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0.067~0.069 m。

摘要：以提高弱纹理场景下同步定位与建图(SLAM)算法的定位精度、鲁棒性和运行效率为目的,提出一种基于点线特征的快速单目视觉惯性SLAM算法。算法通过融合点线特征以及惯性测量信息估计出SLAM系统初始运行参数,在SLAM后端通过构建先验误差、惯性测量单元(IMU)测量误差、视觉特征重投影误差、回环检测误差函数进行非线性优化,估计更加精确的相机运动、路标点坐标及IMU状态信息,对算法中的点线特征检测基于计算机统一设备架构(CUDA)并行计算模型设计了并行检测方法。实验结果表明,该算法运行效率相对于串行计算模式有了较明显提升,且在某些场景下具有比VINS-Mono算法更高的定位精度和鲁棒性。