ORB-SLAM2的最大贡献就是把原来的系统扩展到了双目,rgbd上,这一篇也主要讲的是怎么使用双目或者深度相机的信息,以及他们和单目的区别。
I.INTRODUCTION
- Place Recognition是SLAM中一个对回环很重要的模块,作用是:1)检测传感器是否返回已经建过图的区域。2)修正累计误差。 3)在追踪失败之后重新定位相机。
- 单目SLAM的优缺点:
- 优点:成本更低,传感器配置更简单
- 缺点:由于无法直接获得深度信息,所以就需要利用多视图或者滤波来生成初始地图(在最开始无法进行三角化);会有尺度漂移;纯旋转时可能会失效。(如果用双目或者rgbd相机,所有的缺点都可以被解决)
- 主要贡献中的两个亮点:
- RGB-D结果表明使用BA能比sota的ICP或者基于光度和深度误差最小化的方法更准。
- 通过使用近距离和远距离立体点和单目观测结果,我们的立体结果比sota的直接法立体 SLAM 更准确。
II.RELATED WORK
双目SLAM
- 文献[5]第一次使用了近点和远点(双目相机中,因为视差太小导致深度无法被可靠估计的点),使用了逆深度来表示远点。经验上,如果点的深度小于双目基线的40倍,那么这些点可以被可靠的三角化。
- 用滑窗可以实现BA的常数时间复杂度,但是不能保证全局一致性(?)。对于ORB-SLAM2,自局部的关键帧使用BA来保证时间复杂度与map大小无关;在回环时,系统先对其两边,所以追踪可以继续用老地图定位,然后用全局BA来实现位姿图优化来最小化累计漂移。
RGB-D SLAM
- ORB-SLAM2使用深度信息来给图像上提取出的特征点合成双目坐标。这样双目和rgb-d的输入的之后处理其实就可以统一了。ORB-SLAM2这里的后端用的是BA,也建立了一个全局一致的稀疏重建。因为目的就是长时间和全局一致的定位,而不是为了有很多细节的稠密重建。但是在有了很准的关键帧位姿之后,就可以融合深度地图和得到局部准确的重建;或者是在全局BA后,后处理由所有关键帧构成的深度地图,得到整个场景的准确的3D模型。
III.ORB-SLAM2
扩充传感器之后,整体的流程图为:
1. 三个平行的主线程是:
1)追踪:每一帧都去找和局部地图的特征匹配来定位相机,并使用motion only BA来最小化重投影误差。
2)局部建图:管理局部地图并优化,使用局部BA
3)回环:检测大回环,通过位姿图优化修正累计漂移(~)。这个线程还启动了第四个线程在位姿图优化之后进行全局BA。
2. 需要用到重定位的场合:
- 追踪失效(如遮挡)
- 重初始化(在已经建图过的场景)
- 回环检测
A. Monocular, Close Stereo and Far Stereo Keypoints
从前面的流程图可以看到,后续双目和rgbd其实是没有区别的。所以这里重点说双目关键点和单目关键点。
双目关键点
双目关键点的深度如果小于40倍基线长度的值,就被叫做近关键点,否则就是远关键点。近关键点可以较好的被三角化,并提供尺度,平移,旋转信息。而远关键点可以提供比较好的旋转信息,但只能有比较差的尺度和平移信息,远点用多视角进行三角化。
定义: 用
(
u
L
,
v
L
,
u
R
)
(u_L, v_L, u_R)
(uL,vL,uR)表示。前两个就是在左图像的特征点坐标,
u
R
u_R
uR是在右图像匹配特征点的水平坐标。对于双目相机,利用双目的校正后图像进行搜索(此时极线水平,搜索很快)。对于RGB-D相机,就计算出一个虚拟的右坐标:
u
R
=
u
L
−
f
x
b
d
u_R = u_L - \frac{f_xb}{d}
uR=uL−dfxb
f
x
f_x
fx是水平焦距,b是结构光投影和红外线相机的基线,深度传感器的不确定度就是用虚拟右坐标的不确定度表示。
单目关键点
