室内场景下基于曼哈顿约束的多重特征视觉SLAM方法
本课题组硕士研究生龚光强在《中国惯性技术学报》（EI收录）发表论文。该论文针对基于点特征的视觉同步定位与地图构建（SLAM）在室内低纹理环境出现定位精度差甚至失效的问题，提出一种基于曼哈顿约束的点线面多重特征视觉SLAM方法。
具体来说，该论文为克服传统面特征提取算法检测精度差的问题，使用改进的PlaneRecNet网络进行更准确的面特征提取。针对基于曼哈顿世界假设进行位姿估计的应用场景受限问题，利用平面间的正交关系判断曼哈顿假设条件。在非曼哈顿场景直接跟踪点、线特征估计六自由度位姿；对于曼哈顿场景，采用方向引导的方法筛选主平面，比较和跟踪平面结构的正交性进行三自由度旋转估计，降低旋转累积误差带来的漂移。
该论文在公开ICL-NUIM与TUM数据集上的实验结果表明：改进的面分割网络较PlaneRecNet和PlaneRCNN的精度分别提升5.47%和11.89%；平均绝对轨迹误差比ORB-SLAM3减少了39%，表现出了更优越的准确性和鲁棒性。该研究具有重要理论研究意义和实际应用价值，为室内场景SLAM技术的研究提供了参考依据。
