摘要：

现有的同时定位和映射 (SLAM) 算法在具有挑战性的低纹理环境中并不稳健，因为只有很少的显着特征。 生成的稀疏或半密集地图也为运动规划传达了很少的信息。 尽管一些工作利用平面或场景布局进行密集地图正则化，但它们需要来自其他来源的良好状态估计。 在本文中，我们提出了实时单目平面 SLAM，以证明场景理解可以改善状态估计和密集映射，尤其是在低纹理环境中。 平面测量来自应用于每个图像的弹出式 3D 平面模型。 我们还将平面与基于点的 SLAM 相结合以提高鲁棒性。 在公共 TUM 数据集上，我们的算法生成密集语义 3D 模型，像素深度误差为 6.2 厘米，而现有的 SLAM 算法失败。 在一个 60 m 长的带有循环的数据集上，我们的方法创建了一个更好的 3D 模型，状态估计误差为 0.67%。

期刊：

Intelligent Robots and Systems.Oct 2016