一种改进深残余网络语义同步定位和单眼视觉机器人的映射方法

文摘

机器人同时定位和映射(大满贯)是一个非常重要和有用的技术在机器人领域。然而,环境地图构建的传统视觉大满贯方法包含语义信息,不能满足复杂应用程序的需求。语义地图可以有效地解决这一问题,已成为一个研究热点。提出了一种改进的深层残留网络——(ResNet)基于语义大满贯单眼视觉机器人的方法。在拟议的方法中,一种改进的基于特征点的图像匹配算法,提高算法的抗干扰能力。然后,健壮的特征点提取方法采用在大满贯的前端模块系统中,可有效减少相机追踪损失的概率。此外,介绍了改进的关键帧插入方法视觉大满贯系统来提高系统的稳定的转动和移动机器人。此外,提出一种改进的ResNet模型提取环境的语义信息来完成的语义地图的建设环境。最后,进行各种实验,结果表明,该方法是有效的。

1。介绍

随着计算机技术和传感器技术的飞速发展,机器人的研究和应用已达到一个新的高度(1- - - - - -4]。为移动机器人,当面对一个未知的环境中,他们需要使用自己的传感器设备,可以感知周围的环境,构建一个环境地图的移动,并确定他们的位置在地图上;这被称为机器人同时定位和地图(大满贯)问题[5- - - - - -7]。其基本原则是移动机器人能够感知其位置的环境,建立一个连续的环境地图,完成其在地图上精确定位。近年来,机器人SLAM技术已经取得了一些成就,例如基于激光雷达和声纳大满贯,大满贯基于机器人视觉等等(8,9]。最常用的视觉大满贯是大满贯技术,可分为单眼大满贯,双目大满贯,multivision大满贯(10,11]。

虽然传统的大满贯地图可以帮助机器人定位自己,他们缺乏特定任务所需环境的理解,即语义信息。机器人语义SLAM技术可以解决这个问题,因此越来越多的研究都集中在机器人语义大满贯的方法。例如,Civera et al。12)大满贯的目标识别方法相结合的方法,基于扩展卡尔曼滤波和单眼视觉同时运行两个线程来实现语义大满贯。鲍曼et al。13)制定相关的问题提出优化传感器状态和语义地标和语义大满贯的概率数据关联算法。冈瑟et al。14)提出了一种方法来创建一个语义地图的室内环境逐步在闭环,基于语义模型对家具对象和一系列的3 d点云被移动机器人使用RGB-D相机。上面这些方法可以有效地处理语义SLAM问题;然而,仍然有许多问题需要解决。例如,对象识别需要大量的训练数据,选择一个合适的分类器来识别物体从不同角度。同时,要求实时性能和可读性的语义大满贯很难同时满足。

最近,越来越多的基于深度学习方法提出了处理机器人语义SLAM问题;这些方法的基本思想是传统大满贯方法结合深度学习技术。例如,Sunderhauf et al。15)提出了一种面向语义地图施工方法的丰富的对象,而应用卷积神经网络(CNN)构建一个三维的语义映射基于物体的三维点云。李等人。16)提出了一个语义pixelwise映射系统,其中包括一本小说时空深层神经网络为语义分割和三维点云SLAM算法映射。McCormac et al。17]构造密集三维语义地图使用卷积神经网络,使用ElasticFusion作为大满贯系统和CNN语义分割。深层语义地图上优于施工方法对机器人视觉大满贯是一个研究热点和发展趋势。但是,仍有许多问题有待解决,如计算效率和精度。在本文中,一种改进的语义映射为单眼视觉机器人提出了施工方法,这是一种新颖的集成方法。

