Indoor simultaneous localization and mapping based on fringe projection profilometry
Nanjing University of Science and Technology(南京理工大学)
同时定位与地图构建(SLAM)在从自动驾驶到室内机器人的室外和室内应用中起着重要作用。在LiDAR或GPS的辅助下,室外SLAM已经被广泛使用。对于室内应用,LiDAR技术不能满足精度要求,并且GPS信号会丢失。室内SLAM需要一种准确、高效的场景感知技术。作为最有前途的3D感测技术,具有条纹投影轮廓术(FPP)系统的室内SLAM的机会是显而易见的,但是迄今为止的方法还没有完全利用这种系统提供的感测的准确性和速度。在本文中,我们提出了一种新的基于FPP的室内SLAM方法的基础上的FPP的坐标转换关系,其中2D到3D的投影辅助用于映射和定位。匹配描述符生成的对应关系用于快速准确的映射,并且2D和3D描述符之间的变换估计用于定位传感器。实验结果表明,该方法可以实现1 mm左右的定位和映射精度。
2022-04-23 cs.CV cs.RO
RaNDT SLAM: Radar SLAM Based on Intensity-Augmented Normal Distributions Transform
RWTH Aachen University(亚琛工业大学);Munich Institute of Robotics and Machine Intelligence, TU Munich(慕尼黑工业大学慕尼黑机器人与机器智能研究所);University of Augsburg(奥格斯堡大学)
本文提出RaNDT SLAM,一种基于雷达强度增强正态分布变换的快速且准确的雷达SLAM框架,通过融合运动模型、IMU和配准数据估计运动,并在室内外多模态新数据集及Oxford Radar RobotCar上进行了评估。
2024-08-21 cs.CV cs.RO eess.SP
DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing
College of Intelligence Science and Technology, National University of Defense Technology(国防科技大学智能科学学院)
DK-SLAM提出一种结合MAML优化关键点网络、由粗到细跟踪及在线二进制特征回环检测的单目视觉SLAM,在公开数据集上超越ORB-SLAM3等系统,提升复杂环境下的定位精度与鲁棒性。
2024-06-25 cs.CV cs.RO
Floorplan-SLAM: A Real-Time, High-Accuracy, and Long-Term Multi-Session Point-Plane SLAM for Efficient Floorplan Reconstruction
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所多模态人工智能系统国家重点实验室);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);College of Information Science and Technology, Beijing University of Chemical Technology(北京化工大学信息科学与技术学院)
本文提出Floorplan-SLAM,一种紧耦合多会话点-平面SLAM系统,通过鲁棒平面提取和实时增量平面图重建模块,仅用立体相机实现了高精度、长期的平面图重建,大幅超越现有方法的精度与速度。
2025-03-05 cs.CV cs.RO
IV-SLAM: Introspective Vision for Simultaneous Localization and Mapping
University of Texas at Austin(德克萨斯大学奥斯汀分校)
视觉同时定位与地图构建(V-SLAM)的现有解决方案假设特征提取和匹配中的误差是独立且同分布(i.i.d)的,但是已知该假设不是真的-从图像的低对比度区域提取的特征比来自尖角的特征表现出更宽的误差分布。此外,当感测到的图像包括诸如镜面反射、镜头光斑或动态对象的阴影之类的挑战性条件时,V-SLAM算法易于发生灾难性的跟踪故障。为了解决这些问题,以前的工作集中在构建更强大的视觉前端,以过滤掉具有挑战性的功能。在本文中,我们提出了SLAM(IV-SLAM)的内省愿景,这是一种解决这些挑战的根本不同的方法。IV-SLAM明确地将来自视觉特征的重投影误差的噪声过程建模为上下文相关的,并且因此非独立同分布。我们引入了一个自主监督的方法IV-SLAM收集训练数据,学习这样一个上下文感知的噪声模型。使用该学习的噪声模型,IV-SLAM引导特征提取从图像的可能导致较低噪声的部分中选择更多特征,并且进一步将学习的噪声模型并入联合最大似然估计中,从而使其对上述类型的误差具有鲁棒性。我们提出的实证结果表明,IV-SLAM 1)能够准确地预测输入图像中的误差来源,2)与V-SLAM相比,减少了跟踪误差,3)与V-SLAM相比,在具有挑战性的真实机器人数据上,跟踪失败之间的平均距离增加了70%以上。
2020-11-18 cs.CV cs.RO
OASIS: Optimal Arrangements for Sensing in SLAM
Northeastern University(东北大学);McMaster University(麦克马斯特大学)
本文在 SLAM 背景下通过信息论研究传感器布置问题,将其形式化为 E-最优性准则下的子集选择,并结合贪婪选择与凸松弛验证高效恢复最优设计,实验表明 OASIS 在视觉 SLAM 估计均方误差上优于基准。
2024-03-21 cs.RO
GelSLAM: A Real-time, High-Fidelity, and Robust 3D Tactile SLAM System
Carnegie Mellon University(卡内基梅隆大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
