Dense Visual SLAM with Probabilistic Surfel Map(PSM)

Dense Visual SLAM with Probabilistic Surfel Map(PSM)

    本文提出了一种全新的稠密视觉SLAM的概率Surfel图表示方法（PSM），其主要思想是通过对光度和几何不确定性分析建模，来维护一个全局一致的地图。算法的关键在于对传感器的测量不确定性进行合理建模和更新，以及应用这些不确定性改进前端姿态估计和后端优化。

    文章的主要贡献为：

    （1）提出了一种能够对测量不确定性进行适当建模的概率Surfel图表示方法（PSM）。

    （2 ）提出了一种机制（主要通过关键帧PSM）来将PSM应用于稠密视觉里程计中的鲁棒位姿优化框架，成功地减少了相机的漂移。

    （3）对于后端优化，设计了一种全局一致的地图优化方案，该方案既利用了位姿图中的位姿约束，又利用了基于PSM的位姿点约束，以提高相机轨迹的精度。此外，还提出了一种通过变形关键帧来匹配全局PSM的稠密网格生成方法。

1. 视觉SLAM中的两种方法

1.1. Frame-to-frame Visual SLAM

    帧到帧视觉SLAM是一种预测相邻帧间相对相机位姿的方法，只保留局部3D地图而不进行全局地图融合。

1.2. Frame-to-model Visual SLAM

    帧到模型视觉SLAM通常建立一个全局环境地图，并使用该地图辅助前端位姿估计。全局地图的常用表示包括稀疏/稠密的三维点云、surfel地图和3D volumes。

    本文对这两种方法进行了结合，与帧到帧方法相比，保持了全局一致的地图表示，即PSM，不受体素表示方法的限制；与建立需要大量计算的稠密地图的帧到模型方法相比，文中的方法在地图融合过程中只保留具有高置信度的点，从而构建了一个可靠的基于稀疏点云的地图。当需要密集网格时，变形并融合关键帧中的稠密点云。通过这样做，文中方法需要更少的内存，并且在视觉SLAM期间计算效率更高，并且能够在需要时提供高质量的密集网格。

2. 概率surfel图

2.1. PSM

    PSM的表示：