论文信息
题目:
DR-Fusion:Dynamic SLAM 3D Reconstruction Method of Production Workshop
DR-Fusion:生产车间动态SLAM三维重建方法
论文地址:
https://ieeexplore.ieee.org/abstract/document/9904280
发表期刊:
2022 5th International Conference on Pattern Recognition and Artificial Intelligence (PRAI)
标签
xxxx
摘要
由于生产车间属于大场景,所建模型对移动设备的内存消耗极大。针对上述问题,提出一种动态模型分割准则,在位置和场景模型恢复过程中剔除动态对象。同时,对构建的模型进行稀疏存储,以减少资源消耗。为了证明DR-Fusion方法的有效性,在TUM公开数据集和真实的车间环境上进行了实验。
内容简介
利用语义分割网络SegNet[3]对车间动态对象进行检测,获取动态对象的语义信息。一方面,利用语义信息对提取的动态特征点进行剔除,降低移动机器人的位姿估计误差;此外,将动态对象的语义信息与加权节点距离信息相结合,对生成的场景几何模型中动态对象对应的模型进行分割与剔除,仅保留静态背景几何模型。在TUM RGB-D公开数据集上进行实验,并与ORB_SLAM2[4]和ORB_SLAM3[5]进行对比,证明了所提方法的有效性;在真实的动态车间环境中验证了DR-Fusion的可行性;本文的主要工作总结如下:•提出了三维重建动态模型分割方法,能够在动态环境下建立静态三维模型。•提出了生产车间动态三维重建系统dr - fusion,该系统能极大地提高机器人的定位精度,并能获取静态几何模型并稀疏存储
评价
生产车间实时场景重建是实现智能监控、智能安防的重要步骤。文中采用SLAM三维重建方法- dr - fusion对动态生产车间进行重建。DR-Fusion能够在场景重建过程中实时去除动态模型和动态特征,大大提高定位精度并建立静态模型。此外,DR-Fusion采用模型稀疏存储的方法降低设备需求,并为单个几何模型添加语义信息。实验表明,DR-Fusion是一种有效的动态车间环境三维重建方法。然而,在真实环境中构建密集点云时,由于摄像机视场的限制和环境噪声的影响,会出现大量离散点云。此外,在删除映射图中的动态八叉树节点时,也会删除一小部分静态八叉树节点,这也会影响最终生成几何模型的效果。在未来的工作中,计划从这两方面进行改进,以帮助机器人执行更高级的任务。
阅读总结
感觉就是把现有的动态处理方法用到了车间大环境,没有什么创新性,细节没怎么看。