Light-SLAM: Um Sistema de SLAM Visual Robusto Baseado em Aprendizado Profundo com LightGlue em Condições de Iluminação Desafiadoras

A Localização e Mapeamento Simultâneos (SLAM) tornou-se uma tecnologia crítica para sistemas de transporte inteligentes e robôs autônomos, sendo amplamente utilizada na condução autônoma. No entanto, os métodos tradicionais manuais baseados em características em ambientes de iluminação desafiadora tornam difícil garantir robustez e precisão. Alguns métodos baseados em aprendizado profundo mostram potencial, mas ainda apresentam desvantagens significativas. Para resolver esse problema, propomos um novo sistema híbrido para SLAM visual baseado na rede de aprendizado profundo LightGlue. Ele utiliza descritores de características locais profundas para substituir características feitas à mão tradicionais e uma rede profunda mais eficiente e precisa para alcançar correspondência de características rápida e precisa. Assim, usamos a robustez do aprendizado profundo para melhorar todo o sistema. Combinamos abordagens baseadas em geometria tradicionais para introduzir um sistema completo de SLAM visual para sensores monoculares, binoculares e RGB-D. Testamos minuciosamente o sistema proposto em quatro conjuntos de dados públicos: KITTI, EuRoC, TUM e 4Season, além de em cenas reais de campus. Os resultados experimentais mostram que o método proposto apresenta melhor precisão e robustez na adaptação a ambientes de baixa luminosidade e com variação intensa de luz em comparação com características manuais tradicionais e métodos baseados em aprendizado profundo. Ele também pode ser executado em tempo real na GPU.