SLAM架構的兩篇頂會論文解析

一．基于superpoint的詞袋和圖驗證的魯棒閉環(huán)檢測

標題：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（LCD）是機器人的一項關鍵技術，它可以在長時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的詞袋和圖形驗證的魯棒LCD算法。系統(tǒng)首先使用SuperPoint神經(jīng)網(wǎng)絡提取興趣點和特征描述符。然后，考慮連續(xù)訓練圖像之間的關系，以漸進和自我監(jiān)督的方式訓練視覺詞匯。最后，使用匹配的特征點構造拓撲圖，以驗證詞袋（BoW）框架獲得的候選循環(huán)閉合。在幾個典型的數(shù)據(jù)集上使用最新的LCD算法進行了比較實驗。結果表明，我們提出的圖形驗證方法可以顯著提高圖像匹配的準確性，并且整體LCD方法優(yōu)于現(xiàn)有方法。

貢獻

1. 利用SuperPoint（一個完全卷積的網(wǎng)絡）提取關鍵點和描述符，這比LCD中現(xiàn)代使用的特征提取方法更準確。

2. 以漸進方式訓練視覺詞匯，充分考慮相應訓練圖像之間的關系。

3. 提出了一種基于拓撲圖模型的新穎驗證方法，以確認BoW框架獲得的候選回路閉合。
   
   圖1 由我們提出的算法構建的拓撲圖。紅點表示選定的SuperPoint特征點，即圖形的節(jié)點。綠線表示節(jié)點之間的邊緣。只有兩個候選圖像具有相同的圖結構，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。如果將結構從（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證的算法的比較結果。

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

二．持續(xù)更新地圖的場景管理

標題：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)當中，觀測系統(tǒng)和閉環(huán)系統(tǒng)的時間復雜度是與地圖中存儲的場景（view）的數(shù)量相關的函數(shù)。一些算法，比如近似最近鄰搜索可以使這個函數(shù)達到亞線性的程度。盡管如此，隨著時間的推移，view的數(shù)量會不斷增加，終將會使系統(tǒng)的運行速度和精度變得不可接受，特別是在計算力和內(nèi)存收到約束的SLAM系統(tǒng)當中。但是不是所有的場景的重要性都是一樣的。有一些view很少被觀測到，這是由于view可能是在非正常光照條件下創(chuàng)建的，或者是由低質量的圖像構建而成，也有可能場景位置的外觀已經(jīng)發(fā)生了變化。對于這些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)在長時間運行時，依然能夠保持速度和精度。

圖1 機器人觀測到的場景中的一個view，紅色十字是檢測到的keypoint。

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

圖3 上圖顯示的是機器人在同一個環(huán)境中，不同的光照條件下運行多次，隨著時間的推移，觀測到的view的個數(shù)在增加。

圖4 根據(jù)view分數(shù)進行裁剪后，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行了測試。

總結

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內(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，歡迎將生活随笔推薦給好友。