摘要
结构化场景中,存在着低纹理表面为特征的人造环境,基于点特征的SLAM(Simultaneous Localization and Mapping,同时定位与地图构建)算法难以得到足够的匹配点对,从而导致相机估计运动失败.除了点之外,结构化环境提供了大量的几何特征,例如线和平面.因此,提出一种基于点线面特征融合的SLAM算法.算法将基于深度学习的SuperPoint点特征与传统线面特征相结合,利用结构化场景的特性,将位姿解耦细化.首先,使用线面特征构建MW(Manhattan World,曼哈顿世界)坐标系,利用每一时刻相机与MW坐标系的相对旋转得到相机之间的旋转矩阵;然后,构建点线面特征的重投影误差函数,通过最小化联合误差函数得到平移矩阵;最后,根据结构化环境下平面间相互垂直和平行的特性添加约束函数,同时为弥补环境中出现不严格遵守MW假设的情况,使用关键帧构建的局部地图投影到当前帧进一步优化位姿.在TUM公开数据集上与主流方法对比表明,该算法有效提升了结构化低纹理环境下的SLAM定位精度.
国家科技期刊平台
NSTL
维普
万方数据