(相关资料图)

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# Towards View-invariant and Accurate Loop Detection Based on Scene Graph

论文地址：/pdf/

作者单位：香港科技大学

在视觉同时定位与建图(SLAM)中，回环检测通过校正累积的位姿漂移起着关键作用。在室内场景中，分布丰富的语义地标具有视点不变性，在回环检测中具有很强的描述性。目前的语义辅助回环检测方法是在语义实例之间嵌入拓扑来搜索回环。然而，现有的语义辅助回环检测方法在处理模糊的语义实例和严重的视角差异方面面临挑战，这些问题在文献中并没有得到充分的解决。针对室内场景中的视觉SLAM，提出了一种基于增量生成场景图的回环检测方法。它综合考虑宏观视图拓扑、微观视图拓扑和语义实例的占有率，找出正确的对应关系。使用手持RGB-D序列进行的实验表明，我们的方法能够准确地检测出变化剧烈的视点中的环路。它在观察具有相似拓扑和外观的对象时保持了高精度。我们的方法也证明了它在变化的室内场景中是健壮的。 

我们基于RGB-D相机，提出了一种新的室内环境中活动场景图与非活动场景图匹配的回环检测方法。与之前使用对象地图作为前端的方法不同，我们的方法基于SceneGraphFusion构建语义地标，将重建的3D地图实时分割为语义实例。由于语义实例是从累积建图中提取的，因此不需要跨帧的数据关联。在后端，我们使用随机行走描述符来嵌入全局拓扑，使用邻居行走描述符来嵌入每个实例的局部拓扑。除了占有相似性外，它们在寻找对应关系时也被共同考虑。该方法在稠密的室内环境中进行了实例模糊和视点差异大的评估。结果表明，该方法优于原随机漫步描述符方法，精度更高。在扫描相似外观的物体时，我们的方法比SuperGlue更精确。最后，我们在变化的场景中对我们的方法进行了评估，验证了我们的方法对场景图中的微小差异具有鲁棒性。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容

标签：