Visual SLAM for Indoor Livestock and Farming Using a Small Drone with a Monocular Camera: A Feasibil

文章地址请点我

题目：Visual SLAM for Indoor Livestock and Farming Using a Small Drone with a Monocular Camera: A Feasibility Study

使用带有单眼摄像头的小型无人机进行室内畜牧业和农业的视觉SLAM：可行性研究

作者

Abstract

英文摘要

Real-time data collection and decision making with drones will play an important role in precision livestock and farming. Drones are already being used in precision agriculture. Nevertheless, this is not the case for indoor livestock and farming environments due to several challenges and constraints. These indoor environments are limited in physical space and there is the localization problem, due to GPS unavailability. Therefore, this work aims to give a step toward the usage of drones for indoor farming and livestock management. To investigate on the drone positioning in these workspaces, two visual simultaneous localization and mapping (VSLAM)—LSD-SLAM and ORB-SLAM—algorithms were compared using a monocular camera onboard a small drone. Several experiments were carried out in a greenhouse and a dairy farm barn with the absolute trajectory and the relative pose error being analyzed. It was found that the approach that suits best these workspaces is ORB-SLAM. This algorithm was tested by performing waypoint navigation and generating maps from the clustered areas. It was shown that aerial VSLAM could be achieved within these workspaces and that plant and cattle monitoring could benefit from using affordable and off-the-shelf drone technology.

中文摘要

在啊精准畜牧业中，实时数据采集决定了无人机扮演者重要的角色。无人机已经被用在了精准农业领域中。可是，由于一些挑战和限制，无人机还没有被应用到室内畜牧环境中中。由于GPS在室内不工作，这些室内环境被限制在物理空间和位置问题。
因此，这项工作旨在为无人机用于室内农业和牲畜管理迈出一步。为了研究无人机在这些工作空间中的定位，使用小型无人机上的单眼相机比较了两种视觉同时定位和映射 (VSLAM)—LSD-SLAM和ORB-SLAM算法。
在温室和奶牛场谷仓中进行了几个实验，并分析了绝对轨迹和相对姿态误差。发现最适合这些工作空间的方法是ORB-SLAM。通过执行航路点导航和从聚类区域生成地图来测试该算法。结果表明，空中VSLAM可以在这些工作区内实现，植物和牲畜监测可以从使用价格合理的现成无人机技术中受益。

2. 材料和方法

2.1. 可视化 SLAM 算法

名词	解释
SLAM 作用	用于创建未知区域的地图，在创建地图后，算法会尝试根据这些创建的地图估计其位置。
SLAM 实现方法	使用来自不同传感器的数据来实现，但主要的两类是基于激光扫描的原理和基于视觉的原理，也称为VSLAM。
单目VSLAM	可以区分从图像中提取信息的两种主要方法。这些是直接方法和基于特征的方法。直接方法（密集或半密集） 从图像的像素强度优化几何形状。对于基于特征的方法，从图像中提取一组特征观察，然后计算相机位置和场景几何形状作为这些特征观察的函数。直接方法的一个优点是，由于对整个图像的比较，与基于特征的方法相比，它们可以获得更密集的环境表示，从而生成密度较低的表示。由于基于特征的方法和直接方法都根据不同的环境环境和目的各有利弊，因此可以得出结论，考虑基于特征的方法以及评估其在室内农业环境中性能的直接方法非常重要。
对于直接和基于特征类别的算法选择	根据基准数据集选择了当前性能最佳的 VSLAM 算法。（1）开源，（2）实时工作的能力，（3）能够在机器人操作软件（ROS）中工作，（4）必须支持单目输入，因为单目VSLAM是目标的一部分。根据该标准，LSD-SLAM [39]被发现符合直接方法的标准，ORB-SLAM在基于特征的方法的ORB-SLAM2 [40]的实现中。因此，选择这些进行比较。
ORB-SLAM	是一种基于早期基于并行跟踪和映射（PTAM）的方法的特征方法。从输入图像中提取的特征用于算法的每一步，提取由提取器 ORB [42] 完成，因此以 ORB-SLAM 命名。
LSD-SLAM	该算法将整个图像作为输入，通过在小基线立体比较中应用像素深度滤波器来构建半密集点云。
两种方法总结	ORB-SLAM和LSD-SLAM都被发现能够在实时设置中工作。在此设置中，ORB-SLAM产生稀疏点云，LSD-SLAM产生半密集点云。

2.2. 无人机和软件架构

在实验和数据采集中使用的小型无人机是DJI Tello。它是一种廉价的现成平台，赋予单目相机2592×1936的图像分辨率。该平台可以在 13 m 的范围内飞行长达 100 分钟。对于其通信，它使用2.4 GHz的WIFI。为了控制无人机，分配了一台 PC 作为地面站。地面站被配置为在Ubuntu 18.04下运行ROS Melodic。

图1显示了系统架构。导航数据和RGB图像数据传输到地面站。使用ROS，数据分别作为两种算法LSD-SLAM和ORB-SLAM的输入。然后，VSLAM的输出被用作软件开发工具包（SDK）的输入来控制无人机，同时，它们被发送到EVO，一个轨迹评估包[44]，以评估每个算法的准确性。值得一提的是，每种算法都经过单独评估，以避免可能影响结果的潜在问题，例如计算瓶颈。

2.3. 实验设置

无人机飞行路线

温室中的实验装置。作物行之间（顶部），主走廊（底部）。无人机的标题显示为红色，裁剪行显示为绿色，十字表示起点，箭头表示飞行方向。还描绘了环境的物理测量。

奶牛场谷仓巷中的实验装置。无人机的标题显示为红色。一个飞行动作朝着小巷飞去，另一个飞向动物。十字代表起点，箭头代表飞行方向。还描绘了环境的物理测量。

2.4. 评估指标（没看懂）

单目 SLAM 算法使用任意尺度。因此，为了进行公平比较，需要首先对齐轨迹，以使比例因子相等。简而言之，这表示在算法中执行的多个运行中的一个运行已作为参考，其他运行将缩放到相同的比例因子。与 [38] 一样，引用是直接从 VSLAM 算法获得的。相互缩放运行是必要的;否则，由于规模差异引起的误差也将得到考虑，这是不希望的。这是因为目的是研究定位的变化，而不是尺度内的变化。因此，在进行比较之前，轨迹对齐是通过 [45] 的方法进行的，该方法对齐k 维欧几里得空间中的两组点。

在对齐步骤之后，可以在算法之间和算法内部进行评估。为了评估LSD-SLAM和ORB-SLAM的性能和准确性，使用了[46]中的方法。使用这种方法，进行了两个主要的比较：相对姿势误差和绝对轨迹误差，通常也称为绝对姿势误差。

相对姿势误差确实可以深入了解轨迹的局部精度，该精度是在固定的时间间隔内评估的δ吨.这表明此相对姿势误差与轨迹的漂移相对应。相对姿势误差是使用公式（1）计算的，其中Pref和Pest项等于正在比较的轨迹中的姿势序列。在[46]中，进行了比较以找到VSLAM算法的绝对准确性，而这项工作的重点是VSLAM算法在定位变化方面的鲁棒性和一致性。

3. 结果

使用EVO评估结果，EVO是一种用于轨迹评估的工具

3.1. 比较绝对和相对位置误差

图 5显示了应用直接方法和基于特征的方法的无人机相机处理结果。ORB-SLAM 仅采用关键功能，如左侧图片中的绿色方块所示;LSD-SLAM使用整个输入图像（右侧图片）。

看不懂。。。待补坑