01.章国锋:视觉SLAM最新观点分享
讲座视觉SLAM在AR应用上的关键性问题探讨,内含PPT与答疑
直播回放
【中国知网回放地址】http://k.cnki.net/CInfo/Index/6370
【B站回放地址】https://www.bilibili.com/video/BV1eK411n7aa
答疑
Q1:请问室内三维语义地图构建有没有好的开源?
A:目前已经有不少三维重建、语义分割和物体建模的开源工作,但三维语义地图构建的开源工作还很少,目前看到有一个基于RGBD的语义建图的工作SemanticFusion: https://github.com/seaun163/semanticfusion
另外,可以参考以下两篇知乎的文章,整理得比较全面:
https://zhuanlan.zhihu.com/p/141946874
https://zhuanlan.zhihu.com/p/60954106
Q2:请问老师,语义SLAM有推荐的资料吗?
A:推荐几个比较经典的语义SLAM工作:SemanticFusion,SLAM++,VSO,DS-SLAM,DynaSLAM。另外,推荐知乎上这篇关于语义SLAM论文笔记整理:
https://zhuanlan.zhihu.com/p/56805175
Q3:请问,没有纹理的地图数据,例如LOD模型, LOD(白膜)与照片匹配定位,有什么指导建议吗?
A:建议采用线段或基于轮廓匹配的方法。采用深度学习的方法应该也是一个可行的思路。
Q4:请问可以用FPGA对SLAM进行后端优化么?
A:个人认为应该是可以用FPGA至少做一部分的后端优化。已经有工作用FPGA实现Bundle Adjustment:Shuzhen Qin, Qiang Liu, Bo Yu, Shaoshan Liu. π-BA: Bundle Adjustment Acceleration on Embedded FPGAs with Co-observation Optimization. FCCM 2019: 100-108.
Q5:请问除了ORB还有其他在移动端实用的算子吗?
A:特征点算法包括特征点提取和描述子。在移动端常用的特征点提取方法是FAST、Freak和Harris角点,好像也有将DoG(Difference of Gaussian,就是SIFT用的特征点检测方法)方法应用在移动端上,但是一般需要芯片加速。描述子现在在移动端上比较实用的还是ORB, Brisk。现在也有不少基于深度学习的特征提取和描述子,但应用在移动端SLAM上好像还没有看到。
Q6:老师,请问 ORB_SLAM +IMU怎么融合?
A:可以看ORB-SLAM作者写的这篇文章:R. Mur-Artal and J. D. Tardos, “Visual-inertial monocular SLAM with map reuse,” IEEE Robotics and Automation Letters, vol. 2, no. 2, pp. 796–803, 2017.
Q7:请问您在直播中讲的这些方法可以被用于内窥镜的SLAM追踪及场景重建吗?
A:我没有试过不是很好说,但感觉纯粹靠视觉难度比较大,最好是结合深度传感器,即RGB-D SLAM。
Q8:老师好,请教下VO\VIO与GPS组合,有什么比较好的方法?
A:由于消费级的GPS的噪声比较大,而且往往不是高斯噪声,一般采用跟VO/VIO松耦合的方式。推荐以下2篇文章:
[1] Simon Lynen, Markus W. Achtelik, Stephan Weiss, Margarita Chli, Roland Siegwart. A robust and modular multi-sensor fusion approach applied to MAV navigation. IROS 2013: 3923-3929.
[2] Tong Qin, Shaozu Cao, Jie Pan, Shaojie Shen. A General Optimization-based Framework for Global Pose Estimation with Multiple Sensors. CoRR abs/1901.03642 (2019).
Q9:请问VSLAM、VO、SfM区别是什么?您有构造自己数据集吗?
A:VSLAM是要求实时或在线的;SfM可以分为实时和离线两种,实时的SfM其实就是VSLAM。VO,即视觉里程计,它是VSLAM的前端跟踪部分,一般没有后端优化和回路闭合。
我们针对AR应用构建了一个VSLAM/VISLAM数据集和benchmark:http://www.zjucvg.net/eval-vislam/
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)