总结了本文的主要贡献如下:(1)一种改进的基于特征点的图像匹配方法,提出了处理低图像匹配精度和抗干扰性能差的问题,通过使用一种自适应快速角检测方法和双约束策略;(2)视觉大满贯方法是研究和解决穷人的问题改善跟踪能力和较低的定位精度在传统的视觉大满贯方法,利用提出的图像匹配方法和关键帧选择机制;(3)施工方法提出了一种改进的基于深度学习语义地图,这是基于ResNet残余神经网络模型。最后,为了验证该方法的可行性,几个实验设计构造的语义地图环境和结果进行了分析。实验结果表明,该方法是有效和可行的。

本文组织如下。部分2提出了建议的方法。各种环境下的实验给出了部分3。部分4讨论了该方法的性能。最后,给出了结论部分5。

2。该方法

本文研究了语义映射问题的施工方法,并提出了一种新的综合方法来处理这个问题。该方法的基本思想是把视觉大满贯法与深度学习构建环境语义地图,其中主要包括图像匹配算法,单眼视觉大满贯的方法,和语义映射施工方法。在拟议的方法中,数据集的主要工作处理前现场识别ResNet网络是现场图像标记。该方法的框架如图1并将详细介绍如下。

2.1。图像匹配算法

在视觉大满贯,图像匹配是一个关键的过程。在特征提取和匹配过程中,常用的方法包括尺度不变特征变换算法(筛选),加速算法健壮的特性(冲浪),面向快速旋转短暂(ORB),等等(18- - - - - -20.]。特征点提取的筛选非常稳定和保持不变的规模变化、旋转、图像的对比差异。然而,筛选算法运行速度慢的缺点。冲浪算法是基于筛选算法,可以有效地识别图像特征点,并继承了筛选方法的优点。ORB算法本质上是一种改进的快速算法和简短的特征点描述算法。实验研究表明,ORB是一个数量级的速度比冲浪的执行效率和两个数量级的速度比筛选。因此,一种改进的基于ORB算法的图像匹配方法(定义为I-ORB)在本文中,提出了提高图像匹配性能,在基于图像的自适应阈值选择方法对比是用来取代传统的固定经验值的特征点提取算法,和双重约束策略基于几何特性和仿射不变量约束是用来消除不匹配特征点,提高图像匹配的准确性。详细介绍了改进如下。

特征点提取过程中基于快速方法,这是实现通过比较候选像素点的灰度值及其周围像素点。计算策略如下所示: 在哪里候选像素点的灰度值吗C,是周围的像素的灰度值(用吗 ),t是阈值,N是一个预定义的值。如果有超过N连续像素灰度值之间的绝对差值和中央像素的灰度值大于或等于阈值t,候选像素可以被认为是特征点。

在上述传统的快速算法,阈值t是固定的,可怜的抗干扰性能。为了处理这个问题,检测阈值,提出了一种自适应快速角落阈值t计算如下: 在哪里α是比例系数,是图像的每个像素的灰度值,是图像的灰色的意思,n图像的像素总数。

的话。虽然有一个参数α在方程的计算t,它有别于传统的固定值快速算法。由于阈值t自适应地根据实际图像对比和计算参数α只是一个调整系数,决定从图像提取的特征点的数量,更容易决定的价值呢α比决定的价值t直接(21]。本文的价值α设置为0.01,综合考虑图像的大小和计算复杂性,基于简单的试验方法。同时,的价值α可以获得一些智能优化方法的基础上,研究了在其他文献[22,23]。
在图像匹配过程中,传统的ORB算法使用暴力匹配方法匹配两个图像,这是非常快但质量差。为了提高图像匹配的准确性,提出了双重约束的粗略的匹配结果ORB算法,即几何特征约束和仿射不变量的约束。该方法的细节如下:(1)利用几何特征约束的初步筛选:在获得粗略的匹配结果的两个图像,图像的几何特征可以作为初步筛选的约束(24]。首先,从获得的特征点集的匹配结果的被定义为两个图像和问,分别。 和 两组正确匹配点获得匹配两个相关的图像,根据图像的几何特征。然后,一些评价函数定义: 在哪里 代表两个特征点的欧氏距离和在同一组; 代表了相似性特征点之间的差异;和T是特征点的数量获得粗略的匹配。初步筛选的步骤过程基于几何特征约束如下:(1)计算的所有值 ;(2)计算标准偏差所有的 ;(3)如果 ,它可以被认为是一个正确的匹配点;否则,它就会被丢弃作为一个错误匹配点。(2)利用仿射不变量约束进一步筛选:上面的初步筛选之后,一些特征点的失配和其他被清除设置点是重新定义为图像的特征点匹配和 ,和匹配结果进一步优化通过仿射不变性约束(25]。对于一对匹配的特征点 ,使用欧氏距离k特征点靠近点和点在两套,放置在子集p和问。根据仿射不变性定理对于两个相关的图像,如果 是一对正确的匹配点,然后点的子集和问还应该配成对。为了减少噪声干扰,最近的两个点集和最远的从当前特征点删除,和中间点保存,即 在这里,存在的数量的匹配点的子集和问作为仿射不变量约束项。,确定正确的特征点匹配机制如下: 在哪里米是一个标志来表示是否正确匹配的特征点是一对分吗年代匹配相应的特征点的数量吗和问。

