网格合并之后物体的位置改变了_EAO-SLAM:集成数据关联的单目半稠密物体级SLAM...

原文链接

EAO-SLAM:集成数据关联的单目半稠密物体级SLAM
今天介绍的论文是：EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association

类别：单目半稠密Object SLAM代码：基于ORB-SLAM2，待开源

https://github.com/yanmin-wu/EAO-SLAM

摘要：物体级别（Object-level）数据关联和位姿估计在语义SLAM中有重要的作用，至今由于缺少鲁棒和精准的算法还没有解决。本篇论文工作提出一种集成数据关联策略来融合参数和非参数的统计检验，极大地提高数据关联的鲁棒性和精确度。除此之外该文章提出了可剔除外点的物体中心点、尺度估计和物体位姿初始化算法的物体位姿估计框架来提高估计的结果。基于以上，该论文提出了一个单目SLAM系统可以建立半稠密地图以及只有物体的轻量地图。经过在三个公开数据集上测试运行，该方法在精度和鲁棒性上极大地优于现有的方法。

解决的问题：

1. 数据关联（使用带参数和无参数的统计检验一起关联数据）
2. 物体建模（孤立森林和线来感知物体的位置，大小以及朝向角度）
3. 地图表示（使用曲面椭圆和立方体建立物体地图 ）

SLAM系统介绍

系统框架

绿色的语义线程输入图像，使用YOLOv3检测物体，为算法提供bounding box以及label。该论文的主要贡献用红色显示在跟踪线程中：本文提出的数据关联算法将bounding box，语义标签以及tracking过程中的三维点云作为输入，之后使用孤立森林清除outlier为优化找到精准的初始化。之后物体位姿，尺度以及相机位姿一起优化建立轻量的物体地图。最终，物体地图和半稠密地图一起可以得到半稠密语义地图。

数据关联

无参数检验如图3(a)所示，绿色点为物体点云，使用Wilcoxon Rank-Sum test判断两组点云分布是否一致确定一帧图两点云是否属于同一物体。通过物体的中心点，单样本T检验用于判断一帧上的点云是否属于之前观察到的某个物体，双样本的T检验判断观察到的两个物体是否需要合并。

Object SLAM