以下內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學(xué)習(xí)資料 → 機器人SLAM學(xué)習(xí)資料大禮包

ICIRS 2023｜上?？萍即髮W(xué)與美的發(fā)布“通過重新初始化實現(xiàn)單目 SLAM 的尺度跳躍感知位姿圖松弛”

【Scale jump-aware pose graph relaxation for monocular SLAM with re-initializations】

文章鏈接：https://arxiv.org/abs/2307.12326

摘要：

位姿圖松弛已成為 SLAM 不可或缺的補充，能夠在滿足成對相對變換約束的目標(biāo)下實現(xiàn)傳感器參考系的高效全局配準(zhǔn)。后者可以通過增量運動估計或全局位置識別來給出。雖然后一種情況能夠?qū)崿F(xiàn)環(huán)路閉合和漂移補償，但在單目情況下必須小心，其中結(jié)構(gòu)和位移的局部估計不僅在噪聲方面而且在比例因子方面都可能與現(xiàn)實不同。由于尺度傳播誤差的累積，該比例因子隨著時間的推移而漂移，因此引入了尺度漂移感知位姿圖松弛。我們將這個想法擴展到后續(xù)傳感器幀之間的相對尺度未知的情況，如果單目 SLAM 進入重新初始化并且無法識別連續(xù)局部地圖之間的可靠重疊，則很容易發(fā)生這種情況。該方法是通過混合姿態(tài)圖公式實現(xiàn)的，該公式將常規(guī)相似性一致性項與新的尺度盲約束相結(jié)合。我們將該技術(shù)應(yīng)用于能夠?qū)崿F(xiàn)純旋轉(zhuǎn)位移的小型室內(nèi)服務(wù)機器人的實際相關(guān)案例，這種情況很容易導(dǎo)致跟蹤失敗。我們證明，即使沿循環(huán)發(fā)生多次重新初始化，也可以恢復(fù)全局一致的軌跡，并對成功和失敗案例進行了深入研究。

以上內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈知識星球每日更新內(nèi)容

最后介紹一下我們最近的幾個學(xué)習(xí)活動

1、從零掌握GNSS、RTK定位

2、從零開始ChatGPT編程

3、視覺動態(tài)SLAM方向全梳理

4、超棒的機器人SLAM圈！