2.2。单眼视觉SLAM算法

摘要大满贯系统基于图像特征点构造,具有良好的实时性能,能在大,小,室内和室外环境。在这项研究中,统一使用ORB特性来处理图像帧,从而避免造成的时间和空间成本特征点re-extraction有效。此外,由于ORB功能有一定的照明和旋转不变性,系统的鲁棒性是更好的26,27]。系统框架如图2一样,这是传统的ORB大满贯系统[28]。在拟议的视觉SLAM算法,其性能已得到改进,利用改进的ORB特征提取和匹配方案改善姿态估计的准确性和一种改进的关键帧选择方法在将增强机器人的稳定跟踪。

系统中主要有三个相互关联的线程,即摄像机姿态跟踪,当地的映射,关闭循环检测。位置识别模块主要用于全球定位和闭环检测的场景。相机姿势跟踪、改进的快速特征点提取算法(部分2.1)用于处理特征提取和图像特征匹配问题。初始化姿势估计,当上一帧成功跟踪,相同的运动模型可以用来计算相机的当前位置,找出云点的地图中观察到前一帧。如果追踪损失发生时,索引技术是用于匹配当前图像帧与前一个关键帧找到最相似的场景图像。此外,随机抽样一致性(RANSAC)算法用于消除误匹配点(29日),PnP型算法用来计算相机的相对位置在当前时刻(30.]。最后,采用束调整(BA)优化完成相机的初始姿态估计(31日]。

单眼视觉SLAM算法,关键帧选择机制是一个重要的部分。一般视觉SLAM算法,选择机制主要是基于固定的规则,不能处理跟踪丢失问题引起的旋转机器人。要处理这个问题,一种改进的关键帧选择方法提出了基于机器人旋转角度。假设机器人旋转一个角度θ周围的单位向量(在世界坐标代表了组件的单位向量x,y和z轴分别),基本的数学方程的四大满贯中的元素系统可以表示为

机器人的转弯过程可以被视为周围旋转z设在。摘要绝对值旋转角度的两个相邻帧图像之间的区别我和j计算表示机器人的旋转角度,可以表示为哪一个

为了提高机器人的跟踪稳定在转动,一种改进的关键帧选择方法提出了本文及其具体流程如图3。改进的关键帧选择的细节工作机制如下。移动机器人旋转到一定角度时,插入关键帧需要尽快确保跟踪是不会丢失。即如果有不到20帧从最后插入关键帧和当前帧上的旋转相机大于一个阈值μ最后一个关键帧之间,应该插入一个新的关键帧。本文的范围μ是设置为 。考虑到困难两帧图像之间的匹配和跟踪过程中相机旋转,它只是要求当前帧可以追踪超过25云点旋转条件满足时。最后,基于改进的关键帧选择算法,当地地图建设和闭环检测完成。在这种关键帧插入方法,具体的参数值获得的经验,已使用和其他文献中被证明是有效的26,28]。