GelSLAM通过触觉传感实现实时高保真3D SLAM,以高精度重建物体形状并提升手部操作任务的鲁棒性。
2026-02-15 cs.CV cs.RO
Mag4D-SLAM Dataset: A Repeated-Traversal Multi-Modal 4D Geomagnetic Dataset for Localization and Mapping
Department of Robotics and Mechatronics Engineering, DGIST(大邱庆北科学技术院机器人与机电工程系)
该研究提出Mag4D-SLAM这一首个大规模室外地磁SLAM数据集,含多传感器同步测量与地面真值姿态。通过重复遍历实验分析磁场重复性等特性,支持偏航漂移缓解等研究,还能开启地磁传感补充其他模态及应对特殊情况的新研究。
2026-07-27 cs.RO
DXSLAM: A Robust and Efficient Visual SLAM System with Deep Features
Tsinghua University(清华大学);Beijing Jiaotong University(北京交通大学);Intel Corporation(英特尔公司)
鲁棒、高效的同时定位与地图构建(SLAM)系统是实现机器人自主性的关键。对于视觉SLAM算法,虽然理论框架已经建立,但特征提取和关联在大多数情况下仍然是经验性设计,在复杂环境中可能很脆弱。本文表明,使用深度卷积神经网络(CNN)进行的特征提取可以无缝集成到现代SLAM框架中。所提出的SLAM系统利用最先进的CNN来检测每个图像帧中的关键点,并且不仅给出关键点描述符,而且给出整个图像的全局描述符。然后,这些局部和全局特征被不同的SLAM模块使用,从而与使用手工制作的特征相比,对环境变化和视点变化具有更强的鲁棒性。我们还训练了一个视觉词汇的地方特色与词袋(BoW)的方法。基于局部特征、全局特征和词汇表,建立了一种高可靠性的循环闭合检测方法。实验结果表明,所有提出的模块显着优于基线,整个系统实现了更低的轨迹误差和更高的正确率对所有评估数据。此外,通过使用Intel OpenVINO工具包优化CNN并利用Fast BoW库,系统极大地受益于现代CPU中的SIMD(单指令多数据)技术。整个系统可以在没有任何GPU或其他加速器的情况下实时运行。该代码在https://github.com/ivipsourcecode/dxslam上公开。
2020-08-12 cs.CV cs.RO
A Real-time Degeneracy Sensing and Compensation Method for Enhanced LiDAR SLAM
Wuhan University(武汉大学);State Key Laboratory of Surveying, Mapping and Remote Sensing(测绘遥感信息工程国家重点实验室);Beijing Automation Control Equipment Research Institute(北京自动化控制设备研究所)
针对非结构化环境下LiDAR点云特征稀疏导致多传感器融合精度退化的问题,提出基于退化因子与DBSCAN聚类的实时退化感知补偿方法,融合LiDAR与IMU提升SLAM精度鲁棒性。
2024-12-10 cs.RO
LST-SLAM: A Stereo Thermal SLAM System for Kilometer-Scale Dynamic Environments
PEAK-Lab, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)峰值实验室);School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电子与电气工程学院)
LST-SLAM通过结合自监督学习、立体跟踪和几何优化,实现了在动态大规模环境中高鲁棒性和精度的热SLAM系统。
2026-02-24 cs.CV cs.RO
Weighted Conformal LiDAR-Mapping for Structured SLAM
University of León(莱昂大学);Complutense University of Madrid(马德里康普顿斯大学);TRESCA Ingeniería S.A.(TRESCA工程公司)
本文提出加权共形LiDAR建图(WCLM),通过共形Möbius变换提取多边形轮廓并传播不确定性,在低成本二维LiDAR数据上验证,显著提升了SLAM的计算效率。
2024-02-03 cs.RO
The STDyn-SLAM: A stereo vision and semantic segmentation approach for SLAM in dynamic outdoor environments
Centro de Investigaciones en Óptica(光学研究中心)
通常,SLAM算法专注于静态环境,然而,存在存在动态对象的若干场景。本文提出了一种基于图像特征的SLAM系统STDyn-SLAM,该系统在动态环境中使用一系列子系统,如光流、球体特征提取、视觉里程计和卷积神经网络来识别场景中的运动物体。神经网络用于支持目标检测和分割,以避免错误的地图和错误的系统定位。STDyn-SLAM采用立体声对,并为户外环境开发。此外,所提出的系统的处理时间是足够快的实时运行,因为它是通过在真实的动态户外环境中给出的实验证明。此外,我们比较我们的SLAM与国家的最先进的方法取得了可喜的成果。
2021-03-30 cs.RO
SR-SLAM: Scene-reliability Based RGB-D SLAM in Diverse Environments
School of Information Science, Japan Advanced Institute of Science and Technology(信息科学学院,日本先进科学研究院)
针对现有基于特征的SLAM在多变环境下适应性与环境感知能力不足的问题,提出基于场景可靠性的SRR-SLAM框架,通过多模块自适应优化,在多样环境下精度与鲁棒性最高提升90%。
2025-09-01 cs.RO
