多伦多大学等发布:半静态环境下的概率对象感知变分SLAM
点击上方“计算机视觉life”,选择“星标”
快速获得最新干货
这将会是一个对你学习生活帮助很大的社群以下内容来自【小六的机器人SLAM圈】,在这里你可以收获:星主答疑解惑/定期直播分享/最新招聘信息/笔面试题速递/行业最新动态/每日领域论文翻译/成员定期交流活动
还有星球专属视频哦~(图片篇幅有限,更多内容请移步官网cvlife.net查看~)
#论文##开源# RSS 2023|多伦多大学、慕尼黑工业大学等发布POV-SLAM: 半静态环境下的概率对象感知变分SLAM
【POV-SLAM: Probabilistic Object-Aware Variational SLAM in Semi-Static Environments】
文章链接:http://arxiv.org/abs/2307.00488
摘要—在缓慢变化的场景中,同时定位和建图(SLAM)对于长期机器人任务完成至关重要。未能检测到场景变化可能导致地图不准确,最终导致机器人丢失。传统的SLAM算法假设场景静态,最近的研究考虑了动态场景,但要求连续帧中观察到场景变化。半静态场景中,物体随时间出现、消失或缓慢移动,通常被忽视,然而它们对于长期操作至关重要。我们提出了一种对象感知的因子图SLAM框架,用于跟踪和重构半静态对象级别的变化。通过融合对象级别信息,我们的方法可以稳健地处理半静态场景,并在长时间内保持准确的地图。实验结果证明了我们提出的框架在处理缓慢变化场景方面的有效性和优越性。我们的工作为SLAM技术在具有多样化和动态环境的实际场景中的进展做出了贡献。
我们使用了一种新颖的变分期望最大化策略来优化包含高斯-均匀双峰测量似然函数的因子图,以处理可能变化的对象。我们在模拟环境中以及在我们自己捕获的一个仓库四个月的实际SLAM数据集上评估了我们的方法,并与最先进的SLAM解决方案进行了比较。我们的方法在存在半静态变化的情况下提高了定位的鲁棒性,并对场景进行了对象级别的推理。
以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容
最后介绍一下我们最近的几个学习活动:(点击下方标题即可快速获取)
管道内单目视觉SLAM尺度漂移较明显,定位挑战很大。学完本项目,你可以动手做到:利用管道的圆柱形结构约束,基于ORB-SLAM2改进地图点位置估计,从而优化SLAM算法精度。详情点击 实战:基于ORB-SLAM2的管道机器人圆柱约束的位姿估计
LVI-SAM是MIT团队的TixiaoShan等人开源的一个紧耦合的激光雷达视觉惯导SLAM系统,可以实时高精度鲁棒的进行状态估计和建图。哈工大博士带你学习,1个月的学习挑战赛,详情点击 MIT团队开源的这个激光雷达视觉惯导SLAM系统,太香了!
FAST-LIO2是香港大学火星实验室(MARS)发表在IEEE-RAL和IEEE-TRO的两篇论文,是一种具有高计算效率、高鲁棒性的雷达惯性里程计(LIO)本课程中上海交通大学博士王泽霖推出为期1个月的学习挑战赛第2期,从原理到实战快速掌握,详情点击 香港大学开源的这个激光雷达惯性SLAM,太强了!
本项目对ALOAM进行改进,融合众多新技术,ALOAM+ LINK3D + CSF + BALM,纯激光雷达SLAM效果逼近LIO-SAM。详情点击 我用纯LiDAR SLAM实现逼近LIO-SAM的效果,如何做到?
全国最大的机器人SLAM开发者社区
关键词
激光雷达
鲁棒
视觉
详情点击
雷达惯性
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]。