最新SLAM论文汇总1-3

实时分享CVPR、ECCV等会议，关注深度学习、自动驾驶领域，我们期待你的加入。点击上方“CNNer”，选择加“星标”或“置顶”精选干货，当日达。

       

长按关注▲                       长按加微信▲

备注：研究方向+地点+学校/公司+昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。

【SLAM】-1-开源 | Good Graph提高了VSLAM估计的准确性和鲁棒性，及基于VSLAM的闭环导航系统的轨迹跟踪性能！

获取完整原文，公众号回复：2008.10123

 

论文地址： http://arxiv.org/pdf/2008.10123v1.pdf

代码： https://github.com/ivalab/gf_orb_slam2

来源： Facebook Reality Lab，乔治亚理工学院

论文名称：Good Graph to Optimize: Cost-Effective, Budget-Aware Bundle Adjustment in Visual SLAM

原文作者：Yipu Zhao

内容提要

视觉(惯性)SLAM (VSLAM)的成本效益是资源有限的应用的一个关键特征。虽然硬件和算法的进步极大地提高了VSLAM前端的成本效率，但VSLAM后端的成本效率仍然是一个瓶颈。本文提出了一种新的、严格的方法来提高基于BA的VSLAM后端局部BA的成本效益。Good Graph是一种有效的优化算法，该算法能有效地选择局部BA中条件保持良好的尺寸约简图。为了更好地适应基于BA的VSLAM后端，Good Graph预测未来的评估需求，动态分配适当的大小预算，并选择条件最大的子图进行BA估计。评估分两种情况进行: 1) VSLAM作为独立进程，2) VSLAM作为闭环导航系统的一部分。结果表明，在存在计算限制的情况下，Good Graph提高了VSLAM估计的准确性和鲁棒性。第二种情况的结果表明，Good Graph有利于提高基于VSLAM的闭环导航系统的轨迹跟踪性能，也就是VSLAM的主要应用。

主要框架及实验结果

 

【SLAM】-2-开源 | 北大&谷歌--提出了一种用于立体视觉惯性里程计估计的新型SLAM框架，性能SOTA！

获取完整原文，公众号回复：2009.12662

 

论文地址： http://arxiv.org/pdf/2009.12662v1.pdf

代码： https://github.com/lixin97/co-planar-parametrization.

来源： 北京大学，慕尼黑工业大学，谷歌

论文名称：Co-Planar Parametrization for Stereo-SLAM and Visual-Inertial Odometry

原文作者：Xin Li

 

内容提要

本文提出了一种用于立体视觉惯性里程计估计的新型SLAM框架。该算法建立了一种高效、鲁棒的共面点线参数化算法，利用特定的几何约束条件，提高了相机位姿优化的效率和精度。该算法主要包括2D点和线的提取、平面区域的预测以及随机抽样算法对异常值的滤波。然后，我们的参数化方案将共面点和线表示为平面的2D图像坐标和参数。我们通过与MonteCarlo模拟集中的传统参数化方法进行比较，证明了所提方法的有效性。此外，我们还将整个立体声SLAM和VIO系统与真实世界公共数据集EuRoC上的最新方法进行了比较。我们的方法在准确性和效率方面超越了目前SOTA的技术。

主要框架及实验结果

 

【SLAM】-3-开源 | Loop-box:大规模场景下的多机器人实时定位建图算法

获取完整原文，公众号回复：2009.13851

 

论文地址： http://arxiv.org/pdf/2009.13851v1.pdf

代码： https://usmanmaqbool.github.io/loop-box

来源： 香港科技大学

论文名称：Loop-box: Multi-Agent Direct SLAM Triggered by Single Loop Closure for Large-Scale Mapping

原文作者：Manohar Kuse

内容提要

在本文中，我们提出了一个可以兼容多种机器人的实时进行大规模三维重建的应用程序框架。在SLAM中，研究者们通常构建和更新3D地图通过后端非线性优化的技术进行。此外，许多多机器人建图系统中普遍使额外的传感器的来进行里程计信息的测量。这些方法通常采用计算力密集的计算机视觉算法与其他传感器进行紧耦合的方案。我们开发了一种通用的兼容不同摄像机系统，可以用于关键的具有挑战的场景和多终端系统的3D建图算法。在机器人完成第一次回环检测之后，本文提出的框架系统会被激活用于本地优化。实验结果表明，该系统仅使用单目摄像机就可实现多机器人的大规模实时定位和3D建图。 在初始匹配的基础上，该系统可以计算出多幅三维地图之间的最优比例尺差，进而估计出一种精确的大规模全局地图变换位姿。

主要框架及实验结果