科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统机器人V-SLAM前端定位算法是基于人工设定的特征点提取和描述子局部匹配进行定位的，由于人工设定的主观性会导致提取方法鲁棒性差、复杂场景适应能力弱(场景明亮变化、噪声的引入、运动模糊)以及局部描述子匹配精度低等问题，为此，提出一种前端定位算法(SuperPoint Brief and K-means visual location, SBK-VL),该算法首先采用一种改进的概率p-SuperPoint深度学习算法提取特征点，以解决特征点鲁棒性低、复杂场景适应力弱的问题。其次提出一种全局信息(特征点聚类)和局部信息(Brief描述子)相结合的复合描述子，降低传统描述子误匹配及匹配精度低的问题，实验结果显示该复合描述子的平均匹配正确率为92.71%。最后将该SBK-VL替换ORB-SLAM2的前端，引入一种Ransac随机抽样方法对位姿进行检验，并使用绝对轨迹误差、相对轨迹误差、平均跟踪时间与ORB-SLAM2算法和GCNv2-SLAM算法进行比较。实验结果表明，本文算法具有更好的均衡性能，一方面可提升经典V-SLAM算法的复杂场景适应性和估计精度，另一方面相比传统深度学习SLAM算法具有更好的实时性和更低计算成本。
- 单位
