这都可以？用更少的地图点实现更精确的相机位姿！视觉SLAM地图点稀疏化

点击下方卡片，关注「集智书童」公众号

点击加入👉「集智书童」交流群

   当将SLAM用于真实世界中实际的问题（例如自动驾驶、无人机和AR设备）上时，其内存占用和计算成本是限制性能和应用范围的两个主要的因素；在离散的特征点SLAM算法中，解决这个问题的一个有效的方式是通过loca BA 和global BA删除点进而限制地图点的规模；本项研究中提出了一种在SLAM系统中实现地图点稀疏化的有效的图优化方法，具体上作者将最大位姿可见性和最大空间多样性问题表示成一个最小成本最大流量图优化问题。

    作者所提出的方法可以在现存的SLAM系统中作为额外的一个步骤，因此它可以用于传统和学习的SLAM系统；通过大量的实验评估证明所提出的方法用大约1/3的地图点和1/2的计算实现了更精确的相机位姿。

本文贡献如下：

1、提出了一个 相机位姿对和3D点最大的点可见性的图表示方法；

2、提出了一种新的cost用于最大化图像空间上二维特征的空间多样性；

3、提出了一种 基于最小代价最大流量的点稀疏化算法来控制剩余点的数量；

4、提供了详细的位姿准确性、点减少和各种室内/室外公共数据集的改进速度比较；

扫码加入👉「集智书童」交流群

（备注：方向+学校/公司+昵称）

想要了解更多：

前沿AI视觉感知全栈知识👉「分类、检测、分割、关键点、车道线检测、3D视觉（分割、检测）、多模态、目标跟踪、NerF」

行业技术方案👉「AI安防、AI医疗、AI自动驾驶」

AI模型部署落地实战👉「CUDA、TensorRT、NCNN、OpenVINO、MNN、ONNXRuntime以及地平线框架」

欢迎扫描上方二维码，加入「集智书童-知识星球」，日常分享论文、学习笔记、问题解决方案、部署方案以及全栈式答疑，期待交流！