Semantic Object-level Modeling for Robust Visual Camera Relocalization

视觉重定位对于移动机器人的自主视觉定位和导航至关重要。由于基于CNN的物体检测算法的改进，视觉重定位的鲁棒性得到了极大的提高，尤其是在经典方法失败的视点。然而，由轴对齐物体检测生成的椭球体（四面体）可能会限制物体级表示的准确性，并降低视觉重定位系统的性能。在本文中，我们提出了一种新的自动物体级体素建模方法，以获得准确的椭球体表示。至于视觉重定位，我们设计了更好的姿态优化策略，以充分利用2D适配椭圆和3D准确椭球体的投影特性。所有这些模块都完全集成到视觉SLAM系统中。实验结果表明，我们的语义物体级映射和基于物体的视觉重定位方法在鲁棒性方面显著提高了视觉重定位的性能，适用于新视点。

论文旨在解决自主视觉定位和导航中的视觉重定位问题，特别是在传统方法失败的视点中。作者认为基于轴对齐物体检测生成的椭球体（四面体）可能会限制物体级别表示的准确性，并降低视觉重定位系统的性能。

论文提出了一种自动物体级别体素建模的新方法，以获得准确的椭球体表示。对于视觉重定位，作者设计了更好的姿态优化策略，充分利用了2D拟合椭圆和3D准确椭球体的投影特性。所有这些模块都完全集成到视觉SLAM系统中。

论文的亮点包括自动物体级别体素建模、更准确的椭球体表示、更好的姿态优化策略、完全集成到视觉SLAM系统中。实验结果表明，这些方法显著提高了视觉重定位的性能，特别是在面对新视点时更具鲁棒性。

在这个领域中，最近的相关研究包括基于深度学习的物体检测、基于激光雷达的SLAM、基于视觉的SLAM等。其中一些论文包括：“Deep Learning for Object Detection: A Comprehensive Review”、“A Survey of Visual SLAM: on the Taxonomy and Challenges”等。