Robust Odometry Estimation for RGB-D Cameras

1.Robust Odometry Estimation for RGB-D Cameras

Author: Christian Ked, Jiirgen Sturm, and Daniel Cremers

---

一、个人总结

研究背景：怎么在没有外部参考系的情况下实现导航和位置控制？

研究问题：以高帧速、低时延计算运动更新量，并使运动估计的更新量对离群点鲁棒。

前人成果：

• 单目和双目常用基于特征的方法跟踪运动，通过RANSAC提高鲁棒性。同时，使用BA改善估计结果。缺点是：忽视了很多有价值的信息。
• 使用稠密的方法介绍了四个。其中最后的例子证明使用RGB-D图像的VO能在静态场景下获得较高的精度。
• 最近的工作表明：通过当前图像和场景模型匹配，而不是和前一帧匹配，稠密方法的精度可以提高。典型例子是KinectFusion和DTAM。为了实现对离群点的鲁棒，许多方法使用二值化去把图像分为内点和离群点，或者使用稳健统计学中连续性方法。鲁棒化误差函数在像BA这样的领域也是很常用的。
• 有几种方法在运动估计值使用非均匀分布的先验来指导优化过程朝向正确的结果。这些先验可以来自运动假设、其他传感器的测量和滤波。
• 和先前的工作相比，作者提供了一个模型的概率推导。优点：这个公式能使我们根据应用选择合适的传感器和运动模型。作者建议使用基于t分布的鲁棒传感器模型和匀速运动先验。

本文贡献：

• 基于RGB-D数据，提出了用于直接运动估计的概率公式。
• 来自真实世界的鲁棒传感器模型。
• 先验的整合。

二、论文笔记

1. Direct Motion Estimation

基于灰度不变假设。

A. Warping Function

B. Likelihood function

$p(\xi )$表示的就是相机运动的先验分布，可以是均匀分布、IMU的测量数据、卡尔曼滤波的预测结果。

C. Maximum A Posteriori (MAP) Estimation

(14)式中的$p(\xi )$是在连乘号外面。若只考虑似然概率，有：

(16)式中推导应为：
$$\frac{\partial \log p(r_i|\xi )}{\partial \xi }=\frac{\partial \log p(r_i|\xi )}{\partial r_i}\frac{\partial r_i}{\partial \xi }=\frac{\partial \log p(r_i)}{\partial r_i}\frac{}{\partial \xi }$$