Simultaneous Localization and 3D-Semi Dense Mapping for Micro Drones Using Monocular Camera and Inertial Sensors
本文提出了一种用于微型无人机的实时、边缘感知轻量化单目 SLAM 系统，该系统通过扩展卡尔曼滤波将基于深度学习的深度预测与惯性数据进行融合，从而在不依赖全局回环检测的情况下，在资源受限的平台上实现精确的 3D 半稠密建图与自主导航。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一只只有手掌大小的微型无人机，正试图在一个杂乱的走廊中穿行。为了安全移动而不发生碰撞，它必须瞬间理解周围世界的形状。它需要知道自己在哪里，墙壁在哪里，以及障碍物离它有多远。几十年来，工程师们一直致力于为这些小型机器提供这种视觉能力。它们携带的摄像头通常太弱，无法构建出房间的详细图像，而处理复杂图像所需的强大计算机又太重，且会过快消耗电池电量。这造成了一个艰难的权衡：要么无人机将世界视为稀疏的点集，从而遗漏大部分结构；要么尝试构建丰富的详细地图，却在完成之前就耗尽了电力。
解决这一问题的方案在于海法大学（University of Haifa）研究人员开发的一种新方法。他们创建了一个系统，使微型无人机仅使用单个摄像头和基础运动传感器，就能实时构建周围环境的半详细3D地图。该方法并没有试图绘制房间中的每一个点（这在计算上非常昂贵），而是将重点放在边缘上——即墙壁与地板交汇处，或物体与背景分离处的锐利线条。通过将这些锐利的视觉线条与对场景深度的轻量化预测相结合，无人机可以在不需要超级计算机的情况下，构建出一个清晰、可用的环境地图。
研究人员在配备了单个摄像头和测量运动的惯性传感器的商用小型无人机上测试了该系统。在过去，类似的系统依赖于在不同图像之间匹配特定的点（如角点或纹理）来确定无人机的位置。虽然这对于了解大致方向很有效，但往往无法捕捉到房间的完整形状，导致地图出现巨大的空白。其他现代方法则使用复杂的人工智能来填补这些空白，从而创建密集且真实的3D模型。然而，这些重度依赖AI的方法需要海量的计算能力和能量，使得在微型无人机所携带的微型处理器上运行变得不可能。新系统通过巧妙结合新旧技术弥补了这一差距。它使用一种轻量级的神经网络（一种简单的AI）来根据图像猜测场景的深度，然后利用照片中检测到的锐利边缘将该猜测固定下来。
为了确保无人机准确知道物体距离有多远，该系统将摄像头数据与无人机运动传感器提供的信息进行融合。单目摄像头（仅使用一个镜头的摄像头）有一个天然的盲点：它们无法区分近处的小物体和远处的大物体。这被称为尺度模糊（scale ambiguity）。研究人员通过将无人机内部传感器的运动数据输入到一个数学滤波器中，不断修正摄像头的猜测，从而解决了这个问题。这一过程确保了地图以正确的尺寸增长，防止无人机误以为走廊比实际长度长十倍。
这种方法的测试结果令人瞩目。在针对知名室内环境数据集的标准导航系统测试中，新系统表现出了显著更高的准确性。研究人员发现，与领先的传统方法相比，无人机估计路径的误差减少了近75%。更重要的是，生成的地图不仅仅是零散点的集合，而是一个由边缘和表面组成的连贯结构，清晰地定义了房间的布局。该系统能在低功耗硬件上平稳运行，甚至可以在像树莓派Zero（Raspberry Pi Zero）这样微小且廉价的计算机板上运行。这意味着这项技术不仅是一个理论概念，更是一个可以在现实世界无人机上部署的实用工具。
从实际应用的角度来看，这意味着微型无人机现在可以飞越复杂的室内空间（如仓库或室内走廊），并在无需向强大的服务器传输数据或携带沉重电池的情况下，构建可靠的障碍物3D地图。该系统在测试中成功导航了室内走廊并避开了障碍物，证明了它能够应对现实世界导航中的挑战。通过专注于物体的边缘并使用精简的方法来估算深度，研究人员表明，高质量的建图并不需要沉重的机械设备。相反，通过简单传感器与高效算法的智能结合即可实现。这为新一代能够在资源受限的环境中独立运行的自主无人机开启了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。