定义: 对于ORB特征点中,那些没有对应双目匹配的,或者是没有有效深度值的特征点,取他们在左图像中的点坐标作为单目关键点,即
(
u
L
,
v
L
)
(u_L, v_L)
(uL,vL)。
如何三角化: 只能通过多视角三角化,不提供尺度信息,只提供旋转和平移估计。
B. System Bootstrapping
不需要像单目那样进行系统初始化了。第一帧时就可以创建一个关键帧,把它的pose设置到起点,从所有双目关键点创建出一个初始地图。
C. Bundle Adjustment with Monocular and Stereo Constraints
追踪线程:用BA优化相机位姿(motion only BA)
局部建图线程:局部BA,优化一个局部窗口内的关键帧和点
闭环之后:全局BA,优化所有关键帧和点
使用的是g2o的LM方法
Motion-only BA
最小化匹配的世界坐标系3D点
X
i
∈
R
3
X^i \in \mathbb R^3
Xi∈R3和关键点
x
(
⋅
)
i
x^i_{(·)}
x(⋅)i之间的重投影误差。对于单目关键点
x
m
i
∈
R
2
x_m^i \in \mathbb R^2
xmi∈R2或者双目关键点
x
s
i
∈
R
3
x^i_s \in \mathbb R^3
xsi∈R3, 都满足下面的式子:
{
R
,
t
}
=
arg
min
R
,
t
∑
ρ
(
∥
x
(
⋅
)
i
−
π
(
⋅
)
(
R
X
i
+
t
)
∥
∑
2
)
\{ R,t \} = \mathop{\arg\min_{R,t}} \sum \rho (\Vert x^i_{(·)} - \pi_{(·)}(RX^i + t) \Vert _{\sum} ^2)
{R,t}=argR,tmin∑ρ(∥x(⋅)i−π(⋅)(RXi+t)∥∑2)
这里的i就是所有匹配集合中的某一个;
ρ
\rho
ρ就是鲁棒的Huber cost function;
∑
\sum
∑是关键点尺度相关的协方差矩阵;对于投影方程
π
(
⋅
)
\pi_{(·)}
π(⋅),单目和双目的都有各自的定义:
π m ( [ X Y Z ] ) = [ f x X Z + c x f y Y Z + c y ] , π s ( [ X Y Z ] ) = [ f x X Z + c x f y Y Z + c y f x X − b Z + c x ] \pi_m(\begin{bmatrix} X\\ Y\\ Z\\ \end{bmatrix}) = \begin{bmatrix} f_x \frac{X}{Z} + c_x\\ f_y \frac{Y}{Z} + c_y\\ \end{bmatrix}, \pi_s(\begin{bmatrix} X\\ Y\\ Z\\ \end{bmatrix}) = \begin{bmatrix} f_x \frac{X}{Z} + c_x\\ f_y \frac{Y}{Z} + c_y\\ f_x \frac{X-b}{Z} + c_x\\\end{bmatrix} πm(⎣⎡XYZ⎦⎤)=[fxZX+cxfyZY+cy],πs(⎣⎡XYZ⎦⎤)=⎣⎡fxZX+cxfyZY+cyfxZX−b+cx⎦⎤
Local BA
优化共视的关键帧
K
L
K_L
KL和这些关键帧中的所有点
P
L
P_L
PL。那些没有共视的关键帧
K
F
K_F
KF,其中被观察到的
P
L
P_L
PL对cost函数有贡献,但是在优化过程中保持不变(??)。定义
χ
k
\chi_k
χk是在
P
L
P_L
PL中的点和一个关键帧k中关键点之间的匹配集合,优化问题如下:
{
X
i
,
R
l
,
t
l
∣
i
∈
P
L
,
l
∈
K
L
}
=
arg min
X
i
,
R
l
,
t
l
∑
k
∈
K
L
∪
K
F