Incorporating Point Uncertainty in Radar SLAM
Cheng Kar-Shun Robotics Institute, Hong Kong University of Science and Technology(香港科技大学郑家纯机器人研究所);Hong Kong Center for Construction Robotics(香港建筑机器人中心)
本文针对雷达SLAM中感知稀疏和噪声问题,提出在极坐标下建模雷达点不确定性并集成到数据关联与后端状态估计中,实验验证了该方法能有效提升雷达SLAM系统性能。
2025-01-01 cs.RO
Swarm-SLAM : Sparse Decentralized Collaborative Simultaneous Localization and Mapping Framework for Multi-Robot Systems
Polytechnique Montréal(蒙特利尔理工学院)
本文提出开源多机器人协同SLAM系统Swarm-SLAM,通过稀疏去中心化架构和回环闭合优先级排序技术,在减少通信的同时加速收敛,支持多种传感器并在多数据集和真实三机器人实验中验证。
2024-01-12 cs.CV cs.RO
SLAM Endoscopy enhanced by adversarial depth prediction
Johns Hopkins University(约翰斯·霍普金斯大学)
医学内窥镜仍然是一个具有挑战性的应用,同时定位和映射(SLAM)由于图像特征的稀疏性和大小的限制,防止直接的深度传感。我们提出了一种SLAM方法,该方法结合了由应用于单眼内窥镜图像的逆向训练的卷积神经网络(CNN)进行的深度预测。深度网络使用简单结肠模型的合成图像进行训练,然后使用从人类结肠的计算机断层扫描测量结果渲染的域随机化照片级逼真图像进行微调。每个图像都与无错误的深度图配对,用于监督对抗学习。然后将单目RGB图像与相应的深度预测融合,从而在内窥镜通过胃肠道前进时实现密集重建和拼接。我们的初步结果表明,将单目深度估计到SLAM架构中可以实现内窥镜场景的密集重建。
2019-06-29 cs.CV cs.RO eess.IV
Deep Learning-Powered Visual SLAM Aimed at Assisting Visually Impaired Navigation
Institute of Computer Science, ZHAW School of Engineering(苏黎世应用科技大学工程学院计算机科学研究所);Department of Informatics, University of Zurich(苏黎世大学信息学系)
本文提出SELM-SLAM3框架,结合SuperPoint和LightGlue提升特征提取与匹配鲁棒性,在低纹理、运动模糊等挑战性条件下实现更精确的定位与跟踪,提升视障导航可靠性。
2026-04-09 cs.CV cs.RO
Wildcat: Online Continuous-Time 3D Lidar-Inertial SLAM
DATA61, CSIRO(联邦科学与工业研究组织数据61所)
我们提出了野猫,一种新的在线三维激光雷达惯性SLAM系统具有特殊的通用性和鲁棒性。在其核心,野猫结合了一个强大的实时激光雷达惯性里程计模块,利用连续时间轨迹表示,与一个高效的姿态图优化模块,无缝支持单智能体和多智能体设置。野猫的鲁棒性最近在DARPA地下挑战赛中得到了证明,在各种类型的感知退化和感知挑战环境中,它的表现优于其他SLAM系统。在本文中,我们在各种新的和公开的真实世界数据集中广泛评估了野猫,并展示了其优于现有的两个最先进的激光雷达惯性SLAM系统的鲁棒性和多功能性。
2022-05-25 cs.RO
A Benchmark for Multi-Modal Lidar SLAM with Ground Truth in GNSS-Denied Environments
University of Turku(图尔库大学)
基于激光雷达的同时定位与地图构建(SLAM)方法在自主机器人系统中获得了相当大的成功。这在一定程度上是由于强大的SLAM算法的高精度以及新的低成本激光雷达产品的出现。这项研究对当前最先进的激光雷达SLAM算法进行了基准测试,其中多模态激光雷达传感器设置展示了不同的扫描模式(旋转和固态)和传感技术,以及安装在移动传感和计算平台上的激光雷达相机。我们扩展了我们以前的多模态多激光雷达数据集与额外的序列和新的来源的真值数据。具体而言,我们提出了一种新的多模态多激光雷达SLAM辅助和ICP为基础的传感器融合方法生成真值地图。有了这些地图,我们然后使用自然分布变换(NDT)方法匹配实时点云数据,以获得具有全6自由度位姿估计的真值。这种新颖的真值数据利用了高分辨率旋转和固态激光雷达。我们还包括新的开放道路序列与GNSS-RTK数据和额外的室内序列与运动捕捉(MOCAP)真值,补充以前的森林序列与MOCAP数据。我们进行了十个不同的SLAM算法和激光雷达组合实现的定位精度的分析。我们还报告了四种不同计算平台和总共五种设置(Intel和Jetson ARM CPU)的资源利用率。我们的实验结果表明,目前最先进的激光雷达SLAM算法执行不同类型的传感器非常不同。更多结果、代码和数据集可以在以下位置找到:\href{https://github.com/TIERS/tiers-lidars-datase…
2022-10-03 cs.RO
A Variational Observation Model of 3D Object for Probabilistic Semantic SLAM
Seoul National University(首尔大学)
我们提出了一个贝叶斯对象观察模型的完全概率语义SLAM。近年来,目标检测和特征提取的研究对于场景理解和3D地图绘制具有重要意义。然而,3D形状的对象是太复杂,制定的概率观测模型,因此,执行贝叶斯推理的面向对象的功能,以及他们的姿态是考虑较少。此外,当配备有RGB单色相机的机器人仅观察物体的投影的单个视图时,大量的3D形状信息被丢弃。由于这些限制,使用体积3D对象形状的语义SLAM和视点无关循环闭合是具有挑战性的。为了使概率语义SLAM的完整配方,我们近似的观察模型的3D对象具有易处理的分布。我们还估计从对象的2D图像的变分似然利用其观察到的单视图。为了评估所提出的方法,我们进行姿势和特征估计,并证明自动闭环无缝工作,无需额外的循环检测器在各种环境中。
