激光SLAM和视觉SLAM彼此优越,并且具有集成和学习的巨大潜力。

时间:2019-09-30 来源:365bet手机在线注册 作者:365bet在线体育
V-LOAM[4],视觉引导激光矫正
实际上,SLAM激光器和视觉系统通常配备辅助定位工具,例如惯性组件,涡轮里程表,卫星定位系统和室内基站定位系统。近年来,SLAM系统与其他传感器的集成引起了人们的关注。
与基于卡尔曼滤波器的松耦合融合方法不同,学者的访问点是基于非线性优化的窄耦合融合。
例如,与实时IMU和交叉校准的集成允许激光或视觉模块在操作过程中保持一定的定位精度(剧烈的加速,减速和旋转),从而避免并改善了跟踪损耗大大提高了稳定性和地图构造。
来自激光点云本身的信息仍然可以被滥用。
对于高端远程多线激光雷达,返回点云除了方向和距离信息外,还可以包括目标点反射率信息。
如果行数较大,则可以将包含反射率信息的数据视为一种纹理信息,因此可以在某种程度上享受视觉算法和纹理信息重新排列的优势。
将这些信息合并到高精度地图中后,可以在点/纹理云之间无缝更改高精度地图,因此可以使用自动驾驶汽车与经济型相机共享的高精度地图。您可以确定位置。
这也是一些外国团队的研究方向([5])。
同时,基于视觉的投影模型包括一个非常丰富的mashup游戏。
长基线和短基线的单眼和双眼的组合可以提高障碍物检测的准确性以及中短距离地图的构造,同时确保较大的定位水平。。广角鱼眼镜头和全向360度摄像机与标准的单物镜和双物镜相结合,可以进一步提高VSLAM的覆盖范围,尤其适合于以各种速度和不同速度放置场景马苏距离
被动视觉和深度摄像头的结合产生了RGB-DSLAM,这种特殊的VSLAM通过逐渐扩展深度摄像头的范围提供了更多空间。
VSLAM的另一个更具雄心的扩展是在AI的末尾。
深度端到端学习产生的图像特征远远超过了SIFT / SURF / ORB在识别和分类领域中人手选择的特征。
在低纹理和低照度的环境中,深度学习训练的提取,匹配和位置估计方法肯定会超过当前VSLAM领域中最先进的手动方法。
不用说,传达图像本身的信息可以广泛用于场景理解,场景分类,对象识别和行为预测等重要方面。
很有可能的情况是,未来的视觉处理系统将直接包含多个功能模块,例如定位,地图构建,运动计划,场景理解和交互以及更紧密的集成,以使机器人更智能是提供动作功能。
如果您想了解SLAM技术的过去,现在和将来的趋势,我建议[6]。
总结
SLAM技术为机器人和代理提供了空前的技能。
作为当前SLAM框架的主要类型,激光SLAM和可视SLAM是通过竞争和集成而开发的,带来了机器人技术和人工智能技术的真正革命,并使机器人远离实验室和房间。服务自由的人类。


------分隔线----------------------------