CN112446885A - 一种动态环境下基于改进的语义光流法的slam方法 - Google Patents
一种动态环境下基于改进的语义光流法的slam方法 Download PDFInfo
- Publication number
- CN112446885A CN112446885A CN202011360869.9A CN202011360869A CN112446885A CN 112446885 A CN112446885 A CN 112446885A CN 202011360869 A CN202011360869 A CN 202011360869A CN 112446885 A CN112446885 A CN 112446885A
- Authority
- CN
- China
- Prior art keywords
- optical flow
- point
- semantic
- dynamic
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000003287 optical effect Effects 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 230000003068 static effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种动态环境下基于改进的语义光流法的SLAM方法,对输入图像提取ORB特征点,然后计算描述子;通过语义分割网络对输入图像进行分割,获得各物体掩码;暂时删除动态物体掩码内的特征点;使用光流法对剩余特征点进行追踪,获得特征点匹配对;采用对极几何约束重新对所有特征点进行动态点判断;本发明通过光流法和语义信息结合去除动态点的方式,提高了视觉SLAM***在高动态的环境中运行的精度和鲁棒性。
Description
技术领域
本发明涉及无人机自主巡检中基于视觉的定位与导航领域,更具体地,涉及一种动态环境下基于改进的语义光流法的SLAM方法。
背景技术
无人机智能巡检过程中需要无人机根据当前所处环境的实时信息、自主确定下一步操作。因此对无人机进行实时定位与工作环境建图是无人机智能巡检过程中的重要环节。尤其是在网格化布置的多无人机协同工作中,每个无人机所检测到的环境都是动态场景(包含时有时无的移动物体),因此在定位和环境建图过程中还需针对动态场景开发专用算法。
同时定位与建图(Simultaneous Localization and Mapping,SLAM)是一种在没有任何环境先验信息的情况下,能通过传感器由相应的运动估计算法估计出当前的位置和姿态,并建立环境的三维地图的技术。随着计算机视觉和深度学习技术的发展,以及硬件计算能力的提高,基于视觉的SLAM研究不断深化,并广泛应用于自主驾驶、移动机器人和无人机等领域。
公开号为“CN110322511A”,公开日为2019年10月11日的中国专利申请文件公开了一种基于物体和平面特征的语义SLAM方法和***,获取场景的RGB-D图像流,利用RGB-D图像流进行逐帧跟踪得到关键帧图像;利用关键帧图像构建关于场景的局部地图,对关键帧图像的深度图进行平面分割得到当前平面,利用当前平面构建全局平面地图,对关键帧图像进行物体检测,得到检测框和置信度,利用检测框和置信度重建物体的点云,将检测框中的特征点归并到物体,得到全局物体地图;利用关键帧图像进行回环检测,得到回环帧,利用回环帧进行回环修正优化平面约束与物体约束,得到场景的平面地图和物体地图。本发明可以提升SLAM优化性能,并增强对环境的语义描述。
但是在上述的方法中,应用场景基本上是针对静态的,而实际运用过程中环境中的动态信息是不可忽视的。上述SLAM方法缺少处理动态场景的机制,可能会造成初始化失败,定位误差过大,建图失败等一系列问题,导致SLAM***在动态场景下运行的精度低和鲁棒性差的问题。
发明内容
本发明为克服上述现有技术中动态场景下SLAM方法检测精度和鲁棒性低的问题,提供一种动态环境下基于改进的语义光流法的SLAM方法,通过光流和语义信息结合去除动态点的方式,提高了视觉SLAM***在动态环境中运行的精度和鲁棒性。
为解决上述技术问题,本发明采用的技术方案是:一种动态环境下基于改进的语义光流法的SLAM方法,包括以下步骤:
步骤一:标定相机,去除图像畸变,获取图像序列;
步骤二:对输入图像提取ORB特征点,然后计算描述子;
步骤三:通过语义分割网络对输入图像进行分割,获得各物体掩码;暂时删除动态物体掩码内的特征点;