2018-09-14 cs.CV cs.RO
Crowd-sensing Simultaneous Localization and Radio Fingerprint Mapping based on Probabilistic Similarity Models
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学);University of Moratuwa(莫拉图瓦大学)
同时定位与地图构建(SLAM)在过去几年中已经得到了丰富的研究,特别是关于基于距离或基于视觉的传感器。与其部署使用视觉功能的专用设备,不如利用无线电功能来实现这一任务,因为它们无处不在的性质和Wifi无线网络的广泛部署。在本文中,我们提出了一种新的方法,人群感知同时定位和无线电指纹映射(C-SLAM-RF)在大型未知的室内环境。所提出的系统利用接收信号强度(RSS)从周围的无线接入点(AP)和运动跟踪数据从智能手机(探戈作为一个例子)。这些测量是在多个用户在未知环境中行走期间捕获的,而没有地图信息和AP的位置。实验是在一所大学的建筑物与动态环境中进行的,结果表明,该系统能够估计一组用户的轨迹与1.74米的精度相比,从基于点云的SLAM获得的地面实况。
2019-04-26 cs.RO
Visual SLAMMOT Considering Multiple Motion Models
Department of Automation, Shanghai Jiao Tong University(自动化系,上海交通大学);École d’Ingénieurs Paris SJTU (SPEIT)(巴黎工程学院SJTU(SPEIT))
本文提出一种考虑多种运动模型的视觉SLAMMOT方法,通过紧耦合SLAM与MOT克服传统独立模块的局限,验证了IMM-SLAMMOT在视觉领域的可行性与优势。
2025-08-14 cs.AI cs.CV cs.RO
Amos-SLAM: An Anti-Dynamics Two-stage SLAM Approach
Northeastern University(东北大学);Microsoft(微软)
传统的同时定位与地图构建(SLAM)系统依赖于静态环境的假设,并且当动态对象存在于背景中时不能准确地估计系统的位置。虽然基于学习的动态SLAM系统在处理未知移动对象方面存在困难,但基于几何的方法在解决未识别动态对象对位置估计的残余影响方面的成功有限。为了解决这些问题,我们提出了一个反动态两阶段SLAM方法。首先,利用光流跟踪和模型生成方法,提取先验和非先验动态目标的潜在运动区域,快速获得用于动态判别的位姿估计。其次,通过动态判断去除每帧图像中的动态点;对于非先验动态对象,我们提出了一种方法,使用超像素提取和几何聚类来确定潜在的运动区域的基础上的颜色和几何信息的图像。在一个公开的RGB-D数据集上对多个低动态和高动态序列的评估表明,我们提出的方法优于最先进的动态SLAM方法。
2023-02-23 cs.RO
VIP-SLAM: An Efficient Tightly-Coupled RGB-D Visual Inertial Planar SLAM
Zhejiang University(浙江大学);SenseTime Research(商汤科技研究院)
在本文中,我们提出了一个紧密耦合的SLAM系统融合RGB,深度,IMU和结构化平面信息。传统的基于稀疏点的SLAM系统总是维护大量的地图点来对环境进行建模。大量的地图点给我们带来了很高的计算复杂性,使得它很难部署在移动设备上。另一方面,在人造环境中,尤其是在室内环境中,平面是常见的结构。我们通常可以使用少量的平面来表示一个大场景。因此,本文的主要目的是降低基于稀疏点的SLAM的高复杂度。我们建立了一个轻量级的后端地图,它由几个平面和地图点,以实现有效的光束法平差(BA)具有相同或更好的精度。我们使用单应性约束来消除优化中大量平面点的参数,降低BA的复杂度。通过分离单应性约束和点-面约束中的参数和测量值,并对测量值部分进行压缩,进一步有效地提高了BA的速度。我们还将平面信息集成到整个系统中,以实现鲁棒的平面特征提取、数据关联和全局一致的平面重建。最后,我们进行了烧蚀研究,并将我们的方法与模拟和真实环境数据中的类似方法进行了比较。该系统在准确性和效率上具有明显的优势。即使优化涉及平面参数,我们也通过使用平面结构有效地简化了后端映射。全局光束法平差比基于稀疏点的SLAM算法快近2倍。
2022-07-04 cs.CV cs.RO
Wi-Closure: Reliable and Efficient Search of Inter-robot Loop Closures Using Wireless Sensing
Harvard University(哈佛大学);John A. Paulson School of Engineering and Applied Sciences(约翰·A·保尔森工程与应用科学学院);Technical University of Delft(代尔夫特理工大学);Faculty of Mechanical, Maritime and Materials Engineering(机械、海事与材料工程学院)
在本文中,我们提出了一种新的算法,Wi-Closure,以提高计算效率和鲁棒性的环路闭合检测多机器人SLAM。我们的方法减少了经典方法的计算开销,通过修剪潜在的循环闭合的搜索空间,然后由一个典型的多机器人SLAM管道进行评估。Wi-Closure通过使用机器人之间的无线通信信号来识别空间上彼此接近的候选人来实现这一点,即使它们在非视线范围内或在环境的偏远区域彼此操作。我们证明了我们的方法在仿真和硬件实验的有效性。我们的研究结果表明,使用Wi-closure大大减少了计算时间,与多机器人SLAM基线相比,在仿真中减少了54%,在硬件中减少了77%。重要的是,这是在不牺牲精度的情况下实现的。使用Wi-Closure在仿真中减少了99%的绝对轨迹估计误差,在硬件实验中减少了89.2%。这种改进部分是由于Wi-Closure能够避免灾难性的优化失败,这种失败通常发生在具有挑战性的重复环境中的经典方法中。
