Verbesserung der visuellen Odometrie durch geschätzte Szenentiefe: Nutzung von RGB-D-Daten mit Deep Learning

Fortschritte in visuellen Odometriet (VO)-Systemen haben von der weitverbreiteten Verwendung von kostengünstigen RGB-D-Kameras profitiert, was die Genauigkeit der Indoor-Lokalisierung und Kartierung verbessert hat. Ältere Sensoren wie der Kinect v1 stehen jedoch aufgrund von Tiefenungenauigkeiten und unvollständigen Daten vor Herausforderungen. Diese Studie vergleicht Indoor-VO-Systeme, die RGB-D-Bilder verwenden, und untersucht Methoden zur Verbesserung der Tiefeninformationen. Wir vergleichen konventionelle Bildauffülltechniken mit einem Deep-Learning-Ansatz und verwenden neuere Tiefendaten von Geräten wie dem Kinect v2. Unsere Forschung hebt die Bedeutung der Verfeinerung von Daten aus Sensoren niedrigerer Qualität hervor, die für kosteneffiziente VO-Anwendungen entscheidend ist. Durch die Integration von Deep-Learning-Modellen mit reichhaltigerem Kontext aus RGB-Bildern und umfassenderen Tiefenreferenzen zeigen wir eine verbesserte Trajektorienabschätzung im Vergleich zu Standardmethoden. Diese Arbeit fördert kostengünstige RGB-D-VO-Systeme für mobile Roboter im Innenraum und betont die Rolle des Deep Learning bei der Nutzung der Verbindungen zwischen Bildmerkmalen und Tiefendaten.