视觉SLAM十四讲-第十三讲笔记

本讲是最后一讲！讲了不同地图的表示方法=-=

一、概述

前面所讲的地图都是特征点的集合，也就是稀疏地图，实际上还有各种地图，面向各种任务：

• 稀疏地图：定位
• 稠密地图：导航、避障、重建
• 语义地图：交互

二、单目稠密重建

1. 立体视觉

要进行稠密重建，就要知道每一个像素的深度，其方法是：

• 单目：三角化
• 多目：视差
• 深度：直接

对于单目，需要使用参考帧，和它移动一小段后的当前帧，对其中的匹配点三角化。但这个过程中，匹配是很耗时的。对于所有像素来说，都做一遍匹配是不现实的。
因此问题转化为：如何进行快速的匹配？

2.极限搜索与快匹配

其方法是，对于参考帧ref，其像素$p_1$可能存在于$p_1$与光心连线的任一点。投影到当前帧curr就是极线。因此，可以在极线上搜索和$p_1$比较相似得点。
逐像素对比不够稳定，因此选择使用块匹配，即对比邻域内的所有像素。
其量化方法有SAD、SSD、NCC等。

3.高斯分布的深度滤波器

对像素点的深度估计，看成一个状态估计问题。注意，对一个深度是要进行多次三角化确保收敛的。
深度滤波器，是用概率分布描述深度值，在每一张新的图像来临时，用三角化后得到的值，更新深度值的概率分布和不确定性。
问题转化为：如何更新这个高斯分布。
在假设高斯分布的情况下，即维护其均值和协方差。设当前深度的高斯分布是$N_{o}bs$，更新后是$N_{f}use$，根据高斯分布的成乘积，得到其更新公式(P326)。

接下来的问题是，如何得到当前帧的分布。
书上给出了几何推倒，意思是当存在一个扰动时，它对深度的影响有多大。这个影响值就是不确定性。

4. 流程

1. 假设所有像素的深度满足某个初识高斯分布，初始化深度矩阵和协方差矩阵。
2. 对于每一帧图像，确通过极线搜索和快匹配确定ref中每个像素在curr上的投影点位置。
3. 对于每对ref的像素和对于curr的投影点，使用三角化计算深度，使用集合方法计算其不确定性。
4. 使用高斯分布公式，将当前帧的概率分布融合进总的概率分布（深度矩阵和协方差矩阵）中。
5. 检查收敛。

5、存在的问题

5.1.纹理问题

立体视觉中，对纹理依赖性强。若纹理（光滑，纯色，亮度均匀）的地方，难以检测。

5.2.像素梯度问题

像素梯度垂直于极线方向，能够精准匹配，存在最高点。
像素梯度平行于极线方向，无法匹配，处处相等，无最大值。

因此，像素梯度与极线夹角越大（接近垂直），不确定性越小。

5.3. 逆深度

使用深度的倒数，而非深度，为高斯分布。避免计算表示困难（极大、极小的特殊深度值）。

5.4. 图像间的变化

主要是预先进行旋转的变换处理。
使用给一个增量，计算变换关系的方法。

5.5. 其他

可GPU并行。
加正则项，使深度平滑。
处理外点，考虑块匹配时错误匹配的情况。

三、 RGBD稠密建图

可直接获得地图。

点云地图：初级，信息少，存储量大，存在冗余，无法处理运动物体。
还有网格地图、surfel、voxel等地图。

八叉树地图

把空间不断八等分，建立八叉树。
其节省体积之处在于：避免了没必要的存储，如都是空的位置，不必存储的十分精细，都有信息的位置，就按粗的分辨率存储。

因此当某个节点的所有子节点都被占据或都不被占据时，这个节点就不展开
并且，每个节点存储的信息，也可以动态建模，使用logit变换，描述其是否被占据。