2.3。语义地图施工方法

实现场景分类和识别,ResNet深残余网络(本文采用32]。虽然有很多方法,如支持向量机和模糊事例,已被成功地应用于图像分类,这些传统的图像分类方法的性能不能满足需求的语义大满贯系统(33,34]。深度学习的方法是采用提出的语义大满贯系统,适合复杂的语义识别。使用ResNet深残余网络的主要原因是它可以解决问题增加训练错误当深化神经网络的深度和有效地提高模型的精度。随着网络深度的增加,精度不会下降。所以,ResNet深残余网络打破了先前的层数约束卷积神经网络并提供可行性的深层语义特征的提取和分类(35,36]。

摘要50-layer残余神经网络(ResNet50)模型是建立分类收集的现场图像和环境语义信息添加到地图。首先,现场图片进行收集和分类。然后,他们用于火车ResNet残余网络模型对不同的场景进行分类。最后,训练ResNet残留网络中使用语义大满贯系统,完成语义地图的建设环境,通过分类的所有关键帧的过程中获得视觉大满贯。

ResNet残余网络的模型结构如图4(一)将卷积核 , ,和 。这种结构不仅保证算法的精度,而且大大减少了计算的数量和参数。的整体结构50-layer ResNet卷积神经网络选择本文图所示4 (b)。

提议的细节ResNet残余神经网络引入如下(32,37]。输入层:输入ResNet的彩色图像的真实场景,和输入图像的大小 。第一层(第一层)卷积:卷积核 。层2(最大池层和第二卷积层):游泳池池层的核心 ,和卷积层包含三个模块单元,它是由三个卷积核,即 , ,和 。第三层(第三层)卷积:它包含四个模块单元,每个模块由三个卷积核,即 , ,和 。第四层(第四层)卷积:它包含六个模块单元,每个模块由三个卷积核,即 , ,和 。卷积层5(第五层和平均池层):卷积层单元包含三个模块,每个模块由三个卷积核,即 , ,和 。池的核心池层 。层6(完整的连接层):它连接的所有特性,将输出发送到分类器在一个较低的水平。摘要输出层:损失函数是Softmax函数。

为了成功地构建环境中人机交互的语义映射,语义分类信息c添加到地图的关键帧,的价值在哪里c是一个整数1l和l是场景的数量。同时,活动分类的价值一个被添加到每个关键帧。因此,语义关键帧可以表示如下: 在哪里是相机的姿势,V是相机的内部参数,F表示所有的ORB功能。

然后,训练ResNet残余网络模型用于分类的所有关键帧环境地图,由提议的单眼视觉获得大满贯算法(部分2.2)。网络的输出的概率是每个关键帧属于每个场景类别。如果的最大概率值cth场景一个,这意味着关键帧图像属于这一幕。这个过程的一个例子是图所示5。

3所示。实验

为了验证该方法的可行性,两个实验被设计用来构造环境的语义映射。朋友的先驱机器人作为实验平台在实验中,和单眼相机装备作为视觉传感器提供图片。实验中使用的笔记本电脑的主要配置如下:8 g内存和3.5 GHz CPU。Keras框架和TensorFlow用于处理深卷积ResNet。

本文综合实验大楼的室内和室外的场景被选中作为语义地图创建的实验环境。主要的场景如图6。在实验研究中,不同场景的图像用于训练ResNet神经网络。600年对于每一个场景,图片收集,是用来训练ResNet,用于测试。

3.1。室内环境的实验

测试的基本性能提出了方法,语义地图构建实验进行,那里的环境是我们大学综合实验楼(图7)。主要的场景如图6 (f)- - - - - -6 (h),包括实验室、厕所和走廊,这被称为501实验室,厕所,分别和走廊。在这个实验中,1620个图像的三个场景用于神经网络训练ResNet,和使用的训练时间 。在语义地图构建,2420帧连续使用场景和362年的关键帧。总计算时间语义大满贯系统的室内实验 。

