微型飛行器（MAV）是機器人技術中一個快速發展的研究和開發領域。對于自主機器人操作，定位通常使用GPS、外部攝像機陣列或車載范圍或攝像頭視覺傳感進行計算。在雜亂的室內或室外環境中，車載傳感是唯一可行的選擇。在本文中，我們提出了一種僅使用低質量視覺的基于外觀的飛行MAV視覺SLAM方法。我們的方法包括一個對1000像素圖像干擾器進行操作的視覺位置識別算法、一個輕量級視覺里程算法和一個視覺期望算法。
該算法提高了位置序列的召回率以及機器人沿相似路徑飛行時召回位置序列的精度。使用從室外數據集收集的數據，我們表明該監控系統能夠對低質量、間歇性的視覺感覺數據進行視覺識別。通過將視覺算法與RatSLAM系統相結合，我們還演示了算法如何實現成功的SLAM。根據消失點方向分組的人造環境中的邊緣提供了單視圖屏蔽器約束，這些約束以前曾被用作場景理解和相機校準的先驅。考夫蘭和尤耶在《曼哈頓世界》的論文中提出了一種貝葉斯邊緣分組方法，他們假設場景中存在三個相互正交的消失方向。
我們以幾種重要的方式擴展了考夫蘭和尤耶的工作思路。我們建議使用期望最大化（EM）監控攝像頭算法對影響場景中消失點位置的所有連續參數進行搜索。由于EM在高維空間中表現良好，因此我們的方法可以優化比以前用于此任務的窮舉和隨機算法多得多的參數。除其他外，這使我們能夠在多組正交消失方向上進行優化，每個正交消失方向都會產生一個額外的自由度。EM也非常適合于圖像序列和/或移動機器人所需的遞歸估計。我們在“亞特蘭大世界”的圖像上給出了實驗結果，該圖像干擾屏蔽器是具有多個正交邊緣組的復雜城市場景，驗證了我們的方法。我們還展示了移動機器人上連續相對方位估計的結果。
該算法提高了位置序列的召回率以及機器人沿相似路徑飛行時召回位置序列的精度。使用從室外數據集收集的數據，我們表明該監控系統能夠對低質量、間歇性的視覺感覺數據進行視覺識別。通過將視覺算法與RatSLAM系統相結合，我們還演示了算法如何實現成功的SLAM。根據消失點方向分組的人造環境中的邊緣提供了單視圖屏蔽器約束，這些約束以前曾被用作場景理解和相機校準的先驅。考夫蘭和尤耶在《曼哈頓世界》的論文中提出了一種貝葉斯邊緣分組方法，他們假設場景中存在三個相互正交的消失方向。
我們以幾種重要的方式擴展了考夫蘭和尤耶的工作思路。我們建議使用期望最大化（EM）監控攝像頭算法對影響場景中消失點位置的所有連續參數進行搜索。由于EM在高維空間中表現良好，因此我們的方法可以優化比以前用于此任務的窮舉和隨機算法多得多的參數。除其他外，這使我們能夠在多組正交消失方向上進行優化，每個正交消失方向都會產生一個額外的自由度。EM也非常適合于圖像序列和/或移動機器人所需的遞歸估計。我們在“亞特蘭大世界”的圖像上給出了實驗結果，該圖像干擾屏蔽器是具有多個正交邊緣組的復雜城市場景，驗證了我們的方法。我們還展示了移動機器人上連續相對方位估計的結果。
上一篇：攝像機提高了導航系統性能
下一篇：監控干擾器所產生的副作用
