SuperVINS: A visual-inertial SLAM framework integrated deep learning features

要約

この記事では、深層学習機能と深層学習マッチング手法を組み込むことによる VINS-Fusion の機能強化を提案します。
深層学習機能のバッグオブワードのトレーニングを実装し、これらの機能をループ終了の検出に利用しました。
さらに、深層学習特徴マッチング モジュールに RANSAC アルゴリズムを導入し、マッチングを最適化します。
VINS-Fusion の改良版である SuperVINS は、位置決め精度、堅牢性などの点でそれを上回っています。
特に、低照度や急速なジッターなどの困難なシナリオでは、従来の幾何学的特徴では画像情報を十分に活用できませんが、ディープ ラーニング機能は画像特徴のキャプチャに優れています。提案された改善スキームを検証するために、オープンソース データセットを使用した実験を実施しました。
実験結果を定性的・定量的両面から総合的に分析しました。
この結果は、SLAM システムに対するこの深層学習ベースのアプローチの実現可能性と有効性を示しています。この分野での知識交換を促進するために、この記事のコードを公開しました。
コードは次のリンクで見つけることができます: https://github.com/luohongk/SuperVINS。

要約(オリジナル)

In this article, we propose enhancements to VINS-Fusion by incorporating deep learning features and deep learning matching methods. We implemented the training of deep learning feature bag of words and utilized these features for loop closure detection. Additionally, we introduce the RANSAC algorithm in the deep learning feature matching module to optimize matching. SuperVINS, an improved version of VINS-Fusion, outperforms it in terms of positioning accuracy, robustness, and more. Particularly in challenging scenarios like low illumination and rapid jitter, traditional geometric features fail to fully exploit image information, whereas deep learning features excel at capturing image features.To validate our proposed improvement scheme, we conducted experiments using open source datasets. We performed a comprehensive analysis of the experimental results from both qualitative and quantitative perspectives. The results demonstrate the feasibility and effectiveness of this deep learning-based approach for SLAM systems.To foster knowledge exchange in this field, we have made the code for this article publicly available. You can find the code at this link: https://github.com/luohongk/SuperVINS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google