实验结果如图所示8和表1。在图8、蓝、黄、绿颜色表示501实验室的场景,厕所和走廊,分别,这是基于关键帧上的分类结果。红色和黑色点意味着云点过程中获得ORB-SLAM,和红色表示云点目前的观测时间。

结果在表1显示场景识别的平均成功率可以达到90%以上基于该方法。在室内语义地图构建过程中,主要的困难是如何应对不同场景的转换。语义映射图的结果8表明,该方法可以很好地解决这一问题的基础上,提出活动价值判断的策略。结果在图8表明,厕所在某些点误判为走廊。主要原因是厕所和走廊之间有一些相似的地区在测试环境中,如地面和墙面积没有其他对象。实验结果证明本文提出的方法是有效的和可行的机器人语义地图构建在复杂的室内环境。

3.2。混合的实验环境

进一步测试提出了语义大满贯的方法,进行了一个实验,周围的环境包括圆综合实验室建设和内部建筑(图的一部分9)。主要的场景如图6(一)- - - - - -6 (e),包括走廊、车库、住宅建设、自行车,和汽车。这些场景被抽象为五个语义标签,即东部的实验室建设(东),实验室建设(南),南部以西的实验室建设(西方),北部的实验室建设(北),和实验室的内部通道(内部)。实验结果如图所示10和表2。五个场景用不同的颜色。在这个实验中,2700个图像用于训练ResNet和5570帧的连续镜头用于构建语义映射。获得的关键帧的数量是906。ResNet网络的训练时间和地图构建的语义系统和 ,分别。

结果表2表明,西部和北部的精度小于其他类别的,主要原因是没有太多突出的特点在这两个场景与其他三个场景,如停车场、自行车停车场,注意酒吧(图6)。然而,两个场景的准确性的基础上,提出了机器人ResNet足够高的语义系统。此外,这项实验的结果表明,一些户外环境的认可率低于室内环境,最主要的原因是,有大把的角度在户外环境下机器人运动。但总认可的建议的方法在这个复杂的混合环境足够高,因为关键帧的连续性决心机制活动价值建议的方法介绍。这种决心机制可以识别连续关键帧图像作为当前类别之前完成,有效地减少了错误率的语义映射(表2和图10)。

4所示。讨论

实验部分3表明,该方法可以有效地完成语义大满贯任务的机器人。在本节中,讨论了该方法的性能的关键改进建议的方法的一部分,包括图像匹配算法和单眼视觉算法。

首先,改进ORB图像匹配算法的性能(I-ORB)进行了探讨,通过比较实验与普通ORB (G-ORB)算法,一般SURF-based算法,和普通SIFT-based算法。笔记本电脑上的实验进行了相同的配置中使用的部分3的平台,通过编程实现微软Visual Studio 2012。结果如图11和12和表3。图11是两个相同图像的图像匹配实验结果与不同角度的看法。图12之间的图像匹配的结果是完整的场景图像和部分场景图像。表3是定量评价的四个算法在10个不同的图像匹配实验。结果表明,计算速度一般基于orb的方法有很好的性能,但匹配精度较低。筛选和冲浪算法匹配精度上都有良好的性能。,提出I-ORB算法匹配精度高和运算速度快(表3),主要原因是本文的改进算法能够有效地确定特征点的数量和消除错误的匹配特征点在同一时间。

提出这种方法的另一个重要部分是单眼视觉SLAM算法,即语义SLAM算法的基础。讨论的性能改进的基于orb的视觉大满贯的算法(I-ORB),比较实验与一般基于orb的视觉SLAM算法(G-ORB)进行。广泛使用的数据集,选择中空的两种算法的性能测试(38,39]。三个空的子集(fre1_desk1 fre1_desk2, fre1_xyz)进行选择五个实验在两个算法,分别。fre1_desk1的轨迹长度、fre1_desk2 fre1_xyz , ,和 ,分别。所有的帧速率三个子集是30 。均方根误差(RMSE)用于评估两个大满贯方法: 在哪里机器人的坐标估计价值在时间吗我,是真正的位置坐标机器人吗我,z是总时间的实验。实验结果如图所示13和表4。