∑
j
∈
χ
k
ρ
(
E
k
j
)
E
k
j
=
∥
x
(
⋅
)
i
−
π
(
⋅
)
(
R
k
X
j
+
t
k
)
∥
∑
2
\{X^i, R_l, t_l \vert i \in P_L, l \in K_L\} = \mathop{\argmin_{X^i, R_l, t_l} \sum_{k\in K_L \cup K_F} \sum_{j \in \chi_k}\rho (E_{kj})} \\E_{kj} = \Vert x^i_{(·)} - \pi_{(·)}(R_kX^j + t_k) \Vert _{\sum} ^2
{Xi,Rl,tl∣i∈PL,l∈KL}=Xi,Rl,tlargmink∈KL∪KF∑j∈χk∑ρ(Ekj)Ekj=∥x(⋅)i−π(⋅)(RkXj+tk)∥∑2
Full BA
这个就是Local BA的特例,此时所有的关键帧和地图中的所有点都会被优化,除了被固定的初始关键帧(固定是为了消除gauge freedom)。
D. Loop Closing and Full BA
对于双目和rgbd的情况,不会有尺度漂移,而且双目或者深度信息是基于刚体转换的而不是相似度(~)。
在 ORB-SLAM2 中,在位姿图之后加入了完整的 BA 优化以实现最佳解决方案。这种优化可能很耗时,所以在单独的线程中执行,这样就可以让系统继续创建地图和检测回环。但是,这让BA输出和地图当前状态的合并造成了困难。
- 如果在优化运行时检测到新回环,将中止优化并继续闭环,这将再次启动完整的 BA 优化。
- 当全局 BA 完成时,需要将更新的关键帧子集和由全局BA优化的点与 未更新的关键帧和在优化运行时插入的点合并(~)。这是通过将更新的关键帧的校正(即从未优化到优化的姿势的转换)通过生成树传播到未更新的关键帧来完成的。未更新的点根据应用于其参考关键帧的校正进行变换。 (~)
E. Keyframe Insertion
和单目的一样,都是尽可能多的加入关键帧,然后再去掉冗余的关键帧。
但考虑到近关键点和远关键点,这里还引入了一个新的条件:如果跟踪的近点的数量小于阈值
τ
t
\tau_t
τt且这一帧可以创造至少
τ
c
\tau_c
τc个近双目点,那么就插入一个新关键帧。经验值
τ
t
=
100
,
τ
c
=
70
\tau_t=100, \tau_c=70
τt=100,τc=70
F. Localization Mode
局部建图和回环线程是不激活的,只有追踪线程工作,而追踪线程使用视觉里程计匹配和地图点匹配。
- 视觉里程计匹配:当前帧ORB特征点和之前帧从双目或深度信息得来的3D点的匹配。这种匹配可以对没有建图的区域能鲁棒的定位,但是有累计的漂移。
- 地图点匹配:对现存地图的无漂移的定位
IV. EVALUATION
对于kitti的01序列(高速公路场景)来说,平移的结果是比较不好的,原因就是能被追踪的近点太少了(汽车高速运动,而相机低帧率),但角度还是能估计的比较准。和单目相比,双目的效果更好,一是因为近点更好追踪,因为从一个双目关键帧就可以创建点,而不用像单目那样弄延迟的初始化(要在俩关键帧之间匹配),双目的情况更不容易出现track lost;二是双目可以带尺度的估计地图和轨迹,没有轨迹漂移。(可以明显看出左边图中,路程后段的尺度漂移)
对于EuRoC数据集,由于严重的运动模糊会使track lost出现。论文提到的一个解决办法是使用imu信息,之前在github看到有人提到的一个解决办法是,把track lost部分的图像进行锐化的预处理(没有证实过是否有效)
对于时效性。回环中关键帧的数量就可以对应出回环的耗时。关键帧越多,共视图就会越密集,回环的融合,位姿优化,全局BA也就会更加耗时。高密度的共视图会让局部地图包含更多关键帧和点,因此局部地图的追踪和局部BA会更耗时。