1) 基于prior knowledge:
现如今想要物体识别的结果 提升 SLAM的精度 ,一个思路是有prior knowledge,已知精细地图,比如
example 1:
比如SLAM++,出自于帝国理工学院Andrew Davison课题组,主要思想就是通过RGBD相机构建场景点云,然后把点云特征与预先准备好的物体数据库中的物体进行比对,一旦发现匹配的物体就把预先存储好的精细点云放入地图,并根据原始点云估计物体位姿, 作者加入了一项地面水平的假设,使得放入地图中的物体都保持在同一个水平面上,有效地提升了地图的精度。在地图精度提高的前提下,相机自身定位的精度自然也有所提高。其它的一些基于单目摄像头的语义SLAM相关工作,也采取的是类似的思路及方法。
链接:https://www.jianshu.com/p/68c0a1b6c90a
example 2:
【泡泡机器人翻译专栏】 单目语义SLAM 链接1 链接2
本文提出一个语义SLAM算法,将一些已知物体与原本毫无意义的点云地图相融合。在这个过程中未标注的地图仅通过单目图像序列来构建,目标(已知物体)的模型则通过另外的不同于SLAM的摄像头获取的少量图像来自动计算,构建的模型中包含了目标表面信息和三维信息。最后通过综合上述图像序列的