论文阅读
文章平均质量分 51
和道一文字_
自动驾驶
展开
-
从结构化和非结构化环境中的噪声范围图像中快速进行 SLAM 平面检测:Fast plane detection for SLAM from noisy range images in both
摘要:本文重点研究噪声范围图像中的快速平面检测。 首先,提出了对最先进的区域增长算法的两项改进,以使其更快,而不会损失非结构化环境的精度。 一是增加基于局部形状信息的种子选择程序,避免盲目生长。 另一种是简化平面拟合均方误差的计算复杂度。 其次,针对结构化环境提出了一种称为基于网格的区域生长的新算法。 当点云被视为距离图像时,根据邻域信息将点云划分为小块。 小块称为网格。 然后根据网格的局部外观将网格分为不同的类别,包括稀疏的、平面的、球形的和线性的。 最后,平面网格通过区域增长聚集成大块。 每当添加新原创 2022-02-15 16:14:53 · 765 阅读 · 0 评论 -
在平面室内环境中使用平面匹配的基于 Kinect 的图形 SLAM 前端:A Kinect-Based Front-End for Graph-SLAM Using Plane Matching in
摘要:我们提出了一种位姿图优化方法,该方法使移动机器人能够使用 Microsoft Kinect 相机创建平面室内环境的 3D 地图。 该方法不是使用点特征,而是依赖于平面表面的配准。 平面匹配用于实现(前端)构建姿势图,然后通过最先进的(后端)对其进行优化。 从获取的与机器人姿势相关的点云中提取垂直平面; 然后使用平面匹配算法在连续的机器人姿势之间创建约束。 使用 3D 特征检测地点重访情节,以提供闭环约束。 这些约束为位姿图优化算法提供输入,该算法计算机器人轨迹的估计。 最后,通过将相应平面附加到轨原创 2022-02-15 15:56:25 · 331 阅读 · 0 评论 -
实时地平面提取的LiDAR SLAM:Real-Time Ground-Plane Refined LiDAR SLAM
摘要:近年来,仅使用点云的 SLAM 系统已被证明是成功的。 在这些系统中的大多数中,它们提取特征以跟踪地后移除,这会导致 z 轴上的较大差异。 Ground 实际上提供了可靠的信息来获得 [t_z, \theta_{roll}, \theta_{pitch}]$。 在这个项目中,我们遵循 LeGO-LOAM,一种轻量级实时 SLAM 系统,提取并注册地面作为原始 LOAM 的补充,我们提出了一种新的基于聚类的方法来改进地面的平面提取算法,使得系统 可以处理更多嘈杂或动态的环境。 我们实现了这种方法,并原创 2022-02-15 15:06:10 · 507 阅读 · 0 评论 -
用于手持式 3D 传感器的点平面 SLAM:Point-plane SLAM for hand-held 3D sensors
摘要:我们提出了一种同时定位和映射 (SLAM) 算法,用于手持 3D 传感器,它使用点和平面作为基元。 我们表明,可以使用三个点/平面图元(3 个平面、2 个平面和 1 个点、1 个平面和 2 个点以及 3 个点)的任意组合在两个不同的坐标系中注册 3D 数据。 我们的算法使用 RANSAC 框架中的最小基元集来稳健地计算对应关系并估计传感器位姿。 由于平面的数量明显小于典型 3D 数据中的点数,我们的 RANSAC 算法更喜欢包含更多平面的原始组合而不是点。 与主要使用点进行配准的现有方法相比,我们原创 2022-02-15 14:46:21 · 510 阅读 · 0 评论 -
弹出式SLAM:用于低纹理环境的语义单目平面SLAM:Pop-up SLAM: Semantic monocular plane SLAM for low-texture environments
摘要:现有的同时定位和映射 (SLAM) 算法在具有挑战性的低纹理环境中并不稳健,因为只有很少的显着特征。 生成的稀疏或半密集地图也为运动规划传达了很少的信息。 尽管一些工作利用平面或场景布局进行密集地图正则化,但它们需要来自其他来源的良好状态估计。 在本文中,我们提出了实时单目平面 SLAM,以证明场景理解可以改善状态估计和密集映射,尤其是在低纹理环境中。 平面测量来自应用于每个图像的弹出式 3D 平面模型。 我们还将平面与基于点的 SLAM 相结合以提高鲁棒性。 在公共 TUM 数据集上,我们的算法原创 2022-02-15 14:39:28 · 1140 阅读 · 0 评论 -
