Increasing SLAM Pose Accuracy by Ground-to-Satellite Image Registration

这篇论文讨论了自动驾驶中基于视觉的定位技术，当没有预先构建的三维地图时，通常采用基于视觉的同时定位与地图构建技术（vSLAM）。由于误差的累积，vSLAM通常会出现长期漂移。因此，本文提出了一种框架，通过将vSLAM与基于深度学习的地面到卫星（G2S）图像配准方法相结合，提高定位精度。在该框架中，设计了一种从粗到细的方法（空间相关性边界检查和视觉里程一致性检查），以选择有效的G2S预测值。然后，通过解决一个缩放的姿态图问题，将所选预测值与SLAM测量值融合。为了进一步提高定位精度，我们提供了一个迭代轨迹融合管道。该框架在两个著名的自动驾驶数据集上进行了评估，结果表明在车辆定位方面具有准确性和鲁棒性。

论文旨在提高自主驾驶中的视觉同时定位与地图构建技术（vSLAM）的定位精度，通过与基于深度学习的地面到卫星（G2S）图像配准方法相结合，解决vSLAM长期漂移的问题。

论文提出了一种通过将G2S预测结果与vSLAM测量结果进行融合的方法，通过解决缩放的姿态图问题来提高定位精度。同时，还提出了迭代轨迹融合流程来进一步提高精度。

论文在两个著名的自主驾驶数据集上进行了评估，结果表明该方法在车辆定位方面具有精度和鲁棒性。此外，论文还开源了代码，为后续研究提供了参考。

近期相关研究包括：Visual SLAM系统、基于深度学习的图像配准方法、以及基于视觉的自主导航方法等。