SVO 半直接法SLAM

Mr_Sosimple

已于 2024-02-21 16:42:14 修改

阅读量896

点赞数 10

分类专栏： SLAM 文章标签： SLAM

于 2024-02-18 17:02:43 首次发布

本文链接：https://blog.csdn.net/qq_18076309/article/details/136149054

版权

SLAM 专栏收录该内容

15 篇文章 0 订阅

订阅专栏

文章目录

SVO SLAM剖析

SVO SLAM剖析

1 论文解析 ICRA2014

1.1 架构

在这里插入图片描述
双线程：实时跟踪（相对运动估计）线程 + 建图线程

1.2 运动估计线程

运动估计线程：跟踪时，（1）根据直接法（光度误差）计算一个初始的相对姿态变化和特征匹配；（2）再使用基于特征的重投影误差进行最小二乘优化。

A 稀疏图像对齐（Model-Based）

连续帧对齐
在这里插入图片描述
该步骤隐含了极线约束，因此没有诸如特征点匹配等方法带来的外点，因此也无需外点剔除。

B 松弛步：关键帧特征对齐

通过和关键帧的关联，该步骤减小了漂移误差。

对图像Patch仿射变换，因为用了更大的patch（8*8）且当前帧和关联关键帧位姿差较大。关联关键帧选取：以最小观测角观测到该点的关键帧。
对每个点独立进行光度误差优化，没有考虑极线约束。（松弛）

C 位姿和特征点优化

前两步建立了特征点配对后，优化位姿和特征点。分为三步：

仅优化当前帧位姿（根据重投影误差）
仅优化3D点
LocalBA：优化多帧关键帧和地图点（在快速模式下该步骤省略）

1.3 建图线程

贝叶斯理论框架下的深度滤波器

SVO1.0认为深度滤波器给精度、速度、鲁棒性均带来了重要的正面作用。
在这里插入图片描述

深度滤波器的理论细节参考文献：
Vogiatzis, G., & Hernández, C. (2011). Video-based, real-time multi-view stereo. Image and Vision Computing, 29(7), 434-441.

SVO1.0中的建图线程只维护了固定数量的关键帧，本质上是一个局部地图：
在这里插入图片描述
Q：如何将该局部地图拓展为全局地图，或如何与全局地图结合。

2 要点

2.1 反向固定雅克比

TOD

2.2 直接在畸变图上进行跟踪

TOD

2.3 深度滤波器

SVO1.0 深度滤波器主要来自于以下文献，不同点在于使用了逆深度:

深度滤波器文献：Vogiatzis, G., & Hernández, C. (2011). Video-based, real-time multi-view stereo. Image and Vision Computing, 29(7), 434-441.
上述论文的增补材料在：https://george-vogiatzis.org/
增补材料中的错误：https://github.com/uzh-rpg/rpg_svo/issues/102

后面主要讲解上述文献。

A 高斯-均匀混合模型

深度的分布特点从下图中可见一斑：真值只有一个，但是NCC的局部最大值有很多，且基本呈均匀分布。（考虑：如果不用NCC匹配，外点的分布符合什么模型？）
在这里插入图片描述
基于上述insight，本文将随机变量深度建模为高斯-均匀混合概率分布模型。解决单一正态分布对外点非常敏感（造成外点的原因可能是遮挡、重复纹理等）的问题。（为了建模外点，一般在正态分布中加入均匀分布）

B 基于贝叶斯框架的滤波更新

贝叶斯推断
在这里插入图片描述
其中：第一项是内点情况下的似然概率（给定Z、方差，出现x_n观测的概率）

文中使用 高斯*Beta分布来近似上述高斯均匀混合模型后验概率。
对于每一个新的观测（深度，深度的方差）过来，会对原来的分布进行更新（更新随机变量-深度、均值、方差、a、b）。推导过程：
在这里插入图片描述

新到来的观测深度的方差（标准差）由像素的观测误差推导出来（可以参考SLAM十四讲12.2.3），SVO1.0代码为：
在这里插入图片描述
更新概率模型参数SVO1.0代码：

区别于svo1.0，svo pro 使用两种模型来供选择：

一种使用vogiatzis提出的Gaussian+ Uniform混合模型
第二种可以选择使用单独Gaussian模型

3 参考

SVO详细解读：https://www.cnblogs.com/ilekoaiq/p/8659631.html
原版SVO：https://github.com/uzh-rpg/rpg_svo
SVO文献：Forster, C., Pizzoli, M., & Scaramuzza, D. (2014, May). SVO: Fast semi-direct monocular visual odometry. In 2014 IEEE international conference on robotics and automation (ICRA) (pp. 15-22). IEEE.
SVO文献：Forster, C., Zhang, Z., Gassner, M., Werlberger, M., & Scaramuzza, D. (2016). SVO: Semidirect visual odometry for monocular and multicamera systems. IEEE Transactions on Robotics, 33(2), 249-265.
深度滤波器文献：Vogiatzis, G., & Hernández, C. (2011). Video-based, real-time multi-view stereo. Image and Vision Computing, 29(7), 434-441.
白话SVO2.0: https://zhuanlan.zhihu.com/p/505521734