基于相交线的立体平面SLAM:Stereo Plane SLAM Based on Intersecting Lines
摘要:平面特征是一种稳定的地标,可以减少 SLAM 系统中的漂移误差。 从密集点云中提取平面既容易又快速,这通常是从 RGB-D 相机或激光雷达中获取的。 但是对于立体相机,很难准确有效地计算密集点云。 在本文中,我们提出了一种使用从立体图像中提取的相交线来计算平面参数的新方法。 平面特征通常存在于人造物体和结构的表面,具有规则的形状和笔直的边缘线。 在 3D 空间中,两条相交的线可以确定这样一个平面。 因此,我们从立体左右图像中提取线段。 通过立体匹配,我们计算 3D 空间中的端点和线方向,然后计算两原创 2022-02-15 14:29:13 · 867 阅读 · 0 评论 -
LIPS:LiDAR-惯性 3D 平面 SLAM:LiDAR-Inertial 3D Plane SLAM
摘要:本文介绍了最近点平面表示的形式化,并分析了它在 3D 室内同时定位和映射 (SLAM) 中的结合。 我们提出了一个利用最近点平面表示的无奇点平面因子,并在基于图形的优化框架中展示了它与惯性预积分测量的融合。 由此产生的 LiDAR 惯性 3D 平面 SLAM (LIPS) 系统在定制的 LiDAR 模拟器和真实世界的实验中都得到了验证。期刊:Intelligent Robots and Systems.Oct 2018...原创 2022-02-15 14:20:39 · 425 阅读 · 0 评论 -
基于隐表面模型的POU-SLAM:Scan-to-Model Matching Based on 3D Voxels
摘要:LiDAR数据的本地化和地图绘制是自动驾驶汽车的基本组成部分。尽管与视觉信息相比,LiDAR点云通常可以对场景深度进行编码,但基于激光的同时定位和制图(SLAM)仍然具有挑战性,因为数据通常稀疏,密度可变且具有较低的判别力。本文的目的是提出一种准确可靠的基于激光的SLAM解决方案。设计/方法/方法:该方法从基于3D输入点云构建体素网格开始。然后将这些体素根据每个体素中包含的点的空间分布分为三种类型,以指示不同的物理对象。在地图构建的过程中,将维护具有统一分区(POU)隐式表面的全局环境模型,并且.原创 2022-02-15 14:16:57 · 476 阅读 · 0 评论 -
在室内环境中使用假设平面的点平面 SLAM:Point-Plane SLAM Using Supposed Planes for Indoor Environments
论文题目:Point-Plane SLAM Using Supposed Planes for Indoor Environments摘要:同时定位和映射 (SLAM) 是各种应用程序的基本问题。 对于室内环境,平面是受测量噪声影响较小的主要特征。 在本文中,我们提出了一种使用 RGB-D 相机的新型点平面 SLAM 系统。 首先,我们从 RGB 图像中提取特征点,从深度图像中提取平面。 然后可以使用它们的轮廓找到全局地图中的平面对应关系。 考虑到真实平面的有限尺寸,我们利用平面边缘的约束。 通原创 2022-02-15 14:14:30 · 808 阅读 · 0 评论 -
室内环境平面调整的 LiDAR SLAM:LiDAR SLAM With Plane Adjustment for Indoor Environment
标题:LiDAR SLAM With Plane Adjustment for Indoor Environment摘要:飞机在室内环境中无处不在。 这封信介绍了一个实时、低漂移的 LiDAR SLAM 系统,该系统使用飞机作为室内环境的地标。 我们的算法包括三个部分:定位、局部映射和全局映射。 定位组件执行实时和全局配准,而不是在最先进的 LiDAR 里程计和映射 (LOAM) 框架中采用的扫描到扫描配准,该框架会产生较低保真度的姿势。 局部映射组件优化滑动窗口内关键帧的位姿和这些关键帧观察到原创 2022-02-15 14:12:04 · 1282 阅读 · 0 评论 -
激光slam框架:R-LOAM
