基于密度的聚类方法的研究,以消除在动态场景下视觉SLAM中的框架间特征不匹配
Zhiyong Yang1,2,3,4, Kun Zhao3,4, Shengze Yang3,4
1Engineering Research and Design Institute of Agricultural Equipment, Hubei University of Technology, Wuhan 430068, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
本研究引入了一种新的方法,以消除在动态环境中运行的视觉同步定位和映射 (SLAM) 系统中的功能不匹配. 拟议的算法显著提高了准确性,并减少了强大的本地化和映射的处理时间.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 同时定位和绘制 (SLAM)
背景情况:
- 视觉SLAM系统依靠静态特征点来准确地定位和绘制地图.
- 动态特征点在运动姿势估计中引入错误,损害了SLAM系统的准确性和稳定性.
研究的目的:
- 在视觉SLAM中开发一种方法来消除动态场景中的特征不匹配.
- 通过应对动态环境带来的挑战,提高视觉SLAM系统的准确性和稳定性.
主要方法:
- 建议采用基于空间聚类的RANSAC方法来区分和删除动态特征点,创建高质量的静态数据集.
- 然后使用RANSAC处理精制的数据集,通过配合几何模型有效地消除本地不匹配.
- 这种称为DSSAC-RANSAC的方法被整合到ORB-SLAM2和ORB-SLAM3中进行验证.
主要成果:
- 与传统的RANSAC和GMS-RANSAC相比,DSSAC-RANSAC方法显著减少了高达58.5%的平均再投射误差.
- 反射误差差率降低至65.2%,表明稳定性得到改善.
- 处理时间减少了高达69.4%,提高了计算效率.
结论:
- 拟议的DSSAC-RANSAC算法有效地消除了动态视觉SLAM场景中的特征不匹配.
- 该方法明显提高了准确性,减少了错误差异,并加快了处理速度,提高了整体SLAM的稳定性.
- 在ORB-SLAM2和ORB-SLAM3等已建立的SLAM框架中集成,证实了其实际适用性和有效性.
更多相关视频
06:25Author Spotlight: Assessment of Visual Acuity in Central Vision Loss Through Motion-Based Peripheral Vision Testing
Published on: February 23, 2024
519
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
8.9K
