ADM-SLAM:准确和快速的动态视觉SLAM,具有自适应特征点提取,Deeplabv3pro和多视图几何
Xiaotao Huang1, Xingbin Chen1,2, Ning Zhang1
1School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510006, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
本研究介绍了ADM-SLAM,这是一个用于动态环境的视觉SLAM系统. 它通过高效地处理移动的物体,显著减少轨迹错误,提高机器人导航的准确性.
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
- 人工智能的人工智能
背景情况:
- 视觉同时定位和映射 (V-SLAM) 对自主系统至关重要.
- 动态环境对V-SLAM准确性构成重大挑战.
- 目前用于动态对象识别的深度学习方法是计算密集的.
研究的目的:
- 为动态环境开发一个高效的V-SLAM系统.
- 克服现有的动态对象识别模型的计算局限性.
- 在具有挑战性的场景中提高V-SLAM的准确性和实时性能.
主要方法:
- 拟议的ADM-SLAM系统是基于ORB-SLAM的2.
- 集成的适应性特征点同质化.
- 采用轻量级深度学习语义细分 (改进了DeepLabv3).
- 使用多视图几何细分来检测运动状态.
主要成果:
- 在动态环境中,ADM-SLAM显著优于ORB-SLAM2.
- 在高动态场景中,实现了高达97%的绝对轨迹误差 (ATE) 减少.
- 与DS-SLAM和DynaSLAM相比,证明了优越的实时性能和准确性.
结论:
- ADM-SLAM有效地消除了动态干扰点.
- 该系统在高度动态的环境中显示出出色的适应性和稳定性.
- 在具有挑战性的条件下为实时V-SLAM提供可行的解决方案.


