1722–1729 (2017).https ://doi.org/10.1109/ICRA.2017.79892 0311. Brandli C, Berner R, Yang M, Liu S, Delbruck T (2014) A 240 × 180 130 db 3

*博客內(nèi)容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀點(diǎn)，如有侵權(quán)請(qǐng)聯(lián)系工作人員刪除。