Towards Long Term SLAM on Thermal Imagery

使用热成像技术进行视觉SLAM，以及其他低对比度的视觉受损环境，如水下或被雪和冰覆盖的区域，对许多最先进的算法仍然是一个难题。除了具有挑战性的前端数据关联外，热成像技术还会对长期的重新定位和地图重用提出额外的困难。热成像技术中物体的相对温度在白天和晚上会发生巨大变化，而SLAM中通常用于重新定位的特征描述符无法保持这些昼夜变化的一致性。我们展示了学习到的特征描述符可以在现有的基于词袋的定位方案中使用，从而显著提高在热成像技术中跨越大时间间隔的地点识别能力。为了展示我们训练出的词汇表的有效性，我们开发了一个基准SLAM系统，将学习到的特征和匹配集成到经典的SLAM算法中。我们的系统在具有挑战性的热成像技术中表现出良好的局部跟踪能力，并能克服昼夜热外观变化的巨大影响进行重新定位。我们的代码和数据集可在以下链接中找到：https://github.com/neufieldrobotics/IRSLAM_Baseline。

如何在热成像和其他低对比度环境下实现有效的SLAM？

通过学习特征描述符来改进基于词袋的定位方案，以便在热成像和其他低对比度环境下实现有效的地点识别和重定位。

论文展示了训练的特征描述符可以在现有的基于词袋的定位方案中使用，从而显著提高在热成像和其他低对比度环境下的地点识别能力。论文提出的基于学习的方法在处理日夜温度变化等问题时表现出色，同时提供了代码和数据集。

近期的相关研究包括：《Visual-Inertial Monocular SLAM with Map Reuse and Loop Closure Detection》、《A Survey of Visual SLAM: on the Past, Present and Future of Simultaneous Localization and Mapping》等。