本文介绍了BAD SLAM系统，它通过改进BA算法，利用Surfels模型实现了单GPU上的实时稠密重建。作者提出了一种新的基准数据集，以改善SLAM的性能评估。算法涉及面元创建、损失函数优化、关键帧位姿和相机内参的更新，并结合前端的里程计和回环检测，实现高效SLAM。
介绍
当时BA算法被广泛的使用在特征点法的系统中，作者认为这些方法丢弃了图像的大部分信息。并且在稠密重建中，使用完整的BA是做不到实时的。在这篇文章中，作者提出了一种改进BA算法（基于Surfels模型），可以用单个GPU就可以实现实时稠密重建。还有一个贡献就是提出一种基准数据集，在这种数据集下测试，SLAM系统都能有更好的结果。
相关工作
与本文的提出的系统的差异
Frame-to-model tracking
这种方法的相机位姿不再进行后续优化，会导致累积误差。
Map deformation
没有使用所有可用信息。
Pose graph optimization
虽然可以简化优化问题，但也只是近似BA。
Fragment-based optimization
分层优化，虽然可以减少优化的变量，但也只是近似BA。
Indirect (feature-based) BA
这里的ORB-SLAM2和Bundlefusion效果都很好。
Direct BA
同时优化相机位姿和场景参数，但需要大量的计算时间，举了离线系统。
Benchmarking RGB-D SLAM
作者提供了基准数据集，这种数据集是同步全局快门，对比现有的数据集，重建的结果更好。
数据表示
作者使用场景表示是surfels，且只对关键帧进行BA。
关键帧作者没有作严格的筛选，每10帧，选一帧作为关键帧。
作者的surfels是一个圆盘，其包含3D圆心坐标（全局坐标系），表面的法向量，圆盘半径，描述子。 作者选择surfels是因为他们能够通过BA有效的进行融合和更新。
损失函数
遍历所有的关键帧，所有建立好关联的面元，进行几何误差，光度误差优化。
这两个误差项前面都有一个偏置 σ D − 1 \sigma_D^{-1} σD−1和 σ p − 1 \sigma_p^{-1} σ
最低0.47元/天 解锁文章
492
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
