1、导读
本文探讨了深度学习技术如何在具有挑战性的环境中提高基于视觉的SLAM性能。通过深度特征提取和深度匹配方法的结合,本文提出了一种多功能混合视觉SLAM系统,旨在增强在低光照条件、动态光照、弱纹理区域和严重抖动等具有挑战性的场景下的适应性。系统支持多种模式,包括单目、立体、单目惯性和立体惯性配置。本文还分析了如何将视觉SLAM与深度学习方法相结合,以启发其他研究。通过在公共数据集和自采样数据上的大量实验,证明了SL-SLAM系统相对于传统方法的优越性。实验结果表明,该方法在定位精度和跟踪鲁棒性方面都优于现有的SLAM算法。
2、论文信息
标题:SL-SLAM: A robust visual-inertial SLAM based deep feature extraction and matching
论文:https://export.arxiv.org/pdf/2405.03413
代码:https://github.com/zzzzxxxx111/SLslam
3、方法
SL-SLAM系统包括单目、单目惯性、立体和立体惯性四种传感器配置。基于ORB-SLAM3,由跟踪、局部映射和闭环三个模块组成。利用ONNX Runtime框架集成SuperPoint和LightGlue模型。