研究目的
研究开发一种在线物体级SLAM系统,用于在杂乱室内场景中构建任意重建物体的持久且精确的三维图谱地图。
研究成果
该系统能够对真实杂乱室内场景中大量未知形状的物体进行一致的实例映射与分类。它构建的长期地图聚焦于场景中最关键的物体元素,并采用随物体尺寸变化的动态分辨率。未来工作包括解决检测过滤与场景覆盖之间的平衡问题,以及将面向对象的表示方法扩展至移动物体建模。
研究不足
该系统假设环境是静态的,目前尚不旨在追踪单个动态物体。在过滤检测结果与提供良好的场景覆盖范围之间需要取得平衡,这导致随着时间的推移,部分物体的重建结果会不断增加且变得杂乱。
1:实验设计与方法选择:
该系统采用Mask-RCNN实例分割技术,以依赖物体尺寸的分辨率和新型三维前景掩模初始化紧凑的逐物体TSDF重建。
2:样本选择与数据来源:
系统在杂乱办公室场景的手持RGB-D序列上进行了验证。
3:实验设备与材料清单:
RGB-D相机、英特尔酷睿i7-5820K CPU及英伟达GeForce GTX1080 Ti GPU。
4:实验流程与操作步骤:
系统通过存储在可优化六自由度位姿图中的重建物体执行跟踪、重定位和闭环检测。
5:数据分析方法:
在RGB-D SLAM基准测试中,该系统的轨迹误差通过与基线方法对比进行定量评估。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容