步骤四:使用光流法对剩余特征点进行追踪,获得特征点匹配对;
步骤五:采用对极几何约束重新对所有特征点进行动态点判断;
步骤六:通过跟踪线程以获得相机位姿;
步骤七:通过局部建图线程进行点云处理,获得稀疏点云地图;
步骤八:利用回环检测来优化位姿,更正漂移误差。
优选的,在所述步骤一中,标定相机,去除图像畸变具体的步骤为:
S1.1:首先获取相机内参,其中内参包括fx,fy,cx,cy,将三维坐标(X,Y,Z)归一化为齐次坐标(x,y);
S1.2:去除畸变对图像的影响,其中[k1,k2,k3,p1,p2]为该镜头的畸变系数,r为该点到坐标系原点的距离:
S1.3:将该摄像机坐标系下的坐标转到像素坐标系下:
其中,cx和cy为像素坐标系的修正值。
优选的,在所述步骤二中,选取图像中两个可以作为起始两帧的初始帧,对输入图像进行初始化;初始化后的图像某点P周围有超过N个的点的灰度值I(x)与该点P的灰度值I(p)相差大于阈值ε就认为该点为目标角点,表示为:
优选的,初始帧的选取条件为:连续帧内的特征点数目大于100。
优选的,语义分割网络为轻量级语义分割网络LEDNet,其进行动态物体语义分割。轻量级语义分割网络LEDNet采用了一个不对称的解码器架构来完成实时语义分割的任务。该网络参数少于1M,并且能够在单个GTX 1080GPU中以超过71FPS的速度运行。使用该网络语义分割图像中的物体(人,椅子,屏幕,车等),将动态物体的掩码内的特征点暂时剔除,保留剩余静态点。
优选的,在所述步骤四中,光流法为LK光流法,主要基于两个假设,灰度不变和小时间段内变化目标位置变化不会太剧烈,具体步骤为:
S4.1:由灰度不变假设,可以得到光流的基本约束方程:
S4.2:因为小时间段内物体不会剧烈运动,得到:
S4.3:设定矩阵形式如下,其中Ix,Iy表示该点在x和y上的灰度梯度,It表示图像灰度对时间的变化量,vx,vy表示x,y上像素的速度
[Ix Iy][vx vy]T=-It
S4.4:最终LK光流使用加权最小二乘来估计光流,其误差函数为:
其中,Ix,Iy表示该点在x和y上的灰度梯度,It表示图像灰度对时间的变化量,vx,vy表示x,y上像素的速度。
优选的,在所述步骤五中,通过对极几何约束检测动态点,计算相邻两帧特征点重投影到极线的距离,判定是否属于动态点;若物体静止特征点重投影在参考帧上的匹配点落在参考帧与极平面的交线上,则该点为静态点。具体步骤为:
S4.1:p1,p2是当前帧和参考帧中匹配点的齐次坐标,其中,u,v是图像帧中的值,具体为:
p1=[u1,v1,1],p2=[u2,v2,1]
S4.2:计算极线,其中F为基础矩阵可以通过八对特征点计算得到,具体为:
其中,[X Y Z]T表示极线向量;
S4.3:计算匹配点到其对应极线的距离,如果是静态D趋近于0,当D大于阈值ε,则该特征点为动态,具体为:
优选的,在所述步骤六中,跟踪线程具体为:根据步骤五的运动模型估计当前帧位姿,根据匀速运动模型对上一帧的地图点进行跟踪,确定位姿。
优选的,通过局部建图线程进行点云处理,并通过局部BA优化,获得稀疏点云地图。
优选的,在所述步骤八中,利用词袋模型判断是否产生回环,如果产生,通过回环更正累计误差,来优化位姿。
与现有技术相比,本发明的有益效果是:
1)本发明通过光流法和语义信息结合去除动态点的方式,提高了视觉SLAM***在高动态的环境中运行的精度和鲁棒性。
2)采用轻量语义分割网络结合光流法的方法检测出并剔除动态点,光流法不需要描述子保持特征点匹配的高效性,同时语义分割网分割图像语义信息也减少图像分割上的时间开销,在保证精度的同时保持较高的实时性。
附图说明
图1是本发明的一种动态环境下基于改进的语义光流法的SLAM方法的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体描述:
实施例
如图1所示为一种动态环境下基于改进的语义光流法的SLAM方法的实施例,包括如下步骤:
步骤一:标定相机,去除图像畸变,获取图像序列;标定相机,去除图像畸变具体的步骤为:
S1.1:首先获取相机内参,其中内参包括fx,fy,cx,cy,将三维坐标(X,Y,Z)归一化为齐次坐标(x,y);
S1.2:去除畸变对图像的影响,其中[k1,k2,k3,p1,p2]为该镜头的畸变系数,r为该点到坐标系原点的距离:
S1.3:将该摄像机坐标系下的坐标转到像素坐标系下:
