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。
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