摘要:基于 LiDAR 的里程计和建图在许多机器人应用中用于检索机器人在未知环境中的位置,并允许在 GPS 拒绝(例如,室内)环境中自主操作。 借助 3D LiDAR 传感器,可以实现高精度定位,从而实现高质量的环境 3D 重建。 在这封信中,我们通过利用有关环境中参考对象的先验知识来扩展众所周知的 LOAM 框架,以进一步提高定位精度。 这需要参考对象的已知 3D 模型及其在全局坐标系中的已知位置。 在优化问题中,我们不仅依赖于 LOAM 映射模块中的点特征,还包括从参考对象的 3D 三角形网格中提取原创 2022-02-12 16:34:01 · 772 阅读 · 0 评论 -
激光slam框架:F-LOAM
摘要:在本文提出了一个通用的解决方案,旨在为基于激光雷达的SLAM提供一个计算效率高、精度高的框架。具体来说,我们采用了一种非迭代的两级失真补偿方法来降低计算量。对于每个扫描输入,提取边缘和平面特征,分别匹配到局部边缘图和局部平面图,并考虑局部平滑度进行迭代姿态优化。通过深入的实验评估了其在具有挑战性的场景中的性能,包括仓库自动导引车(AGV)的定位和自动驾驶的公共数据集。该方法在公共数据集评估中以10hz以上的处理率获得了很好的定位精度,为实际应用提供了性能和计算成本之间的良好折衷。该方法目前是KIT原创 2022-02-12 16:24:17 · 558 阅读 · 0 评论 -
视觉slam框架:StructSLAM
我们提出了一种基于人造建筑环境结构规律的新型 6 自由度 (DoF) 视觉同步定位和映射 (SLAM) 方法。 这个想法是我们使用建筑结构线作为定位和映射的特征。 与其他线特征不同,建筑结构线对全局方向信息进行编码,该信息会随着时间的推移限制相机的航向,从而消除累积的方向误差并减少位置漂移。 我们扩展了标准扩展卡尔曼滤波器视觉 SLAM 方法,采用具有新的参数化方法的建筑结构线,该方法表示主要方向上的结构线。 已经在合成场景和真实世界场景中进行了实验。 结果表明,我们的方法在位置误差和方向误差方面明显优于现原创 2022-02-12 16:07:59 · 1493 阅读 · 0 评论 -
激光slam框架:S-LOAM
摘要:本文描述了一种基于语义分割和激光雷达里程计和映射的树直径估计的端到端管道。 由于地面和树木被树叶、荆棘和藤蔓包围,因此对此类环境进行精确映射具有挑战性,而且传感器通常会经历极端运动。 我们提出了一种基于语义特征的姿态优化,在估计机器人姿态的同时优化树模型。 该管道利用自定义虚拟现实工具来标记用于训练语义分割网络的 3D 扫描。 掩蔽点云用于计算网格图,该网格图识别单个实例并提取 SLAM 模块使用的相关特征。 我们表明,传统的基于激光雷达和图像的方法在无人驾驶飞行器 (UAV) 和手持系统的森林环原创 2022-02-11 15:21:36 · 631 阅读 · 0 评论 -
slam论文的期刊和会议
期刊:sci1区:Science Robitics [19.4]Soft Robotics [6.7]IEEE Transactions on Pattern Analysis and Machine Intelligence [11.8]sci2区:International Journal of Robotics Research (IJRR) [5.1]IEEE Transaction on Robotics (TRO) [4.9]Journal of Field Roboti原创 2022-02-11 17:25:51 · 2292 阅读 · 1 评论 -
slam框架:Plane-Edge-SLAM:平面和边缘的无缝融合,用于室内环境中的 SLAM
论文题目:Plane-Edge-SLAM: Seamless Fusion of Planes and Edges for SLAM in Indoor EnvironmentsPlane-Edge-SLAM:平面和边缘的无缝融合,用于室内环境中的 SLAM论文链接:Plane-Edge-SLAM: Seamless Fusion of Planes and Edges for SLAM in Indoor Environments | IEEE Journals & Magazin原创 2021-12-09 17:13:35 · 2607 阅读 · 0 评论 -
slam框架:基于空间关系图的3D LiDAR位置识别两级框架