表4表明,该方法可以获得地图云点和关键帧图像的三个数据集更有效地比一般基于orb的方法在相同的实验条件下。fre1_desk1的结果表明,本文算法的实验跟踪基本上符合真正的轨道,而传统算法相对明显的错误(数据(13日)和13 (d))。fre1_desk2的实验,有快速平移运动,快速旋转运动的相机,而不是旋转过程中场景的明显特征。这个数据集的结果表明,误差增加基于这两种算法。然而,本文给出的算法显示了更好的稳定性,当面对相机的快速转换和旋转运动,获得比传统算法更关键帧。该算法的跟踪误差是相对较小(数据13 (b)和13 (e))。fre1_xyz,特点是一个小范围的运动和速度相对较慢,几乎没有旋转运动,它也表明,该方法是更有效的比一般基于orb的SLAM算法(数字13 (c)和13 (f))。

5。结论

在本文中,一种改进的语义大满贯单眼机器人提出了算法。在拟议的方法中,提出了一种改进的图像特征点匹配的方法首先。然后,提出一种改进的机器人视觉大满贯系统,处理能力不足的问题,低计算,传统视觉大满贯和定位精度的方法。最后,提出了一种改进的语义地图构建方法结合语义标签ResNet残余网络视觉获得的大满贯的方法。实验在现实场景中,和实验结果证明,本文的算法是有效的机器人语义大满贯任务。此外,一些比较了该方法与普通方法的性能,结果证明该方法具有更好的实现效果比传统算法在图像匹配和视觉大满贯任务。在未来的工作中,一些大型和复杂语义大满贯任务将进一步研究。

