.png){kind=icon}
返回
Credibility-driven sampling for random sample consensus-based outlier removal in visual SLAM
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.115551.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
标准RANSAC在场景复杂性增加时计算成本急剧增长，扩展性差，GMS-RANSAC仍存在冗余迭代且未能打破精度-效率的权衡。为解决此问题，我们提出改进的GMS-RANSAC，这是一种新颖的基于可信度的离群点剔除方法，率先采用3×3网格邻域可信度量化和基于减半的分组策略。该方法通过3×3网格邻域匹配计数定义匹配可信度，按可信度排序匹配项，并采用基于减半的分组策略优先选择高可信度样本进行RANSAC，以取代盲目的随机采样，优化RANSAC内点概率并从根本上减少冗余迭代。在KITTI、TUM desk和TUM doll数据集上的实验表明，该方法在TUM desk上达到77.02%的精度，在其他数据集上保持与原始GMS-RANSAC相当的精度，并将平均运行时间减少了34.20%。此外，集成到ORB-SLAM2中后，系统运行时间减少4.61%，相对位姿误差降低11.7%，旋转误差降低4.9%，同时保持精度，为实时视觉SLAM提供了一种轻量化、高效的解决方案。
Keyword:
Grid-based motion statistics
Random sample consensus
Feature matching
Oriented FAST and rotated
BRIEF-simultaneous localization and mapping