来自不同地方的激光雷达数据背后的内部结构的空间关系是可区分的,可以用来描述环境。 在本文中,我们利用内部结构的空间关系,提出了一个基于空间关系图(SRG)的 3D LiDAR 地点识别的两级框架。 提出的框架首先将点云分割成多个簇,然后提取簇的特征和簇之间的空间关系描述符(SRD),用SRG表示点云,SRG以簇为 节点及其空间关系作为边。 之后,我们提出了一种两级匹配模型,其中融合了两种不同的模型以准确有效地匹配 SRG,包括上级搜索模型 (U-LSM) 和下级匹配模型 (L-LMM)。 在 U-LSM 中原创 2021-12-09 14:14:57 · 637 阅读 · 0 评论 -
slam框架:紧耦合激光视觉惯性里程计的统一多模态地标点跟踪
1 在一个固定步长的平滑窗口内,视觉提取特征点,激光雷达提取线特征和面特征点集。2 跟踪视觉特征,使用激光雷达提供深度(投影,查找3个像素之内的对应点,计算残差)如上图3。3 使用海塞正规式来参数化平面p,使用一个单位向量n以及一个d表示其原点的距离。4 使用一个旋转矩阵R和两个尺度参数a,b来参数化一个直线,R表示直线方向,ab表示直线上距离原点最近的点5 使用FAST角点检测器检测特征,并使用KLT特征跟踪器跟踪它们,使用RANSAC滤除外点6 使用imu做先验,对雷达点云去畸变,并原创 2021-12-09 14:02:54 · 2000 阅读 · 0 评论 -
tagslam框架:LiDARTag和AprilTags,只使用特定标签的雷达/相机
1 雷达通过设置特定的反光板,识别反光强度,相机通过识别二维码也可以结合起来(如下图)。确定每一个标签的世界坐标,可以建立一个特征地图。2 通过检测出来的标签,解算其在雷达/相机坐标系下的位姿。3 通过预先设置好的标签信息,读取标签的世界坐标系以及一些其它信息(例如执行任务所需的信息)4 通过2和3的计算,即世界坐标到局部坐标的转换,就能得出机器人的当前位姿,甚至 还可以对里程计进行修正。原创 2021-12-08 11:51:38 · 1106 阅读 · 0 评论 -
slam框架:RP-VIO一种视觉-惯导里程计,只靠平面的动态场景
提出了 RP-VIO,这是一种单目视觉惯性测距系统,它利用这些平面的简单几何形状来提高在具有挑战性的动态环境中的鲁棒性和准确性。 由于现有数据集的动态元素数量有限,我们还提供了一个高度动态、逼真的合成数据集,以更有效地评估现代 VINS 系统的功能。 我们在这个数据集上评估了我们的方法,以及来自标准数据集的三个不同序列,包括两个真实世界的动态序列,并显示出比最先进的单目视觉惯性里程计系统在鲁棒性和准确性方面的显着改进。 我们还在模拟中展示了对简单动态特征屏蔽方法的改进。 我们的代码和数据集是公开可用的。原创 2021-12-08 11:07:40 · 2696 阅读 · 0 评论 -
经典激光slam回环检测框架:SegMatch: Segment based place recognition in 3D point clouds
提出基于分割的3D点云场景识别方法。基于分割的场景识别方法既考虑了局部特征,又包含了“类别“这种高维特征,并且不依赖于物体级别的完美分割方法,是一种折中的场景识别方案。首先将当前帧点云通过特定的聚类方法分割成若干块点云簇。接着,SegMatch从每一块点云簇中提取一个特征向量。特征向量提取混合了特征值和直方图两种方法,鲁棒性更强。接着匹配当前帧的点云簇集合和地图中的点云簇集合。具体做法是,提取当前帧点云簇在地图邻域范围内的点云簇集合,然后通过随机森林预测两两点云簇的相似度,最终得到一系列候选原创 2021-12-03 18:28:06 · 1604 阅读 · 0 评论 -
SLAM论文阅读:M-Loam:具有在线外参校准功能的多LiDAR系统的稳健里程表和建图
基于loam的多激光雷达slam论文题目:Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration项目链接:https://ram-lab.com/file/site/m-loam/开源代码链接:https://github.com/gogojjh/M-LOAM视频展示:https://www.bilibili.com/video/av756354450/原创 2021-11-29 10:11:17 · 2299 阅读 · 2 评论