ORBSLAM-Atlas: a robust and accurate multi-map system论文阅读笔记

最新推荐文章于 2024-07-06 11:30:09 发布

一抹烟霞

最新推荐文章于 2024-07-06 11:30:09 发布

阅读量542

点赞数

分类专栏：论文笔记

本文链接：https://blog.csdn.net/qq_34213260/article/details/108705824

版权

论文笔记专栏收录该内容

7 篇文章 0 订阅

订阅专栏

文章目录

一、Atlas 多地图的表示
二、无缝的地图拼接

一、Atlas 多地图的表示

1.1 Atlas（地图集）

在这里插入图片描述

Atlas(地图集)（图1）由几乎无限数量的地图组成，每个地图都有自己的关键帧、地图点、共视图和生成树。每个地图参考帧固定在建立这个地图时的第一个相机中，并且它独立于ORBSLAM中的其他地图参考。传入的视频只更新地图册中的一个地图，我们称之为活动地图（active map），我们将其余地图称为非活动地图（non active map）。该图集还包含一个所有地图的唯一DBoW2识别数据库，该数据库存储识别任何地图中任何关键帧的所有信息。
我们的系统有一个单一的位置识别步骤来检测公共地图区域，如果它们都在活动地图中，它们对应一个闭环，而如果它们在不同的地图中，它们对应一个地图合并。

1.2 新地图创建标准

当相机 tracking被认为丢失时，我们尝试在地图册中重新定位。如果在几帧内重新定位失败，活动地图将变为非活动地图并存储在地图册中。然后，启动新的地图初始化。
为了确定相机是否在轨道上，我们试探性地提出了两个必须满足的规定，否则，相机将被视为丢失：

a）匹配特征数：当前帧与局部地图中的点之间的匹配数高于定义的阈值。
b）相机姿态可观测性：如果检测点的几何条件较差，则相机姿态不可观测，相机定位估计不准确。

1.3 相机位姿可观测性

我们从相机的位姿误差协方差估计可观测性。我们假设地图点是被完美的估计的，因为没有办法实时地计算每一帧的地图点的协方差。测量的信息矩阵 $\boldsymbol{\Omega}_{i, j}$ 编码了地图点 $j$ 在相机 $i$ 种的观测 $x_{i,j}$ 的不确定度。它与检测到图像FAST特征点的图像分辨率成比例地调整。相机 $i$ 的不确定性是用 $m_i$ 点来估计的，其中 $m_i$ 是相机 $i$ 中与地图点匹配的特征点数。

我们用 $\hat{\mathbf{T}}_{i, w} \in \operatorname{SE}(3)$ 变换估计相机的6自由度位姿。此外，我们通过6个参数 $\epsilon_{i}$ 的无偏高斯向量对其不确定性进行编码，该无偏高斯向量定义了近似于 $\mathbf{T}_{i,\omega}$ 和 $\hat{\mathbf{T}}_{i,\omega}$ 的李代数：
在这里插入图片描述
协方差矩阵 $C_i$ ：相机i位姿估计的准确度.
$J_{i,j}$ ：相机i中的地图点j的观测导致的相机位姿测量的雅可比矩阵
由于平移是弱可观测量，我们建议在准则中仅使用与平移误差相对应的 $\mathbf{C}_i$ 对角线值：
在这里插入图片描述

1.4 在多地图中的重定位

和ORB2中一样，如果相机跟踪丢失，我们使用帧来查询地图集DBoW数据库。这个查询可以在任何地图中找到更相似的关键帧。一旦我们有了候选的关键帧、建图和假定的匹配映射点，我们就执行下面的重新定位[1]。它包括通过第一个PnP和RANSAC步骤稳健地估计相机位姿，然后进行匹配的引导搜索和最终的非线性相机位姿优化。

二、无缝的地图拼接

为了检测地图合并，我们使用ORBSLAM位置识别步骤。为了降低误报风险，该算法对由共视图连接的三个关键帧进行重复位置识别。此外，在合并过程中，活动地图会吞并已找到公共区域的其他地图。合并完成后，合并的地图将完全替换这两个合并地图。必要时，我们将使用a、s和m子索引分别代表活动的、吞入的和合并的地图。

两个地图之间公共区域的检测。位置识别提供了两个匹配的关键帧 $K_a$ 和 $K_s$ 以及两个地图 $M_a$ 和 $M_s$ 中的点之间的一组假定匹配.
对准变换的估计。正是这种变换，立体视觉中的 $S E (3)$ 或单目中的 $S i m (3)$ ，将两个合并地图的全局参照对齐。我们结合Horn方法[21]和RANSAC，从 $M_a$ 和 $M_s$ 地图点之间的假定匹配计算初始估计。我们将估计的变换应用于 $K_s$ 的引导匹配阶段，在 $K_s$ 中匹配 $M_a$ 的点，最后通过对重投影误差的非线性优化来估计 $\mathbf{T}_{W_a,W_s}$ 。
融合合并的地图。我们将 $\mathbf{T}_{W_a,W_s}$ 应用于 $M_s$ 中的所有关键帧和地图点。然后，我们检测出重复的地图点并将其融合，从而得到从 $M_s$ 和 $M_a$ 中的关键帧观测到的地图点。然后，我们将所有 $M_s$ 和 $M_a$ 关键帧合并，并将点映射到 $M _m$ 。此外，我们还将 $M_s$ 和 $M_a$ 生成树以及可测图合并到 $M_m$ 的生成树和共视图中。
拼接区域的局部BA。根据 $M_m$ 共视图，它包含了所有与 $K_a$ 共视的关键帧。为了固定尺度自由度（参数 s），在 $M_a$ 中固定的关键帧在局部BA中仍保持固定，而其余关键帧在非线性优化过程中自由移动。我们应用第二个重复点检测和融合阶段更新 $M_m$ 的共视图。
位姿图优化。最后，我们对 $M_m$ 展开了位姿图优化

合并在与跟踪线程、局部建图线程并行的线程中运行，偶尔也运行一个全局约束调整线程（上图）。在开始合并之前，局部建图线程将停止，以避免在地图集中添加新的关键帧。如果一个全局约束调整线程正在运行，它也会停止，因为BA正在运行的生成树将被更改。跟踪线程保持在旧的活动地图上运行，以保持实时操作。完成地图合并后，我们继续局部建图线程。全局约束调整（如果已停止）将重新启动以处理新数据