The loop closure Detection Algorithm Based on Bag of Semantic Word For Robot Navigation

2020 ◽  
Author(s):  
Pengcheng Yu ◽  
Xiaogang Ruan ◽  
Xiaoqing Zhu
Keyword(s):  
Robot Navigation ◽  
Detection Algorithm ◽  
Loop Closure ◽  
Loop Closure Detection

Loop Closure Detection Algorithm Based On Multi-Level Convolutional Neural Network Features

2018 ◽  
Vol 55 (11) ◽  
pp. 111507
Author(s):  
鲍振强 Bao Zhenqiang ◽  
李艾华 Li Aihua ◽  
崔智高 Cui Zhigao ◽  
苏延召 Su Yanzhao ◽  
郑勇 Zheng Yong
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Detection Algorithm ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Multi Level

scholarly journals SVG-Loop: Semantic–Visual–Geometric Information-Based Loop Closure Detection

2021 ◽  
Vol 13 (17) ◽  
pp. 3520
Author(s):  
Zhian Yuan ◽  
Ke Xu ◽  
Xiaoyu Zhou ◽  
Bin Deng ◽  
Yanxin Ma
Keyword(s):  
Detection Algorithm ◽  
Detection Methods ◽  
Vector Model ◽  
Limited Information ◽  
Complex Environments ◽  
Dynamic Features ◽  
Geometric Information ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Localization And Mapping

Loop closure detection is an important component of visual simultaneous localization and mapping (SLAM). However, most existing loop closure detection methods are vulnerable to complex environments and use limited information from images. As higher-level image information and multi-information fusion can improve the robustness of place recognition, a semantic–visual–geometric information-based loop closure detection algorithm (SVG-Loop) is proposed in this paper. In detail, to reduce the interference of dynamic features, a semantic bag-of-words model was firstly constructed by connecting visual features with semantic labels. Secondly, in order to improve detection robustness in different scenes, a semantic landmark vector model was designed by encoding the geometric relationship of the semantic graph. Finally, semantic, visual, and geometric information was integrated by fuse calculation of the two modules. Compared with art-of-the-state methods, experiments on the TUM RBG-D dataset, KITTI odometry dataset, and practical environment show that SVG-Loop has advantages in complex environments with varying light, changeable weather, and dynamic interference.

Online appearance-based place recognition and mapping algorithms for autonomous robot navigation

2021 ◽  
Author(s):  
Κωνσταντίνος Τσιντώτας
Keyword(s):  
Image Processing ◽  
Robot Navigation ◽  
Simultaneous Localization And Mapping ◽  
Autonomous Robot ◽  
Place Recognition ◽  
Mapping Algorithms ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Localization And Mapping ◽  
Autonomous Robot Navigation

Τα αυτόνομα ρομποτικά συστήματα αποτελούν ένα από τα τμήματα που βρίσκονται στην αιχμή της τεχνολογίας και της έρευνας. Τα σύγχρονα ρομποτικά συστήματα που δημιουργούνται δύναται να έχουν την ικανότητα να μπορούν να προσδιορίσουν την θέση τους μέσα στο περιβάλλον το οποίο περιπλανιούνται. Η επίτευξη του συγκεκριμένου στόχου επιτυγχάνεται μέσω της κατασκευής ενός χάρτη την στιγμή που πλοηγείται, μέσω ενός μηχανισμού που είναι ευρέως γνωστός ως ταυτόχρονος προσδιορισμός θέσης και τοποθεσίας (Simultaneous Localization and Mapping –SLAM). Ο χάρτης δημιουργείται μέσω των μετρήσεων που δέχεται το σύστημα από τους επιμέρους αισθητήρες που είναι τοποθετημένοι επάνω στο ρομποτικό σύστημα. Η αύξηση της υπολογιστικής ισχύς τα τελευταία χρόνια και η ευρέως διαδεδομένη χρήση των καμερών οδήγησε στα αυτόνομα συστήματα να επιλέγεται ως κύρια πηγή απόκτησης δεδομένων η χρήση καμερών. Καθώς όμως το ρομπότ διασχίζει την τροχιά του μέσα σε ένα άγνωστο περιβάλλον είναι έντονος ο κίνδυνος δημιουργίας ενός χάρτη με εσφαλμένα στοιχεία στην σχεδιασμένη τροχιά, με κύρια αίτια που μπορεί να σχετίζονται στην κακή εκτίμηση μετρήσεων των αισθητήριων ή σε ενδεχόμενη δυσλειτουργία των ενσωματωμένων οργάνων του συστήματος. Το πρόβλημα που αναφέρθηκε αποτελεί κίνδυνο για την περάτωση της αποστολής του ρομποτικού συστήματος, το οποίο όμως μπορεί να διορθωθεί με επαναπροσδιορισμό της τροχιάς του εφόσον είναι εφικτή η αναγνώριση της περιοχής που διασχίζει μέσω των οπτικών αισθητηρίων που διαθέτει. Τα συστήματα τα οποία βασίζονται αποκλειστικά στις κάμερες ως μέσα αναγνώρισης περιοχής είναι γνωστά ως εμφάνισης βασιζόμενα συστήματα (appearance based systems) και οι τεχνικές που προσπαθούν να λύσουν το πρόβλημα είναι γνωστές ως ανίχνευση κλειστών βρόγχων (loop closure detection). Η παρούσα διδακτορική διατριβή εστιάζει στην δημιουργία ενός αντίστοιχου συστήματος ικανού να αναγνωρίσει μια επαναλαμβανόμενα επισκεπτόμενη περιοχή μέσω των εισερχόμενων εικόνων που δέχεται. Η επίτευξη του συστήματος στηρίζεται σε τρείς σημαντικές μονάδες. Στην αρχή έρχεται η μονάδα επεξεργασίας εικόνας (image processing) με την οποία είναι εφικτή η ερμηνεία των εισερχόμενων εικόνων. Μέσω τεχνικών περιγραφής εικόνας είναι δυνατή η λήψη σημείων ενδιαφέροντος ικανά να περιγράψουν την σκηνή που αντιμετωπίζει το ρομπότ. Κάθε εικόνα ενδέχεται να περιέχει εκατοντάδες τοπικά σημεία ενδιαφέροντος με αποτέλεσμα να μπορεί να περιγραφεί ως ένα σύνολο από επιμέρους χαρακτηριστικά. Ο χάρτης (map) αποτελεί την μονάδα που είναι υπεύθυνη για την αναπαράσταση του κόσμου που γνωρίζει το ρομπότ με βάση τα χαρακτηριστικά που έχουν ληφθεί από τις σκηνές που έχει επισκεφθεί. Τέλος, έρχεται η μονάδα πεποίθησης πιθανής περιοχής (belief generator), η οποία συνδυάζει τα εισερχόμενα δεδομένα με τα δεδομένα του χάρτη ώστε να είναι σε θέση να λάβει την απόφαση για το αν το σύστημα βρίσκεται ή όχι σε οικεία περιοχή με σκοπό να επαναπροσδιορίσει την τροχιά του.

