Resumen

La detección del cierre de bucles sirve como punto de apoyo para mejorar la exactitud y la precisión en la localización y el mapeo simultáneos (SLAM). La mayoría de los métodos de detección de bucles extraen características artificiales, que se quedan cortas a la hora de aprender información exhaustiva de los datos, pero el aprendizaje no supervisado, como método típico de aprendizaje profundo, destaca en el aprendizaje autodidacta y la agrupación para analizar la similitud sin manipular los datos. Además, el método de aprendizaje no supervisado resuelve las restricciones de calidad de imagen y semántica de unicidad de muchos métodos SLAM tradicionales. Por lo tanto, en este trabajo se propone una estrategia de detección de cierre de bucle basada en un método de aprendizaje no supervisado. El componente principal adopta BigBiGAN para extraer características y establecer una bolsa original de palabras. A continuación, se utiliza la bolsa de palabras completa para detectar el cierre de bucles. Por último, se añade una considerable comprobación de validación del descriptor ORB para verificar el resultado y el resultado de salida de la detección de cierre de bucle. El algoritmo propuesto y otros algoritmos comparados se aplican, respectivamente, en Autolabor Pro1 para ejecutar el SLAM visual en interiores. El experimento muestra que el algoritmo propuesto aumenta la tasa de recuperación en un 20 en comparación con ORB-SLAM2 y LSD-SLAM. También mejora al menos un 40,0 y reduce la pérdida de tiempo de ORB-SLAM2 en un 14%. Por lo tanto, el SLAM presentado basado en BigBiGAN beneficia mucho al SLAM visual en el entorno de interiores.

• Materias:Ingeniería electrónica Redes Inalámbricas Procesamiento de señales asistido por computador Informática Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Signal processing computer-assisted Computing Data processing
• Palabras claves:método de aprendizaje no supervisado, slam, estrategia de detección de cierre de bucle, muchos métodos tradicionales de slam, método típico de aprendizaje profundo, detección de cierre de bucle, información exhaustiva de datos, comprobación de validación considerable, slam visual en interiores, detección de cierre de bucle.
• Keywords:unsupervised learning method, slam, loop closure detection strategy, many traditional slam methods, typical deep learning method, loop closure detection, comprehensive data information, considerable validation check, indoor visual slam, loop closure detection