基于深度学习的增强同时定位和映射算法,用于高度动态的环境
Yin Lu1, Haibo Wang1, Jin Sun1
1School of Internet of Things, Nanjing University of Posts and Telecommunications, Nanjing 210003, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
本研究介绍了一种基于深度学习的动态SLAM算法,以提高自主导航的准确性. 这种新的方法在具有挑战性的,快速变化的环境中显著改善了本地化和映射.
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 (SLAM) 对于自主导航至关重要.
- 由于不可预测的变化,传统的SLAM方法在动态环境中面临精度限制.
- 在动态场景中不对称的信息获取阻碍了强大的映射.
研究的目的:
- 提出一种新的动态SLAM算法,利用深度学习在动态环境中提高准确性.
- 用语义信息来增强SLAM系统的前端,以便更好地理解场景.
- 通过过动态对象特征来开发一个强大的静态地图构建方法.
主要方法:
- 整合YOLOv10n用于从图像框架中提取语义信息.
- 使用ORB-SLAM2进行特征点提取和语义信息检索.
- 实现地图构建线程以消除动态对象特征并构建静态地图.
主要成果:
- 与ORB-SLAM2相比,在高度动态的环境中,拟议的动态SLAM算法实现了超过96%的精度改进.
- 与现有的动态SLAM算法相比,具有卓越的准确性和运行时间性能.
- 通过有效识别和删除动态对象特征,成功构建静态地图.
结论:
- 基于深度学习的动态SLAM算法显著提高了动态环境中的本地化和映射精度.
- 整合YOLOv10n和ORB-SLAM2为语义SLAM提供了一个强大的解决方案.
- 这种方法为在复杂,不断变化的条件下可靠的自主导航系统提供了一个有希望的方向.