2022-11-23 cs.RO
Collaborative Radio SLAM for Multiple Robots based on WiFi Fingerprint Similarity
Singapore University of Technology and Design(新加坡科技设计大学);Southwest University of Science and Technology(西南科技大学);Nanyang Technological University(南洋理工大学)
同时定位与地图构建(SLAM)使自主机器人能够在未知环境中导航和执行任务。然而,利用单个机器人在大型环境中执行SLAM是低效的,并且视觉或基于LiDAR的SLAM需要计算上昂贵的特征提取和匹配算法。在本文中,我们提出了一种协作SLAM方法与多个机器人使用的普及WiFi无线电信号。提出了一种集中式的解决方案,以优化轨迹的基础上里程计和无线电指纹收集从多个机器人。为了提高定位精度,引入了一种新的相似性模型,该模型结合了接收信号强度(RSS)和接入点(AP)的检测可能性。我们进行了大量的实验,以证明所提出的相似性模型和协作SLAM框架的有效性。
2021-10-20 cs.RO
SMapper: A Multi-Modal Data Acquisition Platform for SLAM Benchmarking
Automation and Robotics Research Group (ARG), Interdisciplinary Centre for Security, Reliability, and Trust (SnT), University of Luxembourg(卢森堡大学自动化与机器人研究组(ARG)、安全、可靠与信任跨学科研究中心(SnT))
SMapper是一种用于SLAM基准测试的多模态数据采集平台,通过开放硬件设计和可重复的数据收集,提供高精度的SLAM数据集和基准测试结果,推动SLAM算法的发展和评估。
2025-10-10 cs.RO
HE-SLAM: a Stereo SLAM System Based on Histogram Equalization and ORB Features
Beihang University(北京航空航天大学);University of Technology of Troyes(特鲁瓦技术大学)
在现实生活环境中,由于突然出现的窗户、灯光和遮挡光源的物体,视觉SLAM系统很容易捕捉到由于过度曝光或过度黑暗而导致的低对比度图像。此时,直接基于像素亮度信息估计摄像机运动的方法是不可行的,不经过图像处理往往很难找到足够的有效特征点。本文提出了一种结合直方图均衡化和ORB特征提取的新方法HE-SLAM,该方法在更多场景下具有较好的鲁棒性,尤其是在低对比度图像的分割阶段。由于HE-SLAM使用直方图均衡化来提高图像的对比度,因此可以在低对比度图像中提取足够的有效特征点,用于后续的特征匹配、关键帧选择、光束法平差和环路闭合检测。所提出的HE-SLAM已在流行的数据集(如KITTI和EuRoc)上进行了测试,并通过将系统运行时间和绝对轨迹误差(ATE)的均方差(RMSE)与最先进的方法(如ORB-SLAM 2)进行比较,证明了系统的实时性能和鲁棒性。
2019-02-09 cs.RO
VP-SLAM: A Monocular Real-time Visual SLAM with Points, Lines and Vanishing Points
School of ECE, NTUA(雅典国家技术大学电子与计算机工程学院)
传统的单目视觉同时定位与地图构建(vSLAM)系统可以分为三类:使用特征的系统、依赖图像本身的系统和混合模型。在基于特征的方法的情况下,新的研究已经发展到使用点之外的几何图元(如直线和平面)从其环境中融入更多信息。这是因为在许多环境中,这些环境是以曼哈顿世界为特征的人造环境,诸如线和平面的几何图元占据了环境中的大部分空间。这些方案的开发可以导致引入能够优化Visual SLAM系统的轨迹的算法,并且还有助于构建丰富的地图。因此,我们提出了一个实时的的单目视觉SLAM系统,它结合了实时的的直线和VP提取方法,以及利用消失点来估计机器人的平移和改善其旋转的两种策略。特别是,我们建立在ORB-SLAM 2上,这被认为是目前最先进的解决方案,在精度和效率方面,并将其公式扩展到处理直线和VP,以创建两个策略:第一个优化旋转,第二个从已知旋转中细化平移部分。首先,我们使用实时的方法提取VP,并将其用于全局旋转优化策略。其次,我们提出了一种平移估计方法,利用最后一级旋转优化建模的线性系统。最后,我们在TUM RGB-D基准测试上对我们的系统进行了评估,并证明了所提出的系统达到了最先进的结果,并且实时的运行,其性能仍然接近原始的ORB-SLAM 2系统
2022-10-28 cs.CV cs.RO
HS-SLAM: A Fast and Hybrid Strategy-Based SLAM Approach for Low-Speed Autonomous Driving
CQU(重庆大学);BYD(比亚迪);CMTT
提出混合框架HS-SLAM,通过IMU位姿估计与多层直接方法实现快速且高精度的视觉惯性SLAM,在EuRoC MAV数据集上较ORB-SLAM3定位精度更高且平均跟踪效率提升15%。
2025-05-27 cs.RO
CudaSIFT-SLAM: multiple-map visual SLAM for full procedure mapping in real human endoscopy
Instituto de Investigación en Ingeniería de Aragón (I3A)(阿拉贡工程研究所);Universidad de Zaragoza(萨拉戈萨大学)
针对人体结肠镜中视觉SLAM频繁跟踪丢失的问题,提出CudaSIFT-SLAM,采用SIFT特征和暴力匹配替代ORB和DBoW2,实现实时多地图建图与重定位,显著提升建图覆盖率。