scholarly journals A BigBiGAN-Based Loop Closure Detection Algorithm for Indoor Visual SLAM

2021 ◽  
Vol 2021 ◽  
pp. 1-10
Author(s):  
Qiubo Zhong ◽  
Xiaoyi Fang
Keyword(s):  
Unsupervised Learning ◽  
Recall Rate ◽  
Detection Algorithm ◽  
Detection Methods ◽  
Bag Of Words ◽  
Learning Method ◽  
Visual Slam ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Main Component

Loop closure detection serves as the fulcrum of improving the accuracy and precision in simultaneous localization and mapping (SLAM). The majority of loop detection methods extract artificial features, which fall short of learning comprehensive data information, but unsupervised learning as a typical deep learning method excels in self-access learning and clustering to analyze the similarity without handling the data. Moreover, the unsupervised learning method does solve restrictions on image quality and singleness semantics in many traditional SLAM methods. Therefore, a loop closure detection strategy based on an unsupervised learning method is proposed in this paper. The main component adopts BigBiGAN to extract features and establish an original bag of words. Then, the complete bag of words is used to detect loop closing. Finally, a considerable validation check of the ORB descriptor is added to verify the result and output outcome of loop closure detection. The proposed algorithm and other compared algorithms are, respectively, applied on Autolabor Pro1 to execute the indoor visual SLAM. The experiment shows that the proposed algorithm increases the recall rate by 20% compared with ORB-SLAM2 and LSD-SLAM. And it also improves at least 40.0% accuracy than others and reduces 14% time loss of ORB-SLAM2. Therefore, the presented SLAM based on BigBiGAN does benefit much the visual SLAM in the indoor environment.

scholarly journals Loop Closure Detection Based on Multi-Scale Deep Feature Fusion

2019 ◽  
Vol 9 (6) ◽  
pp. 1120 ◽  
Author(s):  
Baifan Chen ◽  
Dian Yuan ◽  
Chunfa Liu ◽  
Qian Wu
Keyword(s):  
Feature Fusion ◽  
Receptive Fields ◽  
Detection Algorithm ◽  
Image Features ◽  
Mobile Robot Navigation ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Multi Scale ◽  
Deep Feature ◽  
Illumination Changes

Loop closure detection plays a very important role in the mobile robot navigation field. It is useful in achieving accurate navigation in complex environments and reducing the cumulative error of the robot’s pose estimation. The current mainstream methods are based on the visual bag of word model, but traditional image features are sensitive to illumination changes. This paper proposes a loop closure detection algorithm based on multi-scale deep feature fusion, which uses a Convolutional Neural Network (CNN) to extract more advanced and more abstract features. In order to deal with the different sizes of input images and enrich receptive fields of the feature extractor, this paper uses the spatial pyramid pooling (SPP) of multi-scale to fuse the features. In addition, considering the different contributions of each feature to loop closure detection, the paper defines the distinguishability weight of features and uses it in similarity measurement. It reduces the probability of false positives in loop closure detection. The experimental results show that the loop closure detection algorithm based on multi-scale deep feature fusion has higher precision and recall rates and is more robust to illumination changes than the mainstream methods.

Sign in / Sign up

Export Citation Format

Share Document