Подход к визуальному SLAM на основе глубокого обучения для динамических сцен в помещении

Научная статья посвящена решению одной из ключевых проблем для автономных систем в строительстве: точному позиционированию и картографированию в динамичных внутренних пространствах. Традиционные методы SLAM (одновременной локализации и картографирования) часто демонстрируют снижение точности в условиях активного движения объектов, что критично для мониторинга прогресса работ. Исследователи предлагают подход к визуальному SLAM, основанный на глубоком обучении. Он использует методы компьютерного зрения, включая принципы эпиполярной геометрии, для обработки визуальных данных. Основная цель — обеспечить повышенную устойчивость системы в условиях меняющейся среды. Научная новизна работы заключается в разработке и применении глубокого обучения для значительного улучшения надежности визуального SLAM в динамических внутренних сценах. Это позволяет роботам более эффективно ориентироваться и выполнять задачи, связанные с мониторингом строительных процессов, даже при наличии движущихся людей и техники. 🤖