2024-05-27 cs.CV cs.RO
A Review on Visual-SLAM: Advancements from Geometric Modelling to Learning-based Semantic Scene Understanding
University of Sydney(悉尼大学)
同时定位和地图绘制(SLAM)是自主移动机器人的基本问题之一,机器人需要重建以前看不见的环境,同时相对于地图定位自己。特别地,Visual-SLAM使用来自移动机器人的各种传感器来收集和感测地图的表示。传统上,基于几何模型的技术被用来解决SLAM问题,这往往是在具有挑战性的环境下容易出错。计算机视觉的最新进展,例如深度学习技术,提供了一种数据驱动的方法来解决视觉SLAM问题。本文综述了使用各种基于学习的方法在可视化SLAM领域的最新进展。首先,我们提供了一个简洁的概述几何模型为基础的方法,其次是对当前的范例在SLAM的技术评论。然后,我们提出了各种基于学习的方法来收集来自移动机器人的感官输入和执行场景理解。基于深度学习的语义理解的当前范例进行了讨论,并放置在视觉SLAM的背景下。最后,我们讨论了挑战和进一步的机会,在基于学习的方法在Visual-SLAM的方向。
2022-09-12 cs.AI cs.RO
DiffRadar: Differentiable Physics-Aware Radar SLAM with Gaussian Fields
Clemson University(克莱姆森大学)
研究针对现有雷达SLAM系统不足,提出DiffRadar,将雷达观测建模为可微高斯场,通过可微雷达前向模型联合优化位姿与场景结构,经实验验证该方法能显著提升轨迹精度、地图一致性并保持实时性能。
2026-07-15 cs.RO cs.SY eess.SY
eSLAM: An Energy-Efficient Accelerator for Real-Time ORB-SLAM on FPGA Platform
Beihang University(北京航空航天大学);Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University(北京航空航天大学大数据与脑计算北京高级创新中心);Duke University(杜克大学)
同时定位与地图构建(SLAM)是实现自主导航的关键任务。然而,由于SLAM算法的计算复杂度,在低功耗平台上实现实时性非常困难(Oriented-FAST and Rotated- BRIEF)的视觉SLAM系统,在FPGA平台上加速了最耗时的特征提取和匹配阶段,原始ORB描述符模式被改造为旋转对称方式,这对硬件友好得多。进一步利用包括重新调度和并行化的优化来提高吞吐量并减少内存占用。与TUM数据集上的Intel i7和ARM Cortex-A9 CPU相比,我们的FPGA实现分别实现了高达3倍和31倍的帧速率提升,以及高达71倍和25倍的能效提升。
2019-06-03 cs.CV cs.RO eess.IV
Evaluating geometric accuracy of NeRF reconstructions compared to SLAM method
UC Santa Cruz(加州大学圣克鲁兹分校);Electrical and Computer Engineering(电气与计算机工程学院)
本文评估了基于iPhone和机器人数据的两种NeRF重建在测量垂直PVC圆柱体直径时的几何精度,并与最先进的lidar-inertial SLAM在场景噪声和度量精度上进行了对比。
2024-07-25 cs.CV cs.RO
DyPho-SLAM : Real-time Photorealistic SLAM in Dynamic Environments
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China(清华大学深圳国际研究生院);Jianghuai Advance Technology Center, Hefei, China(江淮先进技术中心)
针对动态环境下视觉SLAM易出现跟踪漂移、建图模糊的问题,提出DyPho-SLAM系统,通过先验图像生成精细化掩码、自适应特征提取增强优化约束,在公开动态RGB-D数据集上实现位姿估计与稠密建图的SOTA性能且支持实时运行。
2025-08-31 cs.RO
A real-time, robust and versatile visual-SLAM framework based on deep learning networks
Harbin Engineering University(哈尔滨工程大学);Chinese Academy of Military Science(中国军事科学院);Sun Yat-sen University(中山大学)
本文提出一种结合深度特征提取与匹配的通用混合视觉SLAM系统,支持单目、双目及惯性配置,在低光照、弱纹理等复杂场景下的定位精度与跟踪鲁棒性优于现有算法,并已开源。
2024-06-04 cs.RO
SLAM in Low-Light Environments: Project Report
Applied Sciences Faculty, Ukrainian Catholic University(乌克兰天主教大学应用科学学院)
研究低光照环境下RGB相机的SLAM问题,对六种不同范式的系统在五个序列上进行基准测试,发现仅RGB的SLAM需惯性融合和全局优化才能稳定跟踪,为后续改进提供方向。
2026-07-21 cs.CV cs.RO
AscDAMs: Advanced SLAM-based channel detection and mapping system
University of Macau(澳门大学)
针对现有技术难以精确观测深长冲沟河道内部的问题,提出基于SLAM的AscDAMs系统,通过三项后处理改进提升制图精度,经野外实验验证可有效支撑泥石流相关研究与灾害评估。
2024-01-25 cs.CV cs.RO
Desc++: Efficient Descriptor Enhancement for Data Association in Existing Visual SLAM Systems