步骤二:对输入图像提取ORB特征点,然后计算描述子;选取图像中两个可以作为起始两帧的初始帧,对输入图像进行初始化;初始化后的图像某点P周围有超过N个的点的灰度值I(x)与该点P的灰度值I(p)相差大于阈值ε就认为该点为目标角点,表示为:
其中,初始帧的选取条件为:连续帧内的特征点数目大于100。。
步骤三:通过语义分割网络对输入图像进行分割,获得各物体掩码;暂时删除动态物体掩码内的特征点;语义分割网络为轻量级语义分割网络LEDNet,其进行动态物体语义分割。轻量级语义分割网络LEDNet采用了一个不对称的解码器架构来完成实时语义分割的任务。该网络参数少于1M,并且能够在单个GTX 1080 GPU中以超过71FPS的速度运行。使用该网络语义分割图像中的物体(人,椅子,屏幕,车等),将动态物体的掩码内的特征点暂时剔除,保留剩余静态点。
步骤四:使用光流法对剩余特征点进行追踪,获得特征点匹配对;
光流法为LK光流法,主要基于两个假设,灰度不变和小时间段内变化目标位置变化不会太剧烈,具体步骤为:
S4.1:由灰度不变假设,可以得到光流的基本约束方程:
S4.2:因为小时间段内物体不会剧烈运动,得到:
S4.3:设定矩阵形式如下,其中Ix,Iy表示该点在x和y上的灰度梯度,It表示图像灰度对时间的变化量,vx,vy表示x,y上像素的速度
[Ix Iy][vx vy]T=-It
S4.4:最终LK光流使用加权最小二乘来估计光流,其误差函数为:
其中,Ix,Iy表示该点在x和y上的灰度梯度,It表示图像灰度对时间的变化量,vx,vy表示x,y上像素的速度。
步骤五:采用对极几何约束重新对所有特征点进行动态点判断;通过对极几何约束检测动态点,计算相邻两帧特征点重投影到极线的距离,判定是否属于动态点;若物体静止特征点重投影在参考帧上的匹配点落在参考帧与极平面的交线上,则该点为静态点。具体步骤为:
S4.1:p1,p2是当前帧和参考帧中匹配点的齐次坐标,其中,u,v是图像帧中的值,具体为:
p1=[u1,v1,1],p2=[u2,v2,1]
S4.2:计算极线,其中F为基础矩阵可以通过八对特征点计算得到,具体为:
其中,[X Y Z]T表示极线向量;
S4.3:计算匹配点到其对应极线的距离,如果是静态D趋近于0,当D大于阈值ε,则该特征点为动态,具体为:
步骤六:通过跟踪线程获得相机位姿,根据步骤五的运动模型估计当前帧位姿,根据匀速运动模型对上一帧的地图点进行跟踪,确定位姿;
步骤七:通过局部建图线程进行点云处理,并通过局部BA优化,获得稀疏点云地图;
步骤八:利用回环检测来优化位姿,更正漂移误差。利用词袋模型判断是否产生回环,如果产生,通过回环更正累计误差,来优化位姿。
本实例的有益效果:1)本发明通过光流法和语义信息结合去除动态点的方式,提高了视觉SLAM***在高动态的环境中运行的精度和鲁棒性。2)采用轻量语义分割网络结合光流法的方法检测出并剔除动态点,光流法不需要描述子保持特征点匹配的高效性,同时语义分割网分割图像语义信息也减少图像分割上的时间开销,在保证精度的同时保持较高的实时性。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,包括以下步骤:
步骤一:标定相机,去除图像畸变,获取图像序列;
步骤二:对输入图像提取ORB特征点,然后计算描述子;
步骤三:通过语义分割网络对输入图像进行分割,获得各物体掩码;暂时删除动态物体掩码内的特征点;
步骤四:使用光流法对剩余特征点进行追踪,获得特征点匹配对;
步骤五:采用对极几何约束重新对所有特征点进行动态点判断;
步骤六:通过跟踪线程以获得相机位姿;
步骤七:通过局部建图线程进行点云处理,获得稀疏点云地图;
步骤八:利用回环检测来优化位姿,更正漂移误差。
2.根据权利要求1所述的一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,在所述步骤二中,选取图像中两个可以作为起始两帧的初始帧,对输入图像进行初始化;初始化后的图像某点P周围有超过N个的点的灰度值I(x)与该点P的灰度值I(p)相差大于阈值ε就认为该点为目标角点。
3.根据权利要求2所述的一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,初始帧的选取条件为:连续帧内的特征点数目大于100。
4.根据权利要求1所述的一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,所述语义分割网络为轻量级语义分割网络LEDNet。
