文章摘要
针对动态环境,提出了一种基于实时深度边缘的RGB_D SLAM系统。这个系统与现有的最先进的动态环境方法相比,可以显著地减小跟踪误差。
研究背景与论文工作
导航定位随着相机成本的减小发展越来越快,其中在SLAM系统中扮演者很重要角色的视觉测量仍不成熟。目前最先进的研究方法都是假定环境是静态的,忽略了动态环境中经常出现的人、物等因素的影响。而视觉测量目前主要分为两大阵营,一种是上一篇文章里写道的Dense Visual SLAM for RGB-D Cameras里面提到的密集视觉测量方法,而另一种是基于特征对应的视觉测量方法。在这两种方法中为了补偿动态点,都需要进行或多或少地特征对应,这是十分耗时的。
本文提出通过深度边缘点的对应来进行视觉测量。深度边缘点的密度很低,可以进行有效得匹配;而另一方面,深度边缘点反映了环境的纹理。如上图,这里提取的全部是环境中的深度边缘点,既反映了环境的纹理,同时也能进行有效地匹配。
基于前景边缘的视觉测量法
总述
前景边缘首先只提取图片的边缘点作为估计,然后每隔N张图选取一张作为关键帧,关键帧则是用来进行静态权值估计的。得到的静态权值则可以反映出这个点属于静态环境的可能性有多大。静态权值还可以用来与IAICP算法相结合用来削减变换估计中动态移动物体的影响。
前景边缘点与遮挡边缘点
前景边缘点是指靠近摄像机的物体的边缘的点,这些点的特征是对相机的运动比较稳定,不会随着相机的运动出现几何误差,而遮挡边缘点则会因为相机的移动而非常敏感。所以在评估相机位置时候应该要排除遮挡边缘点的干扰。
静态权值估计
图片中第二排是识别出来的前景边缘点,第三排是通过静态权值计算得出的结果,红色为动态物体的边缘,二绿色则是静态物体的边缘。
由于具体如何评估静态权值的理论部分和闭环检测部分尚且不懂,我直接跳过,下面阐述实验结果
实验结果
此前很多前辈的实验都是通过 TUM RGB-D dataset来做的,结果都非常得棒,可是缺少了对图片中动态物体的评估。
视觉测量方法评估
1) Effect of Static Weighting
:The average improvement in terms of translational drift for low-dynamic sequences is 8%, and for high-dynamic sequences, the average improvement is 52%. This verifies that our static weighting strategy effectively reduces the influence of dynamic objects, especially for high-dynamic environments.
2) Effect of Static Weight Initialization:
a图没有静态权重初始化则人身上的很多点会被当成是静态物体,b图加入了静态权重初始化,则人身上的边缘点区分得更好。
3) Comparison With Previous Methods:
Dense Visual Odometry (DVO):目前最先进的静态处理方案,但是只适用于有小部分动态点的情况。
model-based dense-visual-odometry (BaMVO):为动态环境设计的方案。
结论: Our method improves the visual odometry performance by 74.6% compared to DVO, and by 58.2% compared to BaMVO.
我们的方案基本上在所有的动态环境中表现都是最好的,甚至在静态环境中表现也最好。