基于亚特兰大世界和语义信息的室内SLAM方法

摘要

基于点特征的视觉同步定位与地图构建（SLAM）算法在室内弱纹理环境下存在定位精度差的问题，为此，提出了一种基于语义信息和亚特兰大约束的点线面多重特征视觉SLAM方法.首先，利用基于注意力机制改进的YOLOv8语义分割方法提取准确的平面特征.然后，通过地面语义信息完成对亚特兰大坐标系的检测，以避免其他正交坐标系的影响.最后，通过坐标系状态标记规则选择准确的坐标系并完成无漂移旋转估计.实验结果显示，改进后的语义分割网络在平面分割mAP值上相较YOLOv8提高了10.9%,SLAM系统的平均绝对轨迹误差比曼哈顿SLAM减少了29.3%.总体表明，融合语义信息后的亚特兰大SLAM系统可以减少室内弱纹理环境下的累积误差影响，有效提高SLAM系统在室内环境下的定位精度.

关键词

点线面特征 / 亚特兰大约束 / 语义平面检测 / 坐标系状态标记 / 无漂移的旋转估计

基金资助

北京市科委、中关村科技园管理委员会智能制造与机器人技术创新资助项目（Z221100000222016）; 国家自然科学基金资助项目（62076014）