PLS-VIO: Stereo Vision-inertial Odometry Based on Point and Line Features
Abstract
文中提出了一种结合点和线特征的视觉SLAM方案,对于线性特征信息通过普吕克坐标和正交的信息表示。
Introduction
针对传统的点类型的特征信息,线性特征能够使得系统更加鲁棒,提升系统的精度信息同时对光度变化更加鲁棒,抗干扰能力更强。
Related Work
本文中主要的贡献:
- 提出一种基于特征点和线性特征信息的VIO系统;
- 通过普吕克坐标表示线性特征信息,通过线性特征信息提升系统性能;
- 通过IMU解决视觉里程计的尺度信息;
- 在公开数据集和自行录制的数据集下,通过与其他5种主流的视觉VIO系统做比较。
System Overview
A. System Initialization
通过对匹配的特征信息进行配对,求解对应的3D空间点坐标信息,通过和IMU传感器进行松耦合求解对应的尺度信息、偏差信息等。
B. Front-end
前的主要任务时对特征信息的提取和匹配,特帧点信息通过FAST提取,通过KLT算法进行匹配;特征线信息通过LSD提取,通过LBD算法匹;同时,前端还对IMU进行预积分处理。
C. Back-end
后端的主要任务时通过对前端获取的特征信息进行处理,估算特征信息所在的空间的位置信息,之后结合IMU测量信息对特征信息进行校准。
Representation and Detection of line feature
A. Line Feature Representation
对于空间直线可以通过来个齐次坐标点来表示,但是通过普吕克坐标系可以将一条直线的参数降至6个,之后通过正交性将参数降至4个参数。
B. Line Feature Extraction, Matching Screening Strategy
由于左右双目同时提取线性特征信息需要很大的计算量,与是只在左侧视图中进行特征信息提取。
对于线性特征信息的匹配考虑到俩种情况,一种是具有较大距离的匹配关系;另一种是具有较大角度的匹配关系。以下俩种关系分别设置阈值信息,将俩种情况超过阈值信息的匹配踢除。
C. Line Feature Triangulation
求解空间坐标下的线性特征信息坐标可以通过求解参考关键帧和当前关键帧中匹配的线性特征信息对应的端点信息以及各自的相机光心的位置I信息,然后各自形成俩个平面,通过求解平面交线获得对应的空间直线坐标信息。
Coupled Optimization Model for Stereo Vision Inertial Navigation
通过将各种特征信息以及IMU对应的代价函数最小化求得最优的位姿信息。
系统对应的代价函数为:
χ
m
i
n
ρ
(
∣
∣
r
ρ
−
J
ρ
χ
∣
∣
∑
ρ
2
)
+
∑
k
∈
B
ρ
(
∣
∣
r
b
(
z
b
k
+
1
b
k
,
χ
)
∣
∣
∑
b
k
+
1
b
k
2
)
+
∑
(
k
,
i
)
∈
F
ρ
(
∣
∣
r
f
(
z
f
i
c
k
,
χ
)
∣
∣
∑
f
i
c
k
2
)
+
∑
(
k
,
l
)
∈
L
ρ
(
∣
∣
r
l
(
z
L
i
c
k
,
χ
)
∣
∣
∑
L
i
c
k
2
)
_\chi^{min}\rho(||r_\rho-J_\rho\chi||_{\sum_\rho}^2)+\sum_{k\in B}\rho(||r_b(z_{b_{k+1}}^{b_k},\chi)||_{\sum_{b_{k+1}}^{b_k}}^2)+\\\sum_{(k,i)\in F}\rho(||r_f(z_{f_i}^{c_k},\chi)||_{\sum_{f_i}^{c_k}}^2)+\sum_{(k,l)\in L}\rho(||r_l(z_{L_i}^{c_k},\chi)||_{\sum_{L_i}^{c_k}}^2)
χminρ(∣∣rρ−Jρχ∣∣∑ρ2)+k∈B∑ρ(∣∣rb(zbk+1bk,χ)∣∣∑bk+1bk2)+(k,i)∈F∑ρ(∣∣rf(zfick,χ)∣∣∑fick2)+(k,l)∈L∑ρ(∣∣rl(zLick,χ)∣∣∑Lick2)以上公式分别表示了IMU和多种特征信息的代价函数。
A.Line Feature Measurement Model
构建线性特征信息的模型。
Experimental Results
Conclusion
本文提出了一种基于特征点和线性特征信息的视觉SLMA方案,通过加入IMU的测量信息对整个系统的精确性和鲁棒性做提升。