自动驾驶中利用地面与卫星图像配准提高SLAM位姿精度

主要观点总结

本文介绍了一种结合vSLAM和基于深度学习的地面-卫星（G2S）图像配准方法的定位框架，旨在提高在没有预先构建的3D地图情况下的视觉自动驾驶定位精度。文章提出了由粗到精的方法选择有效的G2S预测，并通过求解带尺度的位姿图问题，将其与SLAM测量融合。主要贡献包括新的定位框架、错误剔除方法和迭代轨迹优化流程。文章还使用了基于深度学习的方法预测G2S位姿，并通过实验验证了框架的定位精度和潜在价值。

关键观点总结

关键观点1: 文章主要介绍了新的定位框架

该框架结合了vSLAM和G2S图像配准的优势，旨在提高相机定位精度。

关键观点2: 提出了由粗到精的预测选择方法

该方法通过空间相关边界检查和视觉里程计一致性检查来剔除错误的G2S结果。

关键观点3: 提出了迭代轨迹优化流程

该流程通过求解带尺度的位姿图问题来融合测量结果，从而提高定位精度。

关键观点4: 文章使用基于深度学习的方法预测G2S位姿

这种方法在该框架中起到了重要作用，有助于提高定位精度。

关键观点5: 文章的实验验证

文章通过现实实验验证了框架的定位精度和潜在价值，并计划未来研究更紧耦合的融合方法和更先进的G2S方法。

文章预览

点击下方 卡片 ，关注“ 自动驾驶专栏 ”公众号 自动驾驶干货 ，即可获取 论文链接： https://arxiv.org/pdf/2404.09169.pdf 代码链接：https://github.com/YanhaoZhang/SLAM-G2S-Fusion 摘要 本文介绍了 利用地面与卫星图像配准提高SLAM位姿精度 。基于视觉的自动驾驶定位一直受到研究人员的广泛关注。当没有预先构建的3D地图时，通常采用视觉同时定位和建图（SLAM）技术。由于存在误差累积问题，视觉SLAM（vSLAM）通常受到长期漂移的影响。本文提出了一种通过将vSLAM与基于深度学习的地面-卫星（G2S）图像配准方法相融合来提高定位精度框架。在该框架中，设计了一种由粗（空间相关边界检查）到精（视觉里程计一致性检查）的方法来选择有效的G2S预测。然后，通过求解带尺度的位姿图问题，将选择的预测与SLAM测量融合。为了进一步提高定位精度，本文提供了一种迭代 ………………………………