以下內容來自小六的機器人SLAM學習圈知識星球每日更新內容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

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

論文地址：https://arxiv.org/pdf/2305.14885.pdf

作者單位：香港科技大學

? 在視覺同時定位與建圖(SLAM)中，回環(huán)檢測通過校正累積的位姿漂移起著關鍵作用。在室內場景中，分布豐富的語義地標具有視點不變性，在回環(huán)檢測中具有很強的描述性。目前的語義輔助回環(huán)檢測方法是在語義實例之間嵌入拓撲來搜索回環(huán)。然而，現(xiàn)有的語義輔助回環(huán)檢測方法在處理模糊的語義實例和嚴重的視角差異方面面臨挑戰(zhàn)，這些問題在文獻中并沒有得到充分的解決。針對室內場景中的視覺SLAM，提出了一種基于增量生成場景圖的回環(huán)檢測方法。它綜合考慮宏觀視圖拓撲、微觀視圖拓撲和語義實例的占有率，找出正確的對應關系。使用手持RGB-D序列進行的實驗表明，我們的方法能夠準確地檢測出變化劇烈的視點中的環(huán)路。它在觀察具有相似拓撲和外觀的對象時保持了高精度。我們的方法也證明了它在變化的室內場景中是健壯的。?

?我們基于RGB-D相機，提出了一種新的室內環(huán)境中活動場景圖與非活動場景圖匹配的回環(huán)檢測方法。與之前使用對象地圖作為前端的方法不同，我們的方法基于SceneGraphFusion構建語義地標，將重建的3D地圖實時分割為語義實例。由于語義實例是從累積建圖中提取的，因此不需要跨幀的數(shù)據(jù)關聯(lián)。在后端，我們使用隨機行走描述符來嵌入全局拓撲，使用鄰居行走描述符來嵌入每個實例的局部拓撲。除了占有相似性外，它們在尋找對應關系時也被共同考慮。該方法在稠密的室內環(huán)境中進行了實例模糊和視點差異大的評估。結果表明，該方法優(yōu)于原隨機漫步描述符方法，精度更高。在掃描相似外觀的物體時，我們的方法比SuperGlue更精確。最后，我們在變化的場景中對我們的方法進行了評估，驗證了我們的方法對場景圖中的微小差異具有魯棒性。

以上內容來自小六的機器人SLAM學習圈知識星球每日更新內容