6.根据权利要求5所述的一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,在所述步骤五中,通过对极几何约束检测动态点,计算相邻两帧特征点重投影到极线的距离,判定是否属于动态点;若物体静止特征点重投影在参考帧上的匹配点落在参考帧与极平面的交线上,则该点为静态点。
8.根据权利要求1所述的一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,在所述步骤六中,跟踪线程具体为:根据步骤五的运动模型估计当前帧位姿,根据匀速运动模型对上一帧的地图点进行跟踪,确定位姿。
9.根据权利要求1所述的一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,通过局部建图线程进行点云处理,并通过局部BA优化,获得稀疏点云地图。
10.根据权利要求1所述的一种动态环境下基于改进的语义光流法的SLAM方法,其特征在于,在所述步骤八中,利用词袋模型判断是否产生回环,如果产生,通过回环更正累计误差,来优化位姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360869.9A CN112446885A (zh) | 2020-11-27 | 2020-11-27 | 一种动态环境下基于改进的语义光流法的slam方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011360869.9A CN112446885A (zh) | 2020-11-27 | 2020-11-27 | 一种动态环境下基于改进的语义光流法的slam方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446885A true CN112446885A (zh) | 2021-03-05 |
Family
ID=74737933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011360869.9A Pending CN112446885A (zh) | 2020-11-27 | 2020-11-27 | 一种动态环境下基于改进的语义光流法的slam方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446885A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808203A (zh) * | 2021-08-20 | 2021-12-17 | 北京工业大学 | 一种基于lk光流法与orb-slam2的导航定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596974A (zh) * | 2018-04-04 | 2018-09-28 | 清华大学 | 动态场景机器人定位建图***及方法 |
CN111311708A (zh) * | 2020-01-20 | 2020-06-19 | 北京航空航天大学 | 一种基于语义光流和逆深度滤波的视觉slam方法 |
CN111325843A (zh) * | 2020-03-09 | 2020-06-23 | 北京航空航天大学 | 一种基于语义逆深度滤波的实时语义地图构建方法 |
CN111402336A (zh) * | 2020-03-23 | 2020-07-10 | 中国科学院自动化研究所 | 基于语义slam的动态环境相机位姿估计及语义地图构建方法 |
CN111581313A (zh) * | 2020-04-25 | 2020-08-25 | 华南理工大学 | 一种基于实例分割的语义slam鲁棒性改进方法 |
CN111797688A (zh) * | 2020-06-02 | 2020-10-20 | 武汉大学 | 一种基于光流和语义分割的视觉slam方法 |
-
2020
- 2020-11-27 CN CN202011360869.9A patent/CN112446885A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596974A (zh) * | 2018-04-04 | 2018-09-28 | 清华大学 | 动态场景机器人定位建图***及方法 |
CN111311708A (zh) * | 2020-01-20 | 2020-06-19 | 北京航空航天大学 | 一种基于语义光流和逆深度滤波的视觉slam方法 |
