【泡泡一分钟】机器人顶级会议精华提炼（20181231-20190105）

每天一分钟，带你读遍机器人顶级会议文章

来源：计算机视觉和机器人顶级会议

播音员：王晓鹏

汇总：颜青松，陈世浪

编译：泡泡一分钟全体组员

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

2018年12月31日至2019年1月5日，泡泡一分钟共推送了11篇文章，其内容涉及到VIO（2篇）、VO（2篇）、三维重建（2篇）、场景描述（2篇）、视频修复（1篇）、点云配准（1篇）和数据集（1篇）等。

VIO

VIO相关算法的文章本周推送了两篇。

第一篇文章介绍了通过最小化信息损失来保持因子图信息稀疏性，从而避免信息丢失，提高精度和效率。

第二篇文章介绍了一种基于多状态限制卡尔曼滤波器框架的框架视觉惯性slam系统R-VIO，该算法可以用单目视觉在严苛的环境中持续定位。

视觉惯性里程计的信息稀疏化

基于机器人的视觉惯性里程计

VO

VO方面本周也介绍了一些提高VO鲁棒性的方法。

第一篇文章使用于多相机系统和可在复杂环境中稳定运行的视觉里程计算法。

第二篇文章则提出一种应用了二维边缘散度最小化原理的边缘鲁棒RGB-D视觉里程计，能够在低纹理、亮度变化小的一般环境中操作。

利用多相机系统实现鲁棒的视觉里程计

采用二维边缘散度最小化原理的边缘鲁棒RGB-D视觉里程计

三维重建

三维重建一直是研究的热点，本周介绍了两篇文章。

第一篇文章使用Kinect或Xtion等低成本商品传感器，设计了基于点的表示和体表示的组合来分别重建运动对象和静态场景。

第二篇文章提出了一种针对复杂三维物体中提取出的高级语义特征的特征编码方法，并在此基础上进行物体重建。

基于点和体积融合的动态场景实时三维重建

3D物体的特征编码变种

场景描述

场景描述是机器人中非常重要的技术，本周介绍了两篇文章。第一篇文章介绍了一种新的概率方法，从原始2-D激光范围扫描中提取折线，并进而描述家庭，办公室或工厂车间等人造环境。第二篇文章介绍了一种在线RGB-D的场景理解方法，用于移动设备上实时运行的室内场景。

一种从二维激光扫描中提取折线的最大似然方法

移动平台上的实时全增量场景理解

视频修复

视频数据是算法的基础，本周介绍了一篇文章，其提出了时空转换网络（STTN）来修复视频。

基于视频修复的时空转换网络

点云配准

高效进行点云配准非常重要，本周介绍了一篇使用平移搜索匹配旋转不变特征进行点云配准的方法。

通过平移搜索匹配旋转不变特征的高效全局点云配准

数据集

最后，本周还介绍了TUM VI数据集，以满足视觉里程计和SLAM方法的研究需求。

用于评估视觉惯性里程计的TUM VI数据集

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/bbs/

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系liufuqiang_robot@hotmail.com