【SLAM】开源 | 使用ORBSLAM2组织面元，只需在CPU上就可以实时得到精确性较高的稠密环境地图

论文地址：http://arxiv.org/pdf/1909.04250v1.pdf 代码：https://github.com/hkust-aerial-robotics/densesurfelmapping 来源：香港科技大学 论文名称：Real-time Scalable Dense Surfel Mapping 原文作者：Kaixuan Wang

本文提出了一种新颖的稠密建图系统，在只使用CPU的情况下，可以在应用与不同的环境中。使用稀疏SLAM系统来估计相机姿势，本文所提出的建图系统可以将灰度图像和深度图像融合成全局一致的模型。该系统经过精心设计，目的是可以使用RGB-D摄像机，立体摄像机甚至单目摄像机的深度图像，完成从室内环境到城市室外环境的地图构建。首先，从灰度和深度图像中提取超像素，用于构建面元模型。基于超像素的面元处理，使本文的方法可以兼顾运行效率和内存使用率，降低了算法对系统资源的使用。其次，面元的拼接构建是基于SLAM系统估计的位姿，这种方法可以实现O（1）时间的时间复杂度，而不会受到重建环境规模大小的影响。第三，利用优化后的位姿图实现快速的地图变换，可以使地图实时达到全局一致性。提出的面元建图系统与合成数据集上的其他最先进的方法进行比较。使用KITTI数据集和自主攻击飞行分别演示了城市规模和房间重建的表现。

下面是论文具体框架结构以及实验结果：

人工智能，每日面试题：

优化算法及其优缺点是什么？

每日面试题，答案：

号主答案：

1）随机梯度下降

优点：可以一定程度上解决局部最优解的问题

缺点：收敛速度较慢

2）批量梯度下降

优点：容易陷入局部最优解

缺点：收敛速度较快

3）mini_batch梯度下降

综合随机梯度下降和批量梯度下降的优缺点，提取的一个中和的方法。

4）牛顿法

牛顿法在迭代的时候，需要计算Hessian矩阵，当维度较高的时候，计算 Hessian矩阵比较困难。

5）拟牛顿法

拟牛顿法是为了改进牛顿法在迭代过程中，计算Hessian矩阵而提取的算法，它采用的方式是通过逼近Hessian的方式来进行求解。

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权联系删除。