文献阅读：ElasticFusion: Dense SLAM Without A Pose Graph

摘要

用surfel¹表达点面特征；
不需要pose graph优化，或任何后端处理；
稠密重建，frame-to-model跟踪；
利用非刚体表面变形，精细化模型；
局部model-to-model表面闭环优化；
全局闭环优化。

相似文献：ElasticFusion: Real-Time Dense SLAM and Light Source Estimation。这里面有一些光源探测的内容。

代码

surfel表达

每个surfel包括下面的信息。

半径用来表示局部表面区域，我理解是当点多了后，半径相互交叠，空区域就会很少。用来建图？建图不是用三角面片吗？

半径初始值的计算


点、法向更新规则用到了Keller中的方法。

跟踪预测

结合几何位姿估计和光度位姿估计建立目标函数。

几何位姿估计(geometric pose estimation)，采用点到面（point-to-plane）误差判据，与kinectFusion基本相同，不同之处在优化方法上。KinectFusion通过左乘一个增量变换矩阵，进而得到目标函数优化的解析解，直接求出当前层的增量变换矩阵，再向下一层迭代计算，必须在小位移变化的假设下才成立，因此移动稍快，容易lost。而这里采用扰动模型，用非线性优化方法（高斯牛顿、LM等）求解最终位姿。

光度位姿估计（photometric pose estimation），与直接法完全相同。利用相同位置的光度差异最小化建立目标函数。

变形图(deformation graph)

建图的过程是连续的，当在相同结构处重叠时，由于漂移误差，结构不能完美的匹配上，那么整体结构就发生了deformation(变形)。文中采用Sumner的嵌入变形技术²，将整个模型的位姿进行修复。

每帧重新计算变形图，因为重新计算比增量计算更简单、高效。

参数定义

平移向量

旋转矩阵

观测值

算法

优化

增加了一项，以保证所进行的优化是主动区域到非主动区域的优化。

完整的优化目标函数

后端优化

局部闭环和全局闭环，简单说就是计算局部区域和全局区域的增量变换，从而保证模型的连续性，即重叠时能完美配准。³

---

1. Real-time 3D Reconstruction in Dynamic Scenes using Point-based Fusion ↩︎

2. Embedded Deformation for Shape Manipulation ↩︎

3. https://www.jianshu.com/p/c3613bc73dcc ↩︎