港大火星实验室最新工作:用于精确实时3D SLAM的高效概率自适应体素地图
点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
今天给大家分享一篇香港大学火星实验室的成果,题目是用于精确实时3D SLAM的高效概率自适应体素地图,
英文标题:Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online3D SLAM
论文地址:Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online 3D SLAM.
本文提出了一种高效的概率自适应体素地图的方法,考虑了激光点的测量误差和状态估计造成的激光点的不确定性,对地图中平面的不确定性进行建模,提出了一种精确的点、面不确定性模型。本文分析了从粗到精的体素地图的需求,然后使用一种由哈希表和八叉树组成的新型体素来高效地构建和更新地图。将体素地图应用于迭代卡尔曼滤波,构造姿态估计的最大后验概率问题。在开放的KITTI数据集上的实验表明,与其他最先进的方法相比,该方法具有很高的准确率和效率。在非重复扫描激光雷达的非结构化环境下的室外实验进一步验证了该映射方法对不同环境和激光雷达扫描模式的适应性。
本文的贡献如下:
1、针对激光雷达点云的稀疏性和不规则性,提出了一种大小自适应、由粗到精的体素构建方法。自适应体素图被组织在八叉树-哈希表的数据结构中,以提高体素构建、更新和查询的效率。
2、本文提出了一种精确的概率体素地图表示法,准确地考虑了点测量和激光雷达位置估计引起的点不确定性,以对地图中平面的不确定性进行建模。
3、实现了所提出的系统在真实世界中的激光测距和测绘的应用,并与最新的方法进行了比较。
体素地图构建算法:
实验部分:
该方法比基于ICP的方法和基于SURFEL的方法具有更好的性能,不仅在城市结构化环境中的旋转LiDAR中表现良好,而且在公园、山脉等非结构化环境中的固态LiDAR中也表现出良好的性能。
本文仅做学术分享,如有侵权,请联系删文。
干货下载与学习
后台回复:巴塞罗那自治大学课件,即可下载国外大学沉淀数年3D Vison精品课件
后台回复:计算机视觉书籍,即可下载3D视觉领域经典书籍pdf
后台回复:3D视觉课程,即可学习3D视觉领域精品课程
3D视觉精品课程推荐:
重磅!3DCVer-学术论文写作投稿 交流群已成立扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。 同时也可申请加入我们的细分方向交流群,目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。一定要备注:研究方向+学校/公司+昵称,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,可快速被通过且邀请进群。原创投稿也请联系。▲长按加微信群或投稿 ▲长按关注公众号
▲长按关注公众号
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款 圈里有高质量教程资料、答疑解惑、助你高效解决问题 觉得有用,麻烦给个赞和在看~
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。