本文基于深度学习的语义提取技术和视觉SLAM(simultaneous localization and mapping)技术相结合,提出了一种动态SLAM算法。该算法基于三类对象的投票和语义回环,能够有效地降低动态对象对SLAM系统的性能影响,同时提高定位和建图的精度...
详细信息
本文基于深度学习的语义提取技术和视觉SLAM(simultaneous localization and mapping)技术相结合,提出了一种动态SLAM算法。该算法基于三类对象的投票和语义回环,能够有效地降低动态对象对SLAM系统的性能影响,同时提高定位和建图的精度。首先,将语义对象分为静态对象、可能动态对象和一定动态对象三类,并使用基于重投影深度误差投票的方法来识别上述语义对象的运动状态,从而消除运动目标对算法的影响。然后,进一步地使用语义相似回环优化方法,提高了回环检测的鲁棒性。在TUM的RGB-D动态数据集和KITTI数据集上的实验结果表明,本文算法的平均绝对轨迹误差相比ORB-SLAM3算法分别降低了57.13%和23.39%,验证了算法在动态场景下的鲁棒性。
随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指...
详细信息
随着WLAN的普及,基于RSS(Received Signal Strength)的室内定位方法逐渐成为研究与应用的热点。其中,基于指纹的定位方法已成为主流,此类方法的特点之一在于要求离线训练数据与在线测试数据满足独立同分布,然而,在实际环境中,现有的指纹定位方法或系统存在以下3个问题:1)不同终端设备的无线通讯硬件存在差异性,训练数据和测试数据的采集设备之间的差异性将严重影响定位精度;2)环境中的无线信号呈现高动态性,采集的数据存在显著的时效性,因此由训练数据得到的模型的定位性能将随着时间的推移不断下降;3)传统增量式定位模型需要大量的标定数据,不具有实际可用性。为解决以上问题,提出了一种针对设备差异性问题的增量式室内定位方法,利用终端在持续定位服务中采集的无标记数据来实时更新定位模型。实验表明,在实际蓝牙定位数据集上,相比于传统的定位模型方法,所提方法的整体定位精度更高,误差距离为3～5m时,其优势更为明显;同时,该方法具有时效优势,能够长时间保持有效定位。
暂无评论