PL-SLAM: Real-Time Monocular Visual SLAM with Points and Lines 基于点线的单目实时SLAM

1. 文章类型/时间/作者/所属单位_项目支持： 期刊/Albert Pumarola1 Alexander V akhitov2 Antonio Agudo/2017/EU_Project欧盟项目；
2. 主要工作：
（1）PL-SLAM流程图，ORB-SLAM[18]流程图的延伸。该系统由三个主要线程组成：跟踪、局部映射和循环关闭。跟踪线程估计摄影机位置并决定何时添加新关键帧。然后，局部映射将新的关键帧信息添加到贴图中，并使用BA对其进行优化。循环闭合线程不断检查循环并纠正它们。

;
（2）；
（3）
3. 解决了什么问题：
（1）线特征初始化的解决;
（2）详细的算法公式（然而我看不太懂）： 在该方法中，我们集成了线条特征提供的信息；使用的线参数化和误差函数，以及如何将其集成到SLAM流程图的主要构建块中，即束调整、全局重新定位和特征匹配
（3）
4. 用了什么方法：
（1）。
（2）。
；
（3）
5.创新点在哪：
（1）直线通过其端点进行参数化，其在图像平面中的准确位置通过两步优化过程进行估计。这种表示法除了对遮挡和误检测具有鲁棒性外，还允许将直线表示法集成到SLAM机械中，就好像它们是点一样，从而重复使用大部分ORB-SLAM体系结构。；
（2）详细： 提出了一种新的初始化方法，该方法允许仅从三个连续图像之间的直线对应估计近似的初始映射。以前的解决方案基于单应[8]或基本矩阵估计[29]，并要求点对应。就我们所知，没有基于线条的等效技术。我们提出的解决方案基于三个连续帧之间的恒定旋转假设，并且这些旋转相对较小。
（3）不使用线来闭合回路。整个地图上的匹配线在计算上过于昂贵。因此，回环检测仅使用点特征。
（4）详细：为了使我们的方法适用于处理用于重新定位的线，我们用最近发布的EPnPL[30]代替了EPnP，它将等式（4）中检测到的线重投影误差降至最低。此外，EPnPL[30]对部分线遮挡和误检测具有鲁棒性。这是通过两步程序实现的，其中首先最小化检测线的重投影误差，并估计线端点pd，qd。然后沿直线移动这些点，以匹配3D模型端点P、Q的投影〜pd、〜qd（见图3）
6. 该文章的主要成就（最好使用数据论述）：
（1）每个序列的平均执行次数超过5次。在使用基准测试提供的脚本计算A TE误差之前，所有轨迹均与地面真实值的7自由度对齐[28]。ORB-SLAM和PL-SLAM均通过在线开源ORB-SLAM包的参数化执行。从文献[18]中提取PTAM、LSD-SLAM和RGBD-SLAM的结果进行对比（带符号†）
;
（2）TUM RGB-D基准测试的5个不同序列的平均执行时间[28]。
；
（3）
7.文章中提到的其他方法 ：
（1）然而，以前所有基于特征的方法在纹理较差的环境或散焦和运动模糊的情况下都会失败。为了解决这个问题，可以采用密集和直接的方法，即使它们可能在计算上很昂贵[19]，[21]，并且需要专用的GPU实现来实现实时性能。其他半直接方法（如[9]）通过仅利用具有强梯度的像素来克服密集方法的高计算要求，从而提供中等水平的精度、密度和复杂性。场景先验信息也被用来显著提升SLAM系统[3]，[4]。
（2）正如我们前面所说，在刚性SLAM中，基于过滤器的方法比基于优化的方法（基于优化的SLAM方法初始化为基于至少两帧之间的点对应关系构建的映射）表现得更好，正如我们在这项工作中所做的那样。