A Robust RGB-D SLAM System With Points andLines for Low Texture Indoor Environments阅读

用RGBD相机做了个点-线特征的SLAM，构建了一个统一的优化模型来同时最小化点和线的重投影误差，进一步扩展到BA（后端部分），在这个统一优化模型中，提出了一个基于PnP和PnL的离群点精化算法，主要针对点对线的离群问题。

III. SYSTEM OVERVIEW

包含三个部分，tracking，local mapping和loop closure，这三个部分就是比较基础的，原文也只是简单的介绍。

IV. POINT AND LINE-BASED SLAM METHODS

A. PnP 和 PnL

PnP算法和PnL算法算是基础内容了，就不详细讲解了。关键看本文提出的Line-Based Inliers Refinement Method：

这个是PnP的线性公式，因为线段是由两个端点组成的，因此可以把两个三维端点组成的三维线段用同样的公式表示。相机的位姿可以通过最小化以下目标函数进行迭代优化：

其中是一个2n✖2n的对角矩阵，wi由x决定为0或者1，当wi为0是代表对应的点是一个外点，当wi为1是代表对应的点是一个内点。在初始时，所有的wi都为1，因此W(x)最开始是一个单位矩阵。

使得作为残差向量，对于第i条线段，则是对应的代数误差，设定一个阈值，当代数误差小于该阈值时，则判定为内点，即wi=1，反之为0，由此矩阵W(x)即可不停的更新，而阈值由以下式子确定：

，ρ是一个系数，代表了K%的最低值的边界处对应的代数误差。在本文中，取ρ=2，K=25取得了最鲁棒的效果。

 B. 点-线的优化模型

1）基于线的重投影误差

 和是线段L的两个端点的世界坐标，因此和是在当前相机平面上两个点对应的二维投影坐标，K和T是内参和外参，l是当前相机平面上和L匹配的线段。因此平面上的单个端点和平面上的线段l之间的误差可以用点到线的距离表示：

λ表示对应点到线的归一化系数，可以用下式表示：

是平面上线段l的端点坐标， 是他们对应的三维齐次坐标。

对于n条线段，每个线段的两个端点，可得到总的误差：

在实际情况中，线段两个端点的误差公式实际上是一样的，所以上式可以简化为：

2）点-线重投影误差目标函数

对于m个点，PnP的误差表示：

所以把线和点的误差函数加起来就变成了：

 接下来就可以用迭代算法来解决优化问题，本文使用了g2o来搞定。

V. TRACKING

A. 点和线的特征提取

简单来说就是点特征提取用了ORB，线特征提取用了LSD，传统方法了。

 B. 点和线的数据关联（就是点和点的匹配，线和线的匹配）

点匹配用的FLANN，线匹配用了Line Band Descriptor (LBD)

C. 位姿结算

如图，先用点特征匹配解算（OpenCV里面的solvePnPRansac）得到一组内点和初始的位姿，然后用本文的LBIR把不属于线段的外点去除，然后用统一的点线优化模型得到最终的位姿。

后面的VI. LOCAL MAPPING和VII. LOOP CLOSURE AND MAPPING就不看了，大差不差了。