数据可用性

数据支持本研究从网站公开可用https://vision.in.tum.de/data/datasets/rgbd-dataset/download。

的利益冲突

作者声明他们没有利益冲突。

确认

这项工作得到了国家自然科学基金(61573128和61573128)和中央大学的基础研究基金(2018 b23214)。

引用

1. w . Wang和k Siau”,人工智能,机器学习,自动化,机器人,未来的工作和人类的未来:回顾和研究议程,”《数据库管理,30卷,不。1,第79 - 61页,2019。视图:出版商的网站|谷歌学术搜索
2. j .倪l·杨,施p、c罗,“改善DSA-based multi-AUV合作搜索方法,”计算智能和神经科学ID 2186574条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
3. y Domae,“最近的趋势在工业机器人和未来前景的研究,“机器人技术和机电一体化杂志》上没有,卷。31日。1,57 - 62,2019页。视图:出版商的网站|谷歌学术搜索
4. l . j .倪杨、吴l .和x粉丝,“基于一种改进的脊髓神经系统的方法异构水下机器人合作狩猎,”国际期刊的模糊系统,20卷,不。2、672 - 686年,2018页。视图:出版商的网站|谷歌学术搜索
5. j .倪c . Wang x风扇,s . x,“基于bioinspired神经模型的扩展卡尔曼滤波器机器人SLAM,”数学问题在工程ID 905826条,卷。2014年,11页,2014年。视图:出版商的网站|谷歌学术搜索
6. m . Sualeh G.-W。金”,同时定位和地图在语义的时代:一项调查,“国际期刊的控制、自动化和系统,17卷,不。3、729 - 742年,2019页。视图:出版商的网站|谷歌学术搜索
7. j .倪l .吴x风扇,s . x杨”Bioinspired智能移动机器人控制算法及其应用:一项调查,“计算智能和神经科学卷,2016篇文章ID 3810903, 16页,2016年。视图:出版商的网站|谷歌学术搜索
8. h . Kretzschmar和c . Stachniss”构成图形的信息理论压缩激光大满贯。”国际机器人研究杂志》上没有,卷。31日。11日,第1230 - 1219页,2012年。视图:出版商的网站|谷歌学术搜索
9. m·f·法伦j . Folkesson h·麦克勒兰德和j·j·伦纳德,“搬迁水下自主功能使用sonar-based大满贯,”IEEE海洋工程》杂志上,38卷,不。3、500 - 513年,2013页。视图:出版商的网站|谷歌学术搜索
10. a·j·戴维森i d·里德:d·莫尔顿和o . Stasse MonoSLAM:实时单相机摔,“IEEE模式分析与机器智能卷,29号6,1052 - 1067年,2007页。视图:出版商的网站|谷歌学术搜索
11. t·勒梅尔和s . Lacroix”与全景视野,大满贯”《机器人技术领域,24卷,不。1 - 2、91 - 111年,2007页。视图:出版商的网站|谷歌学术搜索
12. j . Civera a·j·戴维森,j .打算“逆为单眼深度参数化大满贯,”IEEE机器人,24卷,不。5,932 - 945年,2008页。视图:出版商的网站|谷歌学术搜索
13. s l·鲍曼n . Atanasov k . Daniilidis g·j·帕帕斯,“概率数据语义大满贯,协会”学报2017年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,页1722 - 1729,新加坡,2017年5月。视图:出版商的网站|谷歌学术搜索
14. m·冈瑟·t·Wiemann、美国阿尔布雷特和j . Hertzberg“基于模型的家具识别用于构建语义对象映射,”人工智能卷,247年,第351 - 336页,2017年。视图:出版商的网站|谷歌学术搜索
15. n . Sunderhauf t·t·范教授、y Latif m·米尔福德和里德,“有意义的地图与面向对象语义映射,”学报2017年IEEE / RSJ智能机器人和系统国际会议(——)温哥华,加拿大,2017年9月。视图:出版商的网站|谷歌学术搜索
16. r·李·d·顾问:刘z,长,胡和h,“语义场景映射与时空深层神经网络对机器人应用程序,”认知计算,10卷,不。2、260 - 271年,2018页。视图:出版商的网站|谷歌学术搜索
17. j . McCormac a手中,a·戴维森和s . Leutenegger”Semanticfusion:密集的3 d语义映射与卷积神经网络,”学报2017年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,页4628 - 4635,新加坡,2017年5月。视图:出版商的网站|谷歌学术搜索
18. Y.-T。小王和G.-Y。林,“健壮的特性改善而且机器人视觉同步定位和映射,”Robotica,32卷,不。4、533 - 549年,2014页。视图:出版商的网站|谷歌学术搜索
19. h·c·李,y Wang高,k .谢c .锅和l .张”特征提取的高光谱图像分类基于尺度不变特征transform-locality保持投影算法,”计算和理论纳米科学杂志》上,12卷,不。12日,第5838 - 5833页,2015年。视图:出版商的网站|谷歌学术搜索
