融合改进SuperPoint网络的鲁棒单目视觉惯性SLAM

摘要：

单目视觉惯性SLAM系统通过追踪人工设计的点特征来恢复位姿,如Shi-Tomasi,FAST等.然而光照或视角变化等挑战性场景中人工特征提取鲁棒性差,易导致位姿计算精度低甚至失败.启发于SuperPoint网络在特征提取的强鲁棒性,提出一种基于改进SuperPoint网络的单目VINS系统—CNN-VINS,旨在提升挑战性环境下VINS系统的鲁棒性.主要贡献包括:提出改进SuperPoint特征提取网络,通过动态调整检测阈值实现图像特征点均匀检测和描述,构建鲁棒精确的特征关联信息;将改进SuperPoint特征点提取网络与VINS系统的后端非线性优化、闭环检测模块融合,提出一个完整的单目视觉惯性SLAM系统;对网络的编码层和损失函数优化调整,并验证网络编码层对VINS系统定位精度的影响.在公共评测数据集EuRoc实验结果表明,相比国际公认的VINS-Mono系统,所提系统在光照剧烈变化的挑战性场景中定位精度提升15％;对光照变化缓慢的简单场景,绝对轨迹误差均值保持在0.067～O.069 m.

关键词：单目视觉惯性系统、特征提取网络、同时定位与建图、位姿估计、特征编码

所属期刊栏目：42

分类号：TP242;TH74(自动化技术及设备)

资助基金：国家自然科学基金;国家自然科学基金;湖南省科技计划重点项目;航空科学基金;郴州市科技计划

在线出版日期：2021-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：116-126