National Yang Ming Chiao Tung University(国立阳明交通大学)
研究针对视觉SLAM中描述符在光照和视角变化下性能不佳的问题,提出Desc++轻量级增强模块,通过混合架构联合编码描述符和关键点几何信息,实验表明其能提高匹配精度、稳定轨迹估计,在准确性和效率间取得良好平衡。
2026-09-22 cs.CV cs.RO
Mapping Extended Landmarks for Radar SLAM
Dalian Maritime University(大连海事大学);University of Birmingham(伯明翰大学);RMIT University(皇家墨尔本理工大学)
使用汽车雷达传感器的同时定位与地图构建(SLAM)可以为自主系统提供增强的感测能力。在SLAM应用中,随着对环境地图的更大要求,关于地标范围的信息对于精确导航和路径规划至关重要。虽然对象范围估计已成功地应用于目标跟踪,其适应SLAM仍然没有解决,由于传感器平台的额外的不确定性,在里程表读数的偏差,以及测量的非线性。在本文中,我们提出了将贝叶斯随机矩阵的方法来估计在雷达SLAM地标的程度。我们描述的细节实现的地标范围的初始化,预测和更新。为了验证我们所提出的方法的性能,我们与无模型椭圆拟合算法进行比较,结果显示出更一致的程度估计。我们还表明,利用状态更新中的地标程度可以提高定位精度。
2022-10-31 cs.RO eess.SP
Radar SLAM: A Robust SLAM System for All Weather Conditions
Heriot-Watt University(赫瑞-瓦特大学)
同时定位与地图构建(SLAM)系统必须是鲁棒的,以支持长期的移动车辆和机器人应用。然而,基于相机和LiDAR的SLAM系统在面临具有挑战性的照明或天气条件时可能是脆弱的,这些条件会降低其图像和点云数据。雷达,其工作电磁频谱受环境变化的影响较小,是有前途的,虽然其独特的传感几何和噪声特性带来了开放的挑战时,被利用为SLAM。然而,由于大多数现有的视觉和LiDAR SLAM系统在恶劣天气下无法运行,因此仍然存在开放的挑战。本文研究了使用调频连续波雷达SLAM在大规模的户外环境。我们提出了一个完整的雷达SLAM系统,包括一个新的雷达运动跟踪算法,利用雷达几何可靠的功能跟踪。它还通过联合优化来最佳地补偿运动失真和估计姿态。其闭环组件的设计是简单而有效的雷达图像捕获和利用周围环境的结构信息。同时还设计了一种专门针对雷达的模糊环路闭合候选的剔除方案。在三个公共雷达数据集上进行了广泛的实验,从城市街道和居民区到农村和高速公路,与最先进的LiDAR,视觉和雷达方法相比,所提出的雷达SLAM系统具有竞争力的准确性和可靠性性能。结果表明,我们的系统在技术上是可行的,在极端天气条件下,如大雪和浓雾,实现可靠的SLAM,展示了使用雷达的全天候定位和测绘的潜力。
2021-04-12 cs.RO
Visual SLAM with DEM Anchoring for Lunar Surface Navigation
Stanford University(斯坦福大学)
本文提出一种结合学习特征检测与DEM全局约束的视觉SLAM系统,用于月球表面长距离导航,通过引入高程和表面法线因素缓解长期漂移问题。
2026-03-18 cs.CV cs.RO
Fast and Accurate Deep Loop Closing and Relocalization for Reliable LiDAR SLAM
College of Intelligence Science and Technology, National University of Defense Technology(国防科技大学智能科学与技术学院);National Innovation Institution of Defense Technology(国防科技国家创新研究院)
本文提出统一框架 LCR-Net,通过特征提取和位姿感知注意力机制精确估计 LiDAR 扫描相似度与 6-DoF 位姿,实现快速准确的深度闭环与重定位,并集成至 SLAM 系统提升在线可靠性。
2023-09-15 cs.AI cs.CV cs.LG
A Unified 3D Mapping Framework using a 3D or 2D LiDAR
Carnegie Mellon University(卡内基梅隆大学)
同时定位与地图构建(SLAM)技术在过去几年取得了很大的进展,已经被认为是一个已经解决的问题。然而,绝大多数基于LiDAR的SLAM算法都是针对特定类型的有效载荷而设计的,因此不能在不同的平台上通用。在实践中,这个缺点导致算法的开发、部署和维护困难。因此,我们的工作重点是提高不同传感有效载荷之间的兼容性。具体来说,我们扩展了Cartographer SLAM库,以处理不同类型的LiDAR,包括固定或旋转,2D或3D LiDAR。通过替换Cartographer的定位模块并保持稀疏姿态图(SPG),该框架可以在不同的传感有效载荷上实时创建高质量的3D地图。此外,它还带来了简单的好处,每种传感器类型只需调整几个参数。
2018-10-30 cs.RO
From Perfect to Noisy World Simulation: Customizable Embodied Multi-modal Perturbations for SLAM Robustness Benchmarking
University of Michigan(密歇根大学);Carnegie Mellon University(卡内基梅隆大学)
本研究提出可定制的具身多模态扰动合成流程与工具箱,构建大规模Noisy-Replica基准,揭示了现有先进RGB-D SLAM模型在含噪环境下的脆弱性,为SLAM鲁棒性评估提供了可扩展的仿真测试方案。
2024-06-24 cs.CV cs.RO
Indoor Smartphone SLAM with Learned Echoic Location Features
