ElasticFusion: Dense SLAM Without A Pose Graph

ElasticFusion: Dense SLAM Without A Pose Graph

一、主要贡献

1. surfel-based稠密建图。

2. 将surfel分为激活区域和非激活区域，一段时间内未观测到的归入非激活区域。

3. 每一帧，尝试把激活模型中当前相机估测位姿部分，登记至非激活模型在当前帧的部分，若登记成功，则检测到闭环，进行非刚体变换。发生闭环的非激活部分再次激活，放入登记的区域。（每一帧把同视角下的激活部分和未观测到的非激活部分匹配，来检测闭环）。

4. 对于全局闭环，向随机encoding database里添加预测视角，每一帧匹配这个视角，如果匹配到，就登记这个视角并检测是否全局一致。如果是，对地图进行非刚体变换，消除闭环。

二、算法流程

1. ElasticFusion通过RGB-D图像配准计算位姿，根据输入点云利用ICP算法配准计算位姿。

2. 计算相机位姿如果误差大于设定阈值，表示跟踪失败，启动重定位算法；如果误差小于设定阈值，则进入下一部分。

3. 利用Random Ferns进行全局的回环检测算法，检测是否存在全局的回环，如果存在全局的回环，假设当前帧为Icur 检测到和第i帧存在回环；再利用第一部中的跟踪算法计算当前帧和第i帧之间的位姿，计算得到位姿变换后，在图像中均匀抽取一些点，建立约束，优化node参数。

4. 在3中如果不存在全局的回环，则检测是否存在局部的回环，如果存在局部的回环，则同第3步，进行位姿估计，并且建立约束，优化node参数。

5. 计算得到相机位姿后，将当前帧的点云和重建好的做融合，融合使用openGL 的shading language，如果在存在局部的或者全局的回环，在使用openGL进行点的融合时候，将优化之后的节点变量，作用于全部的点。

6. 融合到全局模型中后，再用openGL投影得到当前视角下可以看到的点，用来对下一帧图像配准。

三、Surfel表示模型

    对于每个点，存储了:

    点的位置信息：(x, y, z)

    面片的半径： r

    法向量： n

    颜色信息：(R, G, B )

    点的获取时间信息：t

    在进行点的融合更新时：点的位置信