以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學習資料 → 機器人SLAM學習資料大禮包

#論文# Edge-based Monocular Thermal-Inertial Odometry in Visually Degraded Environments

論文地址：https://arxiv.org/abs/2210.10033

作者單位：哈爾濱工業(yè)大學

? ? ? 由于視覺相機存在嚴重視覺退化，基于傳統(tǒng)視覺慣性里程計的復雜照明環(huán)境中的狀態(tài)估計是一項具有挑戰(zhàn)性的任務(wù)。熱紅外相機能夠全天工作，并且受照明變化的影響較小。然而，大多數(shù)現(xiàn)有的視覺數(shù)據(jù)關(guān)聯(lián)算法是不兼容的，因為熱紅外數(shù)據(jù)包含大噪聲和低對比度。受熱輻射在物體邊緣變化最顯著這一現(xiàn)象的啟發(fā)，該研究提出了ETIO，這是第一個基于邊緣的單目熱慣性里程計，用于視覺退化環(huán)境中的魯棒定位。代替原始圖像，我們利用邊緣提取的二值化圖像進行姿態(tài)估計，以克服熱紅外圖像質(zhì)量差的問題。

? ? ?然后，基于有限的邊緣信息及其距離分布，提出了一種用于魯棒數(shù)據(jù)關(guān)聯(lián)的自適應(yīng)特征跟蹤策略ADT-KLT。最后，通過將IMU預(yù)積分與所有邊緣特征觀測的重投影誤差相結(jié)合，姿態(tài)圖優(yōu)化在最近狀態(tài)的滑動窗口上執(zhí)行實時估計。我們評估了所提出的系統(tǒng)在公共數(shù)據(jù)集和真實世界實驗上的性能，并將其與最先進的方法進行了比較。所提出的ETIO被驗證為能夠全天進行準確和穩(wěn)健的定位。

本文貢獻如下：

1、提出了一種基于邊緣的熱慣性里程計ETIO，用于在視覺退化的環(huán)境中提供實時狀態(tài)估計。據(jù)我們所知，它是第一種基于邊緣的TIO，其性能超過了最先進的TIO。

2、為了提高特征跟蹤的魯棒性，提出了一種基于有限邊緣信息和距離場的自適應(yīng)距離變換輔助KLT(ADT-KLT)跟蹤器。

3、在公共數(shù)據(jù)集和真實世界中的實驗表明，該方法在全天狀態(tài)估計中達到了相當?shù)木群头€(wěn)健性。

以上內(nèi)容來自小六的機器人SLAM學習圈 每日更新內(nèi)容