Singtel Cognitive and AI Lab for Enterprises(新电信企业认知与人工智能实验室);Nanyang Technological University(南洋理工大学);The Chinese University of Hong Kong(香港中文大学)
室内自定位是智能手机高度要求的系统功能。当前基于惯性、射频和地磁感测的解决方案在其限制因素生效时可能具有降级的性能。在本文中,我们提出了一种新的室内同时定位与地图构建(SLAM)系统,利用智能手机的内置音频硬件和惯性测量单元(IMU)。我们的系统使用智能手机的扬声器发出几乎听不见的啁啾,然后麦克风记录来自室内环境的声学回声。我们的剖面测量表明,回波携带的位置信息与亚米粒度。为了实现SLAM,我们应用对比学习来构建回声位置特征(ELF)提取器,使得可以从相关联的ELF轨迹中准确地检测智能手机轨迹上的环路闭合。检测结果有效地规范了基于IMU的轨迹重构。大量的实验表明,我们的ELF为基础的SLAM实现$0.1\,\text{m}$,$0.53\,\text{m}$,和$0.4\,\text{m}$在客厅,办公室和商场的重建轨迹的中值定位误差,并优于Wi-Fi和地磁SLAM系统。
2022-10-16 cs.LG cs.RO cs.SY
Evolution of SLAM: Toward the Robust-Perception of Autonomy
Middlesex University(密德萨斯大学)
同时定位和地图(SLAM)是自主机器人构建或更新不确定的非结构化环境的地图,同时估计其中的位姿的问题。目前的趋势对自动驾驶车辆已经影响了强大的SLAM技术的发展在过去的30年。这个问题通过使用标准传感器或传感器阵列(超声波传感器、激光雷达、摄像头、Kinect RGB-D)与传感器融合技术来实现感知步骤来解决。传感方法是通过考虑环境的规格来提取特征。然后讨论了经典的基于滤波器的方法、全局优化方法(其是用于基于视觉的SLAM的流行方法)和基于卷积神经网络的方法(诸如基于深度学习的SLAM)的使用,同时考虑如何克服定位和映射问题。在鲁棒性和可扩展性、长期自治性、性能等新方向上对算法进行了相互比较梳理。本文从传感器到算法开发的判断角度审视了已发表的先前工作,同时讨论了开放的挑战和新的研究前沿。
2023-02-13 cs.RO
Real-Time Ground-Plane Refined LiDAR SLAM
Carnegie Mellon University(卡内基梅隆大学)
近年来,仅使用点云的SLAM系统已被证明是成功的。在大多数这些系统中,它们在地面移除后提取用于跟踪的特征,这会导致z轴上的较大变化。地面实际上提供了鲁棒的信息来获得[t_z,θ_{roll},θ_{pitch}]$。在这个项目中,我们遵循了LEGO-LOAM,一个轻量级的实时的【形】SLAM系统,提取和注册地面作为一个除了原来的LOAM,我们提出了一个新的基于聚类的方法来完善地面的平面提取算法,使系统可以处理更多的噪音或动态环境。我们实现了这种方法,并将其与我们收集的CMU校园数据,以及收集的ATV(全地形车)越野自动驾驶数据集的LeGo-LOAM进行了比较。可视化和评价结果表明,我们的算法有明显的改善。
2021-10-21 cs.RO
Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
在本文中,我们提出了一个因子图激光雷达SLAM系统,它采用了最先进的深入学习的基于特征的闭环检测器,使足式机器人在工业环境中的本地化和地图。这些设施可能光线不好,由模糊的金属结构组成,因此我们的系统只使用激光雷达传感,并被开发为在四足机器人的导航PC上运行。在使用ICP配准进行对准之前,使用惯性-运动状态估计器来累积点云。为了关闭循环,我们使用循环建议机制,该机制匹配云之间的各个段。我们离线训练了一个描述符来匹配这些片段。我们的方法的效率来自于仔细设计网络架构,以最大限度地减少参数的数量,从而使这种深度学习方法可以仅使用足式机器人的CPU实时部署,这是这项工作的主要贡献。使用姿态图优化来更新里程计和环路闭合因子的集合。最后,我们提出了一个有效的风险对齐预测方法,验证了注册的可靠性。在工业设施的实验结果表明,我们的系统的鲁棒性和灵活性,包括自主以下路径来自SLAM地图。
2020-01-28 cs.LG cs.RO
Accelerating Transformer-Based Monocular SLAM via Geometric Utility Scoring
UW–Madison(威斯康星大学麦迪逊分校);Texas A&M(德州农工大学);USC(南加州大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出LeanGate,通过预测几何效用评分在重特征提取前筛选帧,减少冗余计算,提升SLAM效率与准确性。
2026-04-13 cs.AI cs.CV cs.RO
Active SLAM over Continuous Trajectory and Control: A Covariance-Feedback Approach
UC San Diego(加州大学圣迭戈分校)
提出了一种在随机机器人动力学模型上进行连续轨迹优化的主动同时定位与地图构建(SLAM)方法。该问题被形式化为一个随机最优控制的连续机器人运动学模型,以尽量减少成本函数,涉及的协方差矩阵的地标状态。我们解决这个问题,分别获得开环控制序列的确定性动力学的迭代协方差调节(iCR)和闭环反馈控制随机机器人和协方差动力学的线性二次型调节器(LQR)。所提出的优化方法捕捉定位和映射之间的耦合,在预测不确定性的演变和合成高度信息化的传感轨迹。我们证明了其性能在主动地标为基础的SLAM使用相对位置测量有限的视野。
2021-10-14 cs.RO cs.SY eess.SY
SOL-SLAM: Inverse Compositional Gauss-Newton Direct Registration for Fast Sonar-Only Local SLAM
Texas A&M University(德克萨斯A&M大学)
针对仅前视声呐的局部SLAM空白,提出基于逆合成高斯-牛顿的密集直接配准方法,实现实时定位,显著降低平移误差,性能媲美多传感器融合,并在嵌入式平台验证。
2026-09-17 cs.RO