基于RGB-D摄像头和图形神经网络的SLAM用于动态和低纹理环境

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:

• 无人系统 (如无人机) 在农业,物流和军事行动中至关重要.
• 在GPS拒绝和复杂的地形中,定位不准确性阻碍了运营效率.
• 现有的同时定位和映射 (SLAM) 方法在具有挑战性的环境中难以稳定.

研究的目的:

• 提出一个增强的SLAM框架,以改善GPS被拒绝的环境中的导航.
• 为解决无人系统的特征匹配和定位精度的局限性.
• 为复杂和低纹理地形开发一个强大的绘图解决方案.

主要方法:

• 将RGB-D传感与一种新的深度感知点线注意力图神经网络 (DPLAGNN) 的集成.
• 开发一种功能融合机制,将几何原始和注意力加权描述符结合起来.
• 通过空间时空特征一致性验证和多模式优化实现动态场景适应.

主要成果:

• 拟议的DPLAGNN增强的SLAM框架在特征匹配方面表现出更好的稳定性.
• 在三个基准数据集中观察到增强的本地化一致性.
• 在具有挑战性的条件下,在定位精度和绘图可靠性方面取得了可衡量的改进.

结论:

• 新的DPLAGNN框架显著提高了无人系统的SLAM性能.
• 这种方法提供了一个强大的解决方案,用于在GPS拒绝和复杂的环境中导航和绘制地图.
• 这项研究有助于在以前无法进入的地形上推进可靠的自主操作.