20. a . Sujiwo t .安藤e . Takeuchi y Ninomiya,和m . Edahiro“单眼建立本地化使用ORB-SLAM LIDAR-Aided映射在实际机器人的挑战,”机器人技术和机电一体化杂志》上,28卷,不。4、479 - 490年,2016页。视图:出版商的网站|谷歌学术搜索
21. 剑,x,和m .张“移动终端手势识别基于改进快速检测角点,”专业图像处理,13卷,不。6,991 - 997年,2019页。视图:出版商的网站|谷歌学术搜索
22. m·林、c·杨和d·李”一种改进转换无味FastSLAM自适应遗传重采样,”IEEE工业电子产品,卷66,不。5,3583 - 3594年,2019页。视图:出版商的网站|谷歌学术搜索
23. r·h·Guerra r . Quiza a . Villalonga j .阿里纳斯和f . Castano”数字twin-based优化超精密运动系统的对抗和摩擦,”IEEE访问7卷,93 462 - 93 472,2019页。视图:出版商的网站|谷歌学术搜索
24. o . Choi和i s Kweon健壮的特征点匹配在保护当地的几何一致性,“计算机视觉和图像理解,卷113,不。6,726 - 742年,2009页。视图:出版商的网站|谷歌学术搜索
25. Y.-R。杨张x, h·乔Z.-Y。刘,C.-K。刘”,本地affine-invariance约束引入到月球表面图像通信,”Neurocomputing卷,186年,第270 - 258页,2016年。视图:出版商的网站|谷歌学术搜索
26. d . Kiss-Illes c . Barrado和大肠香肠,“GPS-SLAM: ORB-SLAM的增强算法”,传感器,19卷,不。22日,第4973页,2019年。视图:出版商的网站|谷歌学术搜索
27. x高n .杨r . Wang, d·克莱莫”挑战单眼视觉测程法:光度校准,运动偏差,和滚动快门效果,”IEEE机器人与自动化信件,3卷,不。4、2878 - 2885年,2018页。视图:出版商的网站|谷歌学术搜索
28. r . Mur-Artal j·m·m·蒙特埃尔和j . d .缓慢地“ORB-SLAM:一个多才多艺的和准确的单眼大满贯系统”IEEE机器人没有,卷。31日。5,1147 - 1163年,2015页。视图:出版商的网站|谷歌学术搜索
29. j . Vourvoulakis j . Kalomiros, j . Lygouras“实时筛选匹配器和RANSAC算法的fpga架构对于机器视觉应用程序,”多媒体工具和应用程序,卷77,不。8,9393 - 9415年,2018页。视图:出版商的网站|谷歌学术搜索
30. 诉Lepetit、f . Moreno-Noguer和p . Fua”EPnP:准确的O (n)解决PnP型问题,“国际计算机视觉杂志》上,卷81,不。2、155 - 166年,2009页。视图:出版商的网站|谷歌学术搜索
31. h . Kume t佐藤,n . Yokoya“束调整使用航拍图像和两级几何验证”计算机视觉和图像理解卷,138年,第84 - 74页,2015年。视图:出版商的网站|谷歌学术搜索
32. k . x张,他任美国,j .太阳,“深残余学习图像识别,”学报2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
33. g . Alimjan t .阳光、y .梁h . Jumahun和y关”一项新技术基于组合的遥感图像分类算法的SVM和资讯,“模式识别与人工智能》国际期刊上,32卷,不。7日,2018年。视图:出版商的网站|谷歌学术搜索
34. r . Havangi”突变FastSLAM使用软计算,”工业机器人:国际期刊,44卷,不。4、416 - 427年,2017页。视图:出版商的网站|谷歌学术搜索
35. 陆z、x江和a·科特“深耦合ResNet低分辨率人脸识别,”IEEE信号处理信件,25卷,不。4、526 - 530年,2018页。视图:出版商的网站|谷歌学术搜索
36. z吴、沈c和a . van den Hengel说,“更广泛的或更深:回顾ResNet模型的视觉识别,”模式识别卷,90年,第133 - 119页,2019年。视图:出版商的网站|谷歌学术搜索
37. c .山、郭x和j . Ou”残余学习深卷积神经网络的图像去噪,”《智能与模糊系统,37卷,不。2、2809 - 2818年,2019页。视图:出版商的网站|谷歌学术搜索
38. 杨和谢勒,“单眼对象和飞机摔在结构化环境中,“IEEE机器人与自动化信件,4卷,不。4、3145 - 3152年,2019页。视图:出版商的网站|谷歌学术搜索
39. y的太阳,和m . j . Cheng Q.-H。孟,“改善单眼视觉大满贯在动态环境中:一个optical-flow-based方法,”先进的机器人,33卷,不。12日,第589 - 576页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Jianjun Ni等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。