PLVS：一种具有点、线、栅格建图和3D增量分割的SLAM系统

最新推荐文章于 2024-09-15 10:37:48 发布

点云PCL公众号博客

最新推荐文章于 2024-09-15 10:37:48 发布

阅读量754

点赞数

文章标签： 3d

本文链接：https://blog.csdn.net/u013019296/article/details/133565721

版权

文章：PLVS: A SLAM System with Points, Lines, Volumetric Mapping, and 3D Incremental Segmentation

作者： Luigi Freda

编辑：点云PCL

代码：https://github.com/luigifreda/plvs.git

欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。

公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。侵权或转载联系微信cloudpoint9527。

摘要

本文介绍了PLVS：一种稀疏、栅格建图和3D无监督增量分割的实时SLAM系统。PLVS代表Points（点）、Lines（线）、Volumetric mapping（栅格建图）和Segmentation（分割）。它支持RGB-D和双目摄像头，可以选择搭配IMU。SLAM模块是基于关键帧的提取和跟踪稀疏点和线段作为特征。栅格建图与SLAM前端并行运行，通过融合从关键帧反投影的点云生成探索环境的3D重建。PLVS集成了不同的栅格建图方法。我们使用一种新颖的重投影误差来进行线段的捆集调整。这个误差利用可用的深度信息来稳定线段端点的位置估计。PLVS框架中实现并集成了用于RGBD相机的增量和几何分割方法。我们对PLVS框架在一些公开可用的数据集上进行了定性和定量评估，并且该软件是开源的。

图1. 三维重建的三个方面 (a) 线段 (b) 点云 (c) 分割点云。为简单起见，我们没有显示点特征。栅格地图是通过使用1cm分辨率的八叉树模型获得的。

主要贡献

PLVS方案的目标是创建一个强大而灵活的SLAM框架，可以可靠地在小型机器人平台上运行，并生成周围环境的一致稠密地图。目标传感器是RGBD和双目摄像头，可以选择搭配IMU设备。以下是PLVS的主要贡献：

PLVS是一个开源框架，它(i)同时利用关键点和关键线进行相机跟踪和稀疏建图， (ii)集成了不同的栅格建图方法：特别是八叉树、八叉树地图以及带有截断有符号距离场（TSDFs）和网格的空间散列体素。
它被设计用于RGB-D和双目摄像头，无论是否搭配IMU设备。
该框架实现了一种新颖的线段重投影误差，这个误差利用可用的深度信息来稳定线段端点的位置估计。此外，它是通用的，可以用于RGB-D和双目相机系统。
它提供了一种逐步分割体积图的方法，这种方法基于几何，是无监督的。目前它只适用于RGBD相机，并利用SLAM生成的线段信息。
该系统完全在CPU上运行。可选关键点提取可以移至GPU以减轻计算负载。

PLVS是一个模块化和多功能的系统。其不同功能被组织成可以由用户以不同方式启用/禁用和配置的分区。这允许在地图精度/分辨率与CPU负载之间进行精细权衡，并将框架的功能适应到手头的系统。图1-2显示了使用PLVS实时构建地图的详细信息。开源代码在github.com/luigifreda/plvs。

图2. 三维重建的细节 (a) 线段 (b) 法线 (c) 点云 (d) 分割点云。

内容概述

PLVS系统可以分为两个主要组件：(i) 稀疏SLAM和(ii)栅格建图（Volumetric Mapping，VOMA）。

我们构建了基于ORB-SLAM的稀疏SLAM子系统，它是基于关键帧的。它检测、跟踪和地图点和线段作为稀疏特征。PLVS使用稀疏SLAM来准确定位相机并选择相关的关键帧。实际上，PLVS有两个不同的版本：第一个版本，PLVS I，基于ORB-SLAM2，而最新版本PLVS II，基于ORB-SLAM3，并支持配备IMU的相机系统。

VOMA在一个并行线程中运行，并使用SLAM关键帧、它们估计的相机位置和反投影的点云来构建探测环境的三维重建。系统中集成了不同的方法，以融合关键帧点云。针对RGB-D相机，VOMA实施了一个增量的三维分割方法。事实上，平行构建了两种类型的地图：

稀疏地图Ms = (K, P, L)，它是稀疏SLAM的输出，包括关键帧集K和分别表示在关键帧K中提取和匹配的特征的3D点集P和3D线段集L；
栅格地图Mv，它由VOMA构建，是通过从关键帧K反投影的点云的“集成”结果，为了保持两个地图之间的一致性，只要SLAM地图或其底层的位姿图经历全局优化（例如检测到环路闭合时），就会重新构建栅格地图。

PLVS框架完全在CPU上运行，旨在移植到小型移动机器人上（这些机器人不一定具备高级GPU功能）。它是模块化的，这意味着用户可以通过启用/禁用和配置其不同部分的方式来微调地图的精度/分辨率与CPU负载，并使框架适应自己的系统。

实验

我们成功地使用不同的传感器（Asus Xtion Pro、ZED立体相机、Intel Realsense等）在实时环境中测试了PLVS框架，以证明其多功能性。图6显示了一个使用配备了Realsense R200的追踪机器人获得的栅格地图（自定义八叉树方法）。

图6，配备Realsense R200的机器人和构建的栅格地图（基于八叉树模型）

图8显示了我们使用手持式Asus Xtion Pro实时获得的实验室的3D重建和分割结果。

图8，在大型办公环境中执行的分割

总结

本文介绍了PLVS，这是一个模块化且多功能的系统，展示了基于特征的SLAM系统的跟踪“灵活性”，并且能够仅依赖CPU生成密集的栅格地图，可用的不同方法包括：八叉树、Octomap以及带有TSDFs和网格的空间散列的体积像素。系统的不同功能模块可以由用户以不同方式启用/禁用和配置。这允许用户在地图精度/分辨率与CPU负载之间进行精细的权衡，并使框架能够适应手头的系统。

资源

自动驾驶及定位相关分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

自动驾驶中基于光流的运动物体检测

基于语义分割的相机外参标定

综述：用于自动驾驶的全景鱼眼相机的理论模型和感知介绍

高速场景下自动驾驶车辆定位方法综述

Patchwork++：基于点云的快速、稳健的地面分割方法

PaGO-LOAM:基于地面优化的激光雷达里程计

多模态路沿检测与滤波方法

多个激光雷达同时校准、定位和建图的框架

动态的城市环境中杆状物的提取建图与长期定位