PL-SLAM: a Stereo SLAM System through the Combination of Points and Line Segments

Abstract

在场景语义不是很丰富的情况下，单纯基于特征点的视觉SLAM实现效果可能会因此有所下降，本文提出一种结合特征点和特征线的视觉SLAM方案，大大提高视觉SLAM在弱场景下的运行鲁棒性。这俩种特征在视觉里程计、回环检测、BA优化等环节中都有用到。

Introduction

• 线性特征面临的问题：线性特征提取和匹配会加重计算机的负担、线性特征的遮挡、断连等问题都限制了线性特征的使用。
• 本文解决上述问题的方案是通过对线性特征和长度的筛选踢除不合理的线性特征，通过对端点计算获取线性特征的残差。
• 本文主要对贡献
  1）第一个开源的点、线特征实时视觉SLAM方案；
  2）一种新的针对以上俩种特征的BA方案；
  3）一种新的针对以上俩种特征的字典模型用于实现高精度的回环检测。

Related Work

• 基于线性特征的SLAM方案；
• 基于先验信息的SLAM方案；
• 介绍了一种同名的PL-SLAM方案。

PL-SLAM Overview

Map：包括关键帧（特征信息、描述子信息、关键帧位姿信息）、路标点（点特征的描述子信息、坐标信息；线特征的描述子信息、方向、端点信息）、共视图、本征图。

• Feature Tracking：对相机获取的每一帧跟踪特征信息，最小化重投影误差获取帧与帧之间的位姿估计，并计算他们的不确定性通过协方差矩阵的形式表现出来。
• Local Mapping：通过共视图之间的链接以及相关联的帧可视路标点构建Local Map ，对这些元素进行优化。
• Loop Closure：通过字典模型寻找和当前关键帧相似度最高的图像信息，估算位姿信息，并执行位图优化。
  Feature Tracking
  这一部分主要的任务是获取特征信息、估算相邻帧的位姿信息、以及决定关键帧的插入。

A. Point Feature
通过ORB提取特征点，通过匹配点对之间的汉明距离进行踢除，将最优匹配距离和次优匹配距离相差不是太大的特征点踢除。

B.Line Segment Feature
线性特征的提取通过LSD获取，通过LBD进行匹配，通过几何信息对方向、长度以及端点信息差异比较大的特征线踢除。

C.Motion Estimation
对相邻的帧进行位姿估计，通过最小化特征信息的重投影误差来估算相邻帧之间的位姿变换信息，这里的位姿信息是不准确的，需要后续校准。

D.KeyFrame Selection
关键帧的选取，通过将协方差矩阵保量化求解帧之间的相关性，将相关性变弱的帧作为关键帧。

Local Mapping

一旦有新的关键帧插入，该线程通过局部BA算法校准Local Map中所有的元素信息，包括局部的关键帧组以及对应芦苞信息。

A.KeyFrame Insertion
通过最小化局部关键帧之间的位姿误差信息优化当前关键帧的位姿信息。将新的关键帧插入共视图中：
1）为关键帧配置编号；
2）添加位姿信息；
3）加入对应的观测路标点信息。
最后获取新的路标点信息。

B.Local Bundle Adjustment
在插入新的关键帧后，需要对局部地图进行局部BA优化，主要是最小化特征点和特征线的投影误差。

Loop Closure

该线程的功能是匹配回环、校准位姿信息。

A.Loop Closure Detection
1）Visual Place Recognition
通过比较单纯的特征点和特征线的回环检测字典模型，配置一个权重评分来配合俩种特征信息实现最完美的回环检测。
2）Estimating the Relative Motion
通过位姿估计检测假阳性
i）匹配帧之间的不确定信息最大特征值小于0.01；
ii）俩帧图像之间的旋转角度小于3度，平移向量小于0.5米；
iii）俩者之间的对应的路标点内点大于50%。

B.Loop Correction
对全局执行位姿图优化，将每一帧图像可观测的路标点根据对应的关键帧位姿信息进行校准。

Experimental Validation

Conclusions

相关链接

论文翻译