XiaoMi-AI文件搜索系统
World File Search SystemVSLAM
动态光流跟踪VSLAM方法
抽象的视觉同时本地化和映射（VSLAM）技术可以为关键任务提供可靠的视觉定位和映射功能。现有的VSLAM可以在静态环境中提取准确的特征点，以进行匹配和姿势估计，然后构建环境图。但是，在动态环境中，随着对象的移动，VSLAM系统提取的特征点将变得不准确，这不仅会导致跟踪故障，而且还严重影响了环境图的准确性。为了减轻这些挑战，我们提出了一种基于Yolov8的动态目标感光流量跟踪方法。首先，我们使用Yolov8来识别环境中的移动目标，并提出了一种消除动态轮廓区域中动态点的方法。其次，我们使用光流膜方法来识别目标检测对象框架之外的动态特征点。第三，我们全面消除了动态特征点。最后，我们结合了静态图点的几何和语义信息，以构建环境的语义图。我们使用ATE（绝对轨迹误差）和RPE（相对姿势误差）作为评估指标，并将原始方法与我们在TUM数据集上的方法进行了比较。我们方法的准确性显着提高，尤其是Walking_xyz数据集的96.92％。实验结果表明，我们提出的方法可以显着改善高动态环境下VSLAM系统的整体性能。
对手在道路上：使用不明显的对抗补丁
视觉同时定位和映射（VSLAM）在众多新兴应用中起关键作用，其中包括自动驾驶和机器人导航。它主要利用图像传感器捕获的连续帧来进行定位并构建高清图。但是，现有的方法主要集中于构建可靠和准确的VSLAM系统，而几乎没有研究现有VSLAM系统的脆弱性。为了填补空白，我们引入了AOR（dversary是R oad）攻击，该攻击可以有效地改变定位和映射结果，而无需合法用户检测到广泛使用的VSLAM系统的结果。为此，我们对现有的VSLAM系统进行了深入研究，发现这些系统对环境质量变化非常敏感。在这种见解的基础上，我们设计了一种新颖的对抗斑块生成机制，该机制可以产生不明显的对抗斑块来攻击现有的VSLAM系统。我们广泛评估了对行业级车辆，机器人平台和四个著名的开源数据集的AOR攻击的有效性。评估结果表明，AOR攻击可以有效地攻击现有的VSLAM系统并引入极高的定位错误（高达713％）。为了减轻此攻击，我们还设计了一个重要的防御模块，以同时检测异常的环境纹理分布并支持可靠的VS-LAM。我们的防御模块轻巧，有可能应用于现有的VSLAM系统。
视觉和视觉惯性 SLAM：最新技术、分类和实验基准测试
同步定位与地图构建现在已被许多应用广泛采用，研究人员已就此主题撰写了大量文献。随着智能设备的出现，嵌入式摄像头、惯性测量单元、视觉 SLAM (vSLAM) 和视觉惯性 SLAM (viSLAM) 正在实现新颖的一般公共应用。在此背景下，本文对流行的 SLAM 方法进行了回顾，重点关注 vSLAM/viSLAM，包括基础和实验层面。它首先对现有的 vSLAM 和 viSLAM 设计进行结构化概述，然后对十几种主要的最先进方法进行新的分类。对 viSLAM 发展的历史回顾突出了历史里程碑，并将较新的方法归类。最后，针对城市环境中使用手持设备进行行人姿势估计的用例，通过实验评估了 vSLAM 的性能。使用 EuRoC MAV 数据集和对应于城市行人导航的新视觉惯性数据集比较了五种开源方法 Vins-Mono、ROVIO、ORB-SLAM2、DSO 和 LSD-SLAM 的性能。对计算结果的详细分析确定了每种方法的优缺点。从全球来看，ORB-SLAM2 似乎是解决城市行人导航挑战最有希望的算法，使用两个数据集进行了测试。
使用数字双胞胎
摘要 - 城市环境中的一致性本地化对于自动驾驶汽车和无人机等自主系统以及视觉上障碍者的辅助技术至关重要。传统的视觉惯性进程（VIO）和视觉同时定位和映射（VSLAM）方法虽然足以进行局部姿势估计，但由于依赖局部传感器数据，因此长期存在漂移。尽管GPS抵消了这种漂移，但它在室内不可用，在城市地区通常不可靠。一种替代方法是使用视觉功能匹配将相机定位到现有的3D地图。这可以提供厘米级的准确定位，但受当前视图和地图之间的视觉相似性的限制。本文介绍了一种新颖的方法，该方法通过将VIO/VSLAM系统生成的稀疏3D点云与使用点上的平面匹配相结合，从而实现准确且全球的本地化。不需要视觉数据关联。所提出的方法提供了一个6-DOF的全球测量，该测量紧密整合到VIO/VSLAM系统中。实验在高保真的GPS模拟器和从无人机收集的现实世界数据上进行，这表明我们的方法的表现优于最先进的VIO-GPS系统，并且与最先进的视觉大满贯系统相比，针对观点变化提供了卓越的鲁棒性。
无人机辅助的Visual Slam生成重建的3D场景图
