RU-SLAM:一个强大的深度学习可视同步定位和映射 (SLAM) 系统,用于薄弱纹理的水下环境
Zhuo Wang1, Qin Cheng1, Xiaokai Mu1,2
1Science and Technology on Underwater Vehicle Laboratory, Harbin Engineering University, Harbin 150001, China.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
本研究介绍了UWNet,这是一个深度学习系统,用于在水下自动驾驶车辆中进行强大的同时定位和映射 (SLAM). 它增强了对具有挑战性的条件的特征提取,提高了导航准确性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 海洋技术 海洋技术
背景情况:
- 同时定位和映射 (SLAM) 对于在未知的环境中的自动水下车辆 (AUV) 是必不可少的.
- 基于深度学习的SLAM面临着水下挑战,包括薄弱的纹理,图像退化和不准确的关键点注释.
- 现有的SLAM方法与水下环境的独特视觉特征作斗争.
研究的目的:
- 开发一个强大的深度学习视觉SLAM系统,适用于水下AUV.
- 为了解决当前SLAM技术在具有挑战性的水下环境中的局限性.
- 在未绘制的海洋环境中提高AUV导航的准确性和可靠性.
主要方法:
- 一个新的功能生成器,UWNet,旨在提取准确的关键点特征和描述符,减轻弱纹理和图像退化.
- 基于改进的水下成像物理模型的知识蒸,用于自我监督的网络培训.
- UWNet被集成到ORB-SLAM3,取代了传统的特征提取器,以增强本地和全球特征利用.
主要成果:
- 拟议的UWNet系统在具有挑战性的水下条件下提取特征时表现出卓越的性能.
- 与ORB-SLAM3的集成导致了功能跟踪和闭环检测的改进.
- 在公开和自主收集的数据集上的实验验证证证了系统的高准确性和稳定性.
结论:
- 开发的深度学习视觉SLAM系统有效地克服了水下导航的关键挑战.
- UWNet为AUV的强大而准确的本地化和映射提供了重大进步.
- 拟议的方法为在水下环境中实现复杂的自主任务提供了一个有希望的解决方案.
