ISFM-SLAM:具有实例细分和特征匹配的动态视觉SLAM
Chao Li1, Yang Hu1, Jianqiang Liu1
1School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi, China.
Frontiers in neurorobotics
|December 5, 2024
概括
本研究介绍了ISFM-SLAM,这是一个动态的视觉同时定位和映射 (SLAM) 系统. 它通过增强实例细分和特征匹配,在动态环境中显著提高姿势估计准确度,优于现有方法.
科学领域:
- 机器人技术和自主系统
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 同时定位和映射 (SLAM) 对机器人和自动驾驶汽车等智能系统至关重要.
- 视觉SLAM提供了成本效益和可扩展性,但在动态环境中由于静态假设而扎.
- 现有的视觉SLAM算法在动态场景中经常失败,导致跟踪错误和映射不准确.
研究的目的:
- 开发一个强大的动态视觉SLAM系统,能够在复杂,不断变化的环境中有效运行.
- 为了提高特征检测和匹配在视觉SLAM中的准确性和效率.
- 提高SLAM系统在具有动态元素的现实应用中的可靠性.
主要方法:
- 拟议的ISFM-SLAM是一个动态的视觉SLAM系统,基于ORB-SLAM2.
- 集成了一个改进的实例细分网络 (YOLACT与Res2Net骨干和CIoU_Loss).
- 通过将ORB关键点与高效的描述符融合,增强了功能匹配,并引入了运动一致性检测.
主要成果:
- 与TUM数据集上的ORB-SLAM2相比,ISFM-SLAM在整体姿势估计准确度上有97%的改善.
- 该系统在模拟中超过了其他最先进的动态SLAM方法.
- 现实世界的实验证实了ISFM-SLAM的实际可行性和有效性.
结论:
- ISFM-SLAM显著提升了动态视觉SLAM的能力.
- 在实例细分和特征匹配方面提出的改进对于处理动态场景是有效的.
- ISFM-SLAM为现实世界机器人和自主应用中的本地化和映射提供了可靠的解决方案.