CN111325843A (zh) * | 2020-03-09 | 2020-06-23 | 北京航空航天大学 | 一种基于语义逆深度滤波的实时语义地图构建方法 |
CN111402336A (zh) * | 2020-03-23 | 2020-07-10 | 中国科学院自动化研究所 | 基于语义slam的动态环境相机位姿估计及语义地图构建方法 |
CN111581313A (zh) * | 2020-04-25 | 2020-08-25 | 华南理工大学 | 一种基于实例分割的语义slam鲁棒性改进方法 |
CN111797688A (zh) * | 2020-06-02 | 2020-10-20 | 武汉大学 | 一种基于光流和语义分割的视觉slam方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808203A (zh) * | 2021-08-20 | 2021-12-17 | 北京工业大学 | 一种基于lk光流法与orb-slam2的导航定位方法 |
CN113808203B (zh) * | 2021-08-20 | 2024-04-26 | 北京工业大学 | 一种基于lk光流法与orb-slam2的导航定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396595B (zh) | 一种动态环境下基于点线特征的语义slam方法 | |
CN112132893B (zh) | 一种适用于室内动态环境的视觉slam方法 | |
CN112734852B (zh) | 一种机器人建图方法、装置及计算设备 | |
CN112381841A (zh) | 一种动态场景下基于gms特征匹配的语义slam方法 | |
CN112435262A (zh) | 基于语义分割网络和多视图几何的动态环境信息检测方法 | |
CN110599522B (zh) | 一种视频序列中动态目标检测剔除方法 | |
CN113744315B (zh) | 一种基于双目视觉的半直接视觉里程计 | |
JP2023021994A (ja) | 自動運転車両に対するデータ処理方法及び装置、電子機器、記憶媒体、コンピュータプログラム、ならびに自動運転車両 | |
CN111998862A (zh) | 一种基于bnn的稠密双目slam方法 | |
CN112541423A (zh) | 一种同步定位与地图构建方法和*** | |
CN117367427A (zh) | 一种适用于室内环境中的视觉辅助激光融合IMU的多模态slam方法 | |
CN112967340A (zh) | 同时定位和地图构建方法、装置、电子设备及存储介质 | |
CN116879870A (zh) | 一种适用于低线束3d激光雷达的动态障碍物去除方法 | |
CN111950599B (zh) | 一种动态环境下融合边缘信息的稠密视觉里程计方法 | |
Zhu et al. | PairCon-SLAM: Distributed, online, and real-time RGBD-SLAM in large scenarios | |
CN112446885A (zh) | 一种动态环境下基于改进的语义光流法的slam方法 | |
CN113487631A (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
CN112731503A (zh) | 一种基于前端紧耦合的位姿估计方法及*** | |
CN111553342A (zh) | 一种视觉定位方法、装置、计算机设备和存储介质 | |
CN111915632B (zh) | 一种基于机器学习的贫纹理目标物体真值数据库构建方法 | |
CN113837243A (zh) | 基于边缘信息的rgb-d相机动态视觉里程计方法 | |
KR102025696B1 (ko) | 스테레오 이미지를 이용한 비주얼 오도메트리 장치 및 그 방법 | |
CN116740477B (zh) | 基于稀疏光流的动态像素点分布识别方法、***及设备 | |
CN116295507B (zh) | 一种基于深度学习的激光惯性里程计优化方法、*** | |
CN117671022B (zh) | 一种室内弱纹理环境的移动机器人视觉定位***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |