不同类型的视觉SLAM系统

不同类型的视觉SLAM系统

由于仅仅依赖一个标准的摄像头，单目视觉同步定位与地图构建(Monocular Visual SALM)已经变得非常受欢迎．因为在很多消费类电子产品中，都能很容易的找到摄像头，这使得只需要单个标准或普通摄像头就能构建SLAM变得极具吸引力，不管是在研究领域，还是在关键技术的应用领域，比如增强现实．

视觉SLAM算法通过摄像头可以从图片中获取丰富的信息. 这种获取数据的方式可以分为稀疏/稠密 和直接/间接SLAM. 就图像数据使用而言, 稀疏/稠密描述的是使用接收到每一帧图片区域的数量; 直接/间接描述的是图像数据使用的不同方法.

稀疏/稠密方法

从获取图片那个区域使用的方面讲,SLAM系统可以被分为稀疏和稠密. 更加具体的来说, 稀疏的SLAM系统仅仅使用一帧图片的选中的一小部分像素, 然而稠密SLAM系统则使用大部分或者全部像素. 由于使用不同的总量的像素和区域,产生的地图也不尽相同.由稀疏方法产生地图通常使用点云, 这是一种比较粗糙的编码方式,主要用于跟踪摄像头的位姿.另一方面,稠密的方法,更加给力的硬件通常时需要的,大部分稠密的SLAM系统都需要GPU.

稀疏地图

半稠密地图

稠密地图

直接/非直接方法

根据SLAM系统使用图像信息的方式可以分为直接/非直接. 非直接的方式通常先提出特征,然后利用这些特征定位摄像头和地图构建. 这些特征可以是简单的几何特征比如角和边,更加复杂的特征描述方法比如:SIFT,SURF,ORB,FAST等等.

然而,直接的方法试着恢复环境深度和结构信息,摄像头的位姿通过优化地图和摄像头信息参数共同得到. 由于特征提取会花费大量的时间,当维持与间接方法同样的帧率,直接方法潜在的好处在于可以有更多的时间进行其他计算.另一方面,间接方法基于特征可以提供更好的容错能力当光照条件改变时, 因为间接方法不直接使用像素强度.

现在已经有很多流行的单摄像头SLAM系统, 可以根据不同的应用和硬件平台选择合适的算法对图像数据进行利用.下图显示了不同的方法选用不同的SLAM系统.

相关论文和演示视频

DSO: Koltun, V. and Cremers, D., 2016. Direct sparse odometry. arXiv preprint arXiv:1607.02565.
https://www.youtube.com/watch?v=C6-xwSOOdqQ

DTAM: Newcombe, R.A., Lovegrove, S.J. and Davison, A.J., 2011, November. DTAM: Dense tracking and mapping in real-time. In Computer Vision (ICCV), 2011 IEEE International Conference on (pp. 2320-2327). IEEE.
https://www.youtube.com/watch?v=Df9WhgibCQA

LSD-SLAM: Engel, J., Schöps, T. and Cremers, D., 2014, September. LSD-SLAM: Large-scale direct monocular SLAM. In European Conference on Computer Vision pp. 834-849). Springer International Publishing.
https://www.youtube.com/watch?v=GnuQzP3gty4&t=1s

MonoSLAM: Davison, A.J., Reid, I.D., Molton, N.D. and Stasse, O., 2007. MonoSLAM: Real-time single camera SLAM. IEEE transactions onpattern analysis and machine intelligence, 29(6)
https://www.youtube.com/watch?v=mimAWVm-0qA

ORB-SLAM: Mur-Artal, R., Montiel, J.M.M. and Tardos, J.D., 2015. ORB-SLAM: a versatile and accurate monocular SLAM system. IEEE Transactions on Robotics 31(5), pp.1147-1163.
https://www.youtube.com/watch?v=_9VcvGybsDA

PTAM: Klein, G. and Murray, D., 2007, November. Parallel tracking and mapping for small AR workspaces. In Mixed and Augmented Reality, 2007. ISMAR 2007. 6th IEEE and ACM International Symposium on (pp. 225-234). IEEE.
https://www.youtube.com/watch?v=F3s3M0mokNc

SVO: Forster, C., Pizzoli, M. and Scaramuzza, D., 2014, May. SVO: Fast semi-direct monocular visual odometry. In Robotics and Automation (ICRA), 2014 IEEE International Conference on (pp. 15-22).IEEE.
https://www.youtube.com/watch?v=2YnIMfw6bJY&t=2s

Monday, 13. March 2017 08:52AM
原文地址Different Types of Visual SLAM Systems