ORB_SLAM 论文阅读PART7

最新推荐文章于 2023-04-22 13:31:09 发布

Thiac

最新推荐文章于 2023-04-22 13:31:09 发布

阅读量277

点赞数

分类专栏： ORB_SLAM

本文链接：https://blog.csdn.net/Xuesengxinyi/article/details/83111112

版权

ORB_SLAM 专栏收录该内容

10 篇文章 0 订阅

订阅专栏

LOOP CLOSING

闭环检测线程对于 K_i ，即局部建图处理的最后一个关键帧，并尝试检测和关闭循环。接下来描述这些步骤：

A. Loop Candidates Detection

首先，我们在共视图中计算 K_i 的词袋向量和其所有邻居之间的相似性（ $\Theta _{min}$ = 30） θ_min= 30 $（θ_{min}= 30）$ 并保留最低得分 $s_{min}$ 。然后我们查询识别数据库并丢弃其得分低于 $s_{min}$ 的所有关键帧。这与前一个图像被计算获得鲁棒性作为DBoW2中的标准化分数是一个类似的操作，但在这里我们使用共视信息。此外，所有直接连接到 K_i 的关键帧都会从结果中丢弃。为了接受循环候选，我们必须连续检测三个一致的循环候选（在共视图中连接的关键帧）。有几个与 K_i 相似的地方，就可以有几个循环候选。

B. Compute the Similarity Transformation

在单目slam中，地图可以有七个自由度漂移，三个平移，三个旋转和一个比例因子。因此对于一个闭环，我们需要计算当前关键帧 K_i 到闭环关键帧 K_l 的相似矩阵。这可以告诉我们关于闭环的误差累计。相似矩阵的计算也可以作为闭环的几何校正。

我们首先按着第III-E节中解释的过程计算与当前关键帧中地图点相关联的ORB和闭环候选帧之间的关系。此时，我们为每个循环候选提供3D到3D的关系。我们或者对每一个候选执行RANSAC迭代。尝试用Horn的方法找到相似变换。如果我们用足够的内点找到了相似变换 $S_{il}$ ,我们优化它，并且执行有指导的搜索更多的响应。我们再一次优化它，如果 $S{il}$ 被足够的内点支持， K_l 对于闭环是被接受的。

C. Loop Fusion

对于闭环矫正的第一步是融合重复的地图点，并在将附加的闭环检测的共视图插入新的边。首先，当前的关键帧位姿 $T_{iw}$ 被相似变换 $S_{il}$ 更正。并且，这个矫正被传播到 K_i 所有的邻域，连接变换，以便闭环的两侧对齐。被循环关键帧和它邻域看到的所有地图点都投影到 K_i 中，并且在投影周围的狭窄区域搜索邻居和匹配，如第V-D部分所述。所有那些匹配的地图点和 $S_{il}$ 计算的内点都是被融合的。所有的在融合中涉及到的关键帧将会在共视图中更新他们的边。从而有效地创建附加闭环检测的边。