关键词:视觉惯性;半直接 SLAM;多传感器融合
一、摘要:
问题: 如何权衡准确率和计算效率
方法: 半直接法。基于特征法的 MVG 进行初始化、后端优化和回环检测;滑动窗口优化
结果: 实现准确度和速度的均衡
二、结论
文章缺陷: 无
课题构思(如何一步步得到结论):
- 直接法追踪非关键帧并加速算法
- 特征法回环检测,解决长期运行问题
未解问题: 扩展算法以支持多传感器融合
三、粗看图表
数据来源: EuRoC 数据集
重要指标: RMSE、平均时间、关键帧数量及计算耗时、平移绝对位姿误差
四、引言
研究原因: 现有传感器单独使用时缺点明显:立体相机只能在有限深度范围估计准确;雷达存在户外玻璃表面反射的问题;IMU 有偏移和噪声;单目相机具有尺度不变性。特征法和直接法有明显缺点(前面文章已总结)。
课题阶段(染色为当前阶段):
主要贡献: 多传感器融合的视觉惯性导航系统(VINS)、SD-VIS
理论假设: 主要研究基于多传感器融合的单目视觉惯性导航系统(VINS)
五、实验过程
模型步骤,每个步骤的结论:
- 系统框架总览:
-
IMU 测量和视觉惯性对齐
-
符号说明
-
IMU 预积分
-
视觉惯性对齐
IMU 测量值与可视图像对齐完成初始化。VINS-Mono 方法重参数化重力矢量
-
-
视觉测量:
-
三种关键帧选取策略(满足其一即可):
① 跟踪特征点,滑动窗口中最后一帧中的跟踪点数小于最小跟踪点阈值的70%;
② IMU 预积分计算出的滑动窗口最后两相邻帧间的平移距离超过阈值;
③ 最后一帧和倒数第二帧特征点的平均视差超过阈值。
-
关键帧的追踪
关键帧使用快速特征检测器在滑动窗口最后一帧添加新特征点,KTL 稀疏光流算法追踪。RANSAC 和基本矩阵模型消除异常值。
-
非关键帧的追踪
直接图像对齐估计相对位姿,最小化图像块之间的光度误差优化位姿
-
-
基于滑动窗口的紧耦合优化框架
结合 IMU 残差,视觉重新投影误差,先验信息和重新定位信息,再次优化姿态和3D点位置。
-
边缘化策略
若当前帧为关键帧,则该帧将保留在滑动窗口中,最旧的帧被边缘化,丢弃特征点,删除视觉和惯性测量值;
若当前帧不是关键帧,则滑动窗口中的最后一个帧将被边缘化,与该帧相关的所有视觉度量移除。
-
重定位(消除累积误差)
DBoW2 闭环检测,有环路时对齐滑动窗口
-
-
实验:
评估 EuRoC 数据集上 SD-VIS 的准确性、鲁棒性和实时性能,将SD-VIS方法与最新的视觉SLAM方法进行比较。
- 对 SD-VIS 的准确性和鲁棒性进行评估。实验结果表明,该方法的准确性和鲁棒性达到了与最新技术相同的水平
- 评估实时性能,该方法在精度和实时性能之间达到了良好的平衡