-
微信號:youuav
關(guān)注官方微信
m.youuav.com手機掃碼看新聞
-
- 添加收藏
- 關(guān)于我們
無人機整機
無人機配件
無人機服務(wù)
設(shè)備與工具近年來，使用機器學(xué)習(xí)技術(shù)進行特征提取的現(xiàn)代基于特征的 SLAM受到越來越多的關(guān)注，并有望在幾乎所有機器人工作環(huán)境中超越傳統(tǒng)方法。這種方法利用經(jīng)過訓(xùn)練的網(wǎng)絡(luò)來學(xué)習(xí)關(guān)鍵點，從而增強視覺SLAM數(shù)據(jù)關(guān)聯(lián)的魯棒性。由于資源有限，無人機上的SLAM通常會對計算造成限制。因此，提取特征點的方法在SLAM中起著關(guān)鍵作用。我們介紹了一種名為SupSLAM的視覺慣性SLAM方法，該方法基于使用稱為SuperPoint的新特征點。這些特征點是通過深度神經(jīng)網(wǎng)絡(luò)從SLAM前端的輸入圖像中提取的。我們的SLAM前端只需要一個帶有IMU作為輸入的立體相機。姿態(tài)估計由多狀態(tài)約束卡爾曼濾波器 (MSCKF)進行，而軌跡可靠性由在后端運行的圖優(yōu)化過程保持。
我們的SLAM系統(tǒng)如圖1所示。該系統(tǒng)使用立體相機作為輸入來提取環(huán)境的特征。該相機配有IMU，用于測量線加速度和角速度。然后通過前端和后端模塊處理來自輸入設(shè)備的數(shù)據(jù)。
圖1 SupSLAM系統(tǒng)概述
SuperPoint是一個完全卷積神經(jīng)網(wǎng)絡(luò)，它在單次前向傳遞中計算 2D特征點位置和描述符并運行。在我們的工作中，我們只考慮特征點來降低計算成本并保持匹配結(jié)果的一致性。使用的SuperPoint架構(gòu)如圖2所示。
圖2 SuperPoint的模型架構(gòu)
實驗中使用真實數(shù)據(jù)和合成數(shù)據(jù)。真實數(shù)據(jù)包括三個最復(fù)雜的序列。合成數(shù)據(jù)包括兩個場景，代表農(nóng)村農(nóng)場和城市區(qū)域，由我們從AirSim 開發(fā)的工具集生成，如圖3所示。農(nóng)村農(nóng)場模擬了一個地形崎嶇不平、植物種類繁多、農(nóng)業(yè)設(shè)備齊全的農(nóng)村環(huán)境。市區(qū)呈現(xiàn)出與汽車、樹木和生活場所不同的平坦區(qū)域。
圖3 用于實驗的農(nóng)村農(nóng)場和城市區(qū)域的合成場景
無人機以5m/s的速度和5m的高度沿矩形軌跡飛行，形成名為LoopF的數(shù)據(jù)集。在這些場景中，我們使用類似于用于EuRoC數(shù)據(jù)集的系統(tǒng)的無人機配置，即20Hz立體相機和200Hz IMU。然而，我們的數(shù)據(jù)集更具挑戰(zhàn)性，因為無人機在可追蹤地標(biāo)較少的環(huán)境中以更高的速度飛行更遠的距離。
我們使用兩個指標(biāo)進行性能評估，包括絕對軌跡誤差（ATE）和相對軌跡誤差（RTE）。通過首先將估計的軌跡與地面實況對齊，然后測量它們之間的差異來計算ATE，如圖4a所示。RTE是通過將估計的軌跡劃分為段dk來計算的，然后將每個段與地面真實軌跡對齊以計算誤差，如圖4b所示。
圖4 評估指標(biāo)的說明 (a) 絕對軌跡誤差和 (b) 相對軌跡誤差
圖5顯示了SuperPoint在三個場景中檢測到的特征點，包括市區(qū)、農(nóng)村農(nóng)場和機房，具有兩種不同的設(shè)置，100個和400個特征點?？梢钥闯觯吔?、邊緣、顏色變化等特征都被很好地檢測到了。此外，檢測到的特征分布在圖像中，因此算法對某些對象的依賴性較小。
圖5 Superpoint檢測到的特征點
圖6顯示了檢測到的特征點在左右圖像之間的對應(yīng)關(guān)系。可以看出，大多數(shù)特征點都被正確匹配，這意味著提取的深度信息是可靠的。
圖6 Superpoint檢測到的特征點
圖7a顯示了在不同時間Δt=0.3s捕獲的兩個圖像幀之間的特征點跟蹤。由于檢測到的特征點分布在整個圖像上，因此幀之間的公共特征點的數(shù)量得到了很好的保持，這對于穩(wěn)定的SLAM很重要。
圖7 在時間差Δt=0.3s的情況下捕獲的兩幀中（a）快速和（b）超點跟蹤結(jié)果
圖8顯示了LoopF數(shù)據(jù)集的SLAM結(jié)果，其中無人機在農(nóng)村農(nóng)場上方飛行兩圈?？梢钥闯?，即使在近500m的長距離內(nèi)，最終估計的軌跡（紅線）也能很好地跟蹤地面真實軌跡（黃線）。
圖8 LoopF 數(shù)據(jù)集的無人機軌跡包括地面實況軌跡（黃線）、前端估計（綠線）和后端估計（紅線）
為了進一步評估我們方法的性能，我們與OpenVINS 進行了比較，這是一種使用FAST進行特征提取的最先進的SLAM系統(tǒng)。圖9顯示了FAST檢測到的特征點。與SuperPoint不同，這些特征點集中在某些對象周圍，例如植物、房屋或機器。因此，如圖7b所示，當(dāng)物體移出場景時，在不同時間拍攝的圖像幀之間的共同特征點的數(shù)量顯著減少。這個問題反過來會影響SLAM結(jié)果。
圖9 FAST 檢測到的特征點
與其他特征提取方法相比，SuperPoint提供了更好的特征點分布，從而提高了快速移動場景中的跟蹤性能。由于SuperPoint是一個預(yù)訓(xùn)練網(wǎng)絡(luò)，它還需要較少的計算資源，因此適用于有效載荷和電池容量有限的無人機。
源自：2021 8th NAFOSTED Conference on Information and Computer Science (NICS)
2025-09-19 12:22
2025-09-18 11:24
2025-09-17 10:55
2025-09-16 09:27
2025-09-12 11:30
2025-09-11 10:41
2025-09-09 10:52
2025-09-04 21:58
2025-08-28 11:13
2025-08-27 14:14
