.png){kind=icon}
返回
Weighted multi-node joint refinement for VSLAM pose-graph robustification
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/adcce2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在视觉同步定位与建图（VSLAM）系统中，位姿图优化精度常因闭环检测中的噪声和误差而受损，尤其是在大规模或复杂环境中。本文引入一个中间处理器以应对这些挑战，并提出了一种新型算法——用于VSLAM位姿图鲁棒化的加权多节点联合精化算法（WMJR-PGO）。WMJR-PGO算法结合了空间残差映射测试以增强闭环检测，并采用加权广度优先搜索来精化位姿估计。该方法有效缓解了前端误差，并确保后端一致性。大量实验表明，WMJR-PGO算法在不同噪声水平下均实现了显著改进。在Tours数据集上，当噪声标准差为sigma r=0.5时，WMJR-PGO的优化精度比RS算法提高了63%。此外，WMJR-PGO算法在多个数据集上甚至在噪声标准差为sigma r=0.5时仍表现出更优性能，证明了其在噪声环境中的鲁棒性。所提出的中间处理器作为独立的优化模块，为迭代优化方法提供高效初始化，加速收敛并提升整体系统性能。
Keyword:
VSLAM
pose graph optimization
spatial residual mapping
weighted breadth-first-search
期刊
IF:
3.4
论文数:
2.6K
被引数:
2.3W
机构
暂无机构信息
引用论文
.png){kind=icon}
DeepSLAM: A Robust Monocular SLAM System With Unsupervised Deep LearningDeepSLAM: 具有无监督深度学习的鲁棒单目SLAM系统
OAAI
OAAI分享收藏分享收藏
查看更多内容