Plane feature is a kind of stable landmark to reduce drift error in SLAM system. It is easy and fast to extract planes from dense point cloud, which is commonly acquired from RGB-D camera or lidar. But for stereo camera, it is hard to compute dense point cloud accurately and efficiently. In this paper, we propose a novel method to compute plane parameters using intersecting lines which are extracted from the stereo image. The plane features commonly exist on the surface of man-made objects and structure, which have regular shape and straight edge lines. In 3D space, two intersecting lines can determine such a plane. Thus we extract line segments from both stereo left and right image. By stereo matching, we compute the endpoints and line directions in 3D space, and then the planes from two intersecting lines. We discard those inaccurate plane features in the frame tracking. Adding such plane features in stereo SLAM system reduces the drift error and refines the performance. We test our proposed system on public datasets and demonstrate its robust and accurate estimation results, compared with state-of-the-art SLAM systems. To benefit the research of plane-based SLAM, we release our codes at https://github.com/fishmarch/Stereo-Plane-SLAM.


翻译:平面特征是一种稳定的里程碑,可以减少SLAM系统中的漂流错误,从密度点云中提取飞机是容易和快速的,这种云通常从RGB-D摄像机或利达尔获得。但是,对于立体相机来说,很难准确和有效地计算密度点云。在本文中,我们提出了一个新颖的方法,用从立体图像中提取的交叉线计算飞机参数。平面特征通常存在于人造物体和结构表面,这些物体和结构有固定形状和直边线。在3D空间中,两条交叉线可以决定这种飞机。因此,我们从立体立体匹配中提取左方和右方立体图像的线段。我们通过立体匹配,在3D空间中计算终点和线方向,然后从两条交叉线中计算飞机方向。我们在框架跟踪中抛弃这些不准确的飞机特征。在立体SLAM系统中添加这种飞机特征可以减少漂浮误,并改进性能。我们在公共数据集上测试我们提议的系统,并展示其可靠和准确的估算结果,与SLAMMM-SLAS-M-SLAS-SAS-SAS-SAS-SAS-SAS-M-M-M-SLADAR-SAR-SLM系统相比,我们发布了/SL-SAR-SAR-SAR-SD-SAR-SAR-SAR-SAR-SAR-SAR-SAR-SAR-SAR-SAR-SAR-SAR-M-M-M-M-SDIS-M-M-SAR的系统的研究。

0
下载
关闭预览

相关内容

专知会员服务
49+阅读 · 2020年10月21日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
3D目标检测进展综述
专知会员服务
191+阅读 · 2020年4月24日
专知会员服务
86+阅读 · 2019年12月13日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
ORB-SLAM3来了!真有生之年!
CVer
10+阅读 · 2020年7月24日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
【泡泡前沿追踪】跟踪SLAM前沿动态系列之IROS2018
泡泡机器人SLAM
29+阅读 · 2018年10月28日
Facetwise Mesh Refinement for Multi-View Stereo
Arxiv
0+阅读 · 2020年12月1日
Arxiv
0+阅读 · 2020年11月28日
VIP会员
相关VIP内容
专知会员服务
49+阅读 · 2020年10月21日
迁移学习简明教程,11页ppt
专知会员服务
107+阅读 · 2020年8月4日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
3D目标检测进展综述
专知会员服务
191+阅读 · 2020年4月24日
专知会员服务
86+阅读 · 2019年12月13日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
Top
微信扫码咨询专知VIP会员