摘要 - 空中机器人在各种应用中起着至关重要的作用，在各种应用中，机器人对环境的意识是基本需求。作为一种用例，在受GPS贬低的环境中的无人机需要配备不同的传感器（例如，视觉传感器），这些传感器在执行姿势估计和本地化时提供了可靠的传感结果。在本文中，针对了安装在无人机上的摄像头，重建室内环境的地图，以生成3D场景图，以进行高级表示。因此，建造并使用配备了配套计算机和RGB-D相机的空中机器人与作者提出的同时定位和映射（VSLAM）框架合适地集成在一起。在重建地图，各种结构元素（包括门和墙壁）的同时提高机器人的情境意识，上面标有印刷的信托标记，其中拓扑关系的词典被馈送到了系统中。VSLAM系统检测标记并重建室内区域的地图，并具有更高级别的语义实体，包括走廊和房间。另一个成就是生成基于多层视力的情境图，其中包含室内环境的增强分层表示。在这方面，将VSLAM集成到所采用的无人机中是本文为GPS污染环境提供端到端机器人应用程序的主要目标。为了显示系统的实用性，已经在具有不同结构布局的室内场景中进行了各种现实状况实验。评估表明，提议的无人机应用程序可以进行足够的W.R.T.地面真相数据及其基线。
在镜像环境中对视觉大满贯方法进行基准测试
抽象的视觉同时定位和映射（VSLAM）为室内和室外导航发现了应用程序，这些应用程序通常会使其经常受到视觉复杂性的影响，尤其是镜像的反射。镜像存在的影响（时间可见及其在框架中的平均大小）的影响会影响定位和映射性能，而系统使用的直接技术预计会表现较差。因此，收集了记录在镜像环境中的图像序列的数据集Mirrenv，并用于评估现有代表性方法的性能。RGBD ORB-SLAM3和BUNDLEDEFUSION似乎随着镜像持续时间的增加显示了绝对轨迹误差的中等降解，而其余结果并未显示出显着降低的定位性能。事实证明，生成的网格图非常不准确，重建中的真实和虚拟反射碰撞。讨论了镜子环境中可能的错误和鲁棒性来源，概述了未来的方向，以验证和改善在平面镜的存在下VSLAM性能。Mirrenv数据集可从https://doi.org/10.17035/d.2023.0292477898获得。
IWS 2025 OSCE for AI CDSS.pdf
[2] Kawamura，E.，Kannan，K.，Lombaerts，T。，＆Ippolito，C。A.（2022）。基于视觉的精确方法和高级空气移动性的着陆。在AIAA Scitech 2022论坛（第0497页）中。[3] Oberkampf，D.，Dementhon，D。F.和Davis，L。S.（1996）。使用共面特征点迭代姿势估计。计算机视觉和图像理解，63（3），495-511。[4] Kawamura, E., Dolph, C., Kannan, K., Lombaerts, T., and Ippolito, C. A., “Simulated Vision-based Approach and Landing System Advanced Air Mobility,” AIAA SciTech 2023 Forum , AIAA-2023-2195, 2023.[5] Kawamura，E.，Dolph，C.，Kannan，K.，Brown，N.，Lombaerts，T。和Ippolito，C。A.，“基于VSLAM和VISISION ASS基于Vision的方法以及用于先进的空中移动性的方法，” AIAA Scitech 2023 Forum，2023年，第2023页，第2023页，p。 2196。
基于视觉的情况图利用基于语义实体的集成基金标记
情境图（S图）合并了通过同时定位和映射（SLAM）将3D场景图的接近的几何模型合并到多层联合优化因子图中。作为一种优势，S-graph不仅是通过将几何图与一个图中的各种层次组织的语义界面及其拓扑关系相结合，因此更全面的机器人情境意识，还可以改善本地化的性能，并通过Exploit-exploit-exploit-neploit-neploit-opploit-依靠语义信息绘制。在本文中，我们介绍了基于视觉的S-Graphs版本，其中使用传统的视觉猛击（VSLAM）系统用于低级功能跟踪和映射。此外，该框架利用了ducial标记的潜力（可见以及我们最近引入的透明或完全看不见的标记）来编码有关环境及其内部对象的全面信息。标记有助于识别和绘制结构性的语义实体，包括环境中的墙壁和门，在全球参考中具有可靠的姿势，随后与包括走廊和房间在内的高级实体建立了有意义的关联。然而，除了包括语义实体外，还利用了公爵标记物施加的语义和几何约束来提高重建的地图的质量并减少本地化错误。使用腿部机器人收集的实际数据集上的实验结果表明，我们的框架在制作更丰富的多层分层图方面表现出色，并同时增强了机器人姿势精度。