,以牺牲召回为代价来提高精度.结果,系统在关闭循环和重用以前的地图方面太慢.我们提出了一种新的位置识别算法,首先检查候选关键帧的几何一致性,然后检查与三个可共视关键帧的局部一致性,这三个关键帧在大多数情况下已经在地图中...2 Place Recognition(位置识别)
为了获得较高的召回率,对于每个新的活动关键帧,本系统在DBoW2数据库中查询Atlas中的几个相似的关键帧。...为了总结性能,我们给出了每个传感器配置的10次执行的中间值.对于一个稳健的系统,中位数准确地代表了系统的行为.但是一个不稳定的系统会在结果中表现出很大的差异.这可以使用图4进行分析,图4用颜色显示了10...最后,房间序列可以代表典型的AR/VR,表三显示ORB-SLAM3比竞争方法更准确.表四比较了使用我们的四种传感器配置获得的结果.利用单目惯性,我们进一步将平均RMSE加速度误差降低到2厘米以下,也获得了真实的尺度...我们还在TUM-VI数据集上进行了一些多会话实验.图5显示了在TUM building1中处理几个序列后的结果.在这种情况下,小房间序列提供了较长序列中缺少的闭环.将所有错误带到厘米级.尽管室外无法获得地面实况