EAO-SLAM 论文阅读

关键词:: #开源 #物体slam
项目地址： 链接

0 论文总概述

0.1 问题的背景

0.2 创新点

1.新颖的数据管理方法
2.使用iForest去除离群的3D点，有助于得到更加精准的尺度s

知识点

1 需要解答的问题

1。如何在系统中区分这个物体到底该使用什么表示呢？

2 背景知识

3 论文理论内容

检测器：YOLOv3
使用iForest去除外点，有利于初始化。
物体位姿、尺度优化和相机位姿优化在全局优化中进行优化

3.1 非参数检验

为了检测不同点云是否来自于同一个物体，采用秩和检验的方法
秩和检验方法：首先将两个样本混合在一起，对所有样本按照所考察的特征从小到大排序。在两类样本中分别计算所得排序序号之和T1 T2。秩和检验的基本思想是：如果一类样本的秩和显著地比另一类小（或大），则两类样本在所考察的特征上有显著差异。因此从理论上看，该检验方法与点云分布的形状相关。

假设点云P和点云Q来自于同一个物体，他们应该满足$f_P=f_Q$,(离散的点云不一定满足高斯分布)
连接两个点云中不同的点：$X=[P|Q]=[x1,x2,...,x|X|]\in R3\times (|P|+|Q|)$
将X按照三个维度进行排序

$W_Q$ 和 $W_p$的方程相同， $W=min(W_P,W_Q)$, 其中W是满足高斯分布的
这样的话，将非高斯分布转为了高斯分布
计算高斯分布的均值和协方差

同时上述假设需要满足：

$\alpha$是统计水平的值，$1-\alpha$是置信度水平的值

如果P和Q满足方程4，说明他们来自同一个物体

3.2 Single-sample and Double-sample T-test

用来检测不同帧看到的物体质心是不是来自于同一个物体（质心满足高斯分布）


where $t_{\alpha /2,v}$ is the upper α/2 quantile of the t-distribution of v degrees of freedom, and $v=\sqrt{|C|}-1$. If t statistics satisfies (6), c and C comes from the same object

合并物体：


如果 t 满足方程6，并且$v=|C_1|+|C_2|-2$， 说明这两个物体是同一个物体

3.3 OBJECT SLAM

In this work, we leverage the cubes and quadrics to represent objects, rather than the complex instance-level or category-level model
对于规则的物体，如书，键盘，椅子使用立方体；对于不规则的物体，如球，瓶子，茶杯使用椭球

假设所有物体都放置在同一平面上
计算尺度的方式：$s=(max(X)-min(X))/2$. 问题：会受到外点的影响，所以采用iForest去除外点。

3.3.1 iForest 去除外点

核心思想：离群点更容易被分离出来，而正常的点往往需要更多操作才能被分离。

C是归一化系数，H是权重，h(x)是x在树中的高度

3.3.2 物体初始化

（1）使用LSD提取线特征，并分配给每一个物体（2）根据线特征和2d投影框的角度误差优化物体
从-pi/2, pi/2随机选择30个角度，从中选取得分最高的角度

误差函数：

计算得分：

Na是物体内的所有线特征， Np是满足误差小于5度的线特征，E(e)是Np的角度平均值

3.3.3 联合优化

联合优化物体尺度，角度和相机位姿

4 实验部分

4.1 Distributions of Different Statistics

4.2 Ensemble Data Association Experiments

We compare our method with the commonly-used Intersection over Union (IoU) method, nonparametric test (NP), and t-test.

4.3 Qualitative Assessment of Object Pose Estimation

优化前后的角度变化：

5 后续改进方面