3. StructSLAM: Visual SLAM With Building Structure Lines基于建筑结构线条的SLAM

1. 文章类型/时间/作者/所属单位： 期刊/2015.04/周慧忠、邹丹平、裴凌、应仁东、刘培林/上海交通；
2. 主要工作：
建筑结构线示意图（主要有三个方向的对齐）：
结构线特征与现有视觉SLAM系统[6]中使用的线特征之间的主要区别在于结构线编码全局方向信息。
（1）使用建筑结构线作为定位和映射的特征。与其他线要素不同，建筑结构线对全局方向信息进行编码，该信息随时间限制摄影机的航向，从而消除累积的方向误差并减少位置漂移。;
（2）扩展了标准的扩展卡尔曼滤波视觉SLAM方法，采用一种新的参数化方法来表示主导方向上的结构线；
（3）
3. 解决了什么问题：
（1）;
（2）；
（3）
4. 用了什么方法：
（1）结构线的参数化：为了参数化结构线，我们通过世界框架的原点选择三个正交平面，即XY、YZ和ZX平面。结构线可以由参数平面上的点和相关主方向表示。通过比较相关主方向和平面法线之间的角度距离，选择用于参数化的平面。选择具有最近角距离的一个作为参数平面。然后，结构线由参数平面中的一个点表示 。
（2）利用消失点设置结构线的主方向：通过观察线段的消失点和中点画一条线，如果该线可以与观察线段紧密对齐（在我们的实验中，在四像素对齐误差范围内），则观察线段的主方向设置为ηi。
；
（3）
5.创新点在哪：

（1）仅使用初始关联线段中点周围的图像块作为描述符。；
（2）在初始化任何结构线之前，需要估计世界框架中的主导方向。这可以通过将图像中检测到的消失点反向投影到世界帧中来实现。
（3）与点特征不同，一条直线通常有多个关联的线段，考虑到通过直线检测算法可以很容易地将直线分成多个线段，我们使用以下方法判断候选匹配线段的内联性是否足够优质：1）从所有候选线段中随机抽取一条线段。2） 我们使用选定的线段运行一个试探性的EKF更新，并使用更新的状态再次预测图像上的所有结构线。3） 通过检查结构线与其关联线段之间的距离来确定内插线（inlier）。如果距离小于阈值（在我们的方法中使用了3），我们将关联的线段视为内插线。因此，在完成上述步骤后，我们将得到一个更内联的集合。
（4）投影的结构线被计算为消失点与投影点的叉积。

6. 该文章的主要成就（最好使用数据论述）：
（1）借助于轮式里程计，我们的方法在967m路径上产生约0.79 m的位置误差;
（2） 使用（a）线特征和（b）结构线生成的最终地图。（c） 重建垂直线特征方向的误差分布（蓝色：使用线特征；红色：使用结构线，部分可见）。

（3）在25次运行中，摄像机姿势的平均归一化估计误差平方（NEES）（X、Y、Z平移和横摇、俯仰、偏航方向）。黑色虚线表示6个自由度和N=25次运行的95%置信度的一致性带限，即η=7.432和η=4.719（η=χ225×6（1− 0.975)/25 = 7.432, η = χ225×6(1 − 0.025)/25 = 4.719) [28]. 如果平均NEES在整个时间内大于η2.5%，则认为滤波器不一致[29]。

（4）在整个轨道（4×20m）期间，所提出方法的位置误差始终保持在较小的值（0.2m）内，并且如果单独使用结构线（例如，X中的RMSE，仅结构线：0.1311m，混合线：0.0576m），其误差略有增加。
(5)如表1所示，我们的方法估计精度较高，平均绝对误差为0.79 m和0.01 rad，优于CI-graph SLAM的2.24 m和0.06 rad的结果，远优于MonoSLAM和LineSLAM的结果。值得注意的是，我们的StructSLAM只需要一个摄像头，没有环路关闭算法就可以实现这种性能。
注意，我们的方法对两个数据集产生的误差几乎相同，尽管它们的长度不同。这表明我们的方法产生的有界误差不随移动距离的增大而增大。
(6)如图10所示，最大点数限制为40，每个方向结构线数限制为8条(共24条)。当出现更多特性时，运行时间会增加。每幅图像的平均运行时间约为25.8 ms，最大运行时间为62.9 ms。

7.文章中提到的其他方法 ：
（1）在[20]中，提出了一种改进扩展卡尔曼滤波（EKF）SLAM的新方法，该方法将消失点作为室内环境中的全局特征。他们的实验结果表明，在消失点的帮助下，SLAM性能得到了显著改善。-------[20]《Y . H. Lee et al., “VPass: Algorithmic compass using vanishing points in indoor environments,” in Proc. IEEE/RSJ Intell. Robots Syst., 2009,
pp. 936–941.》
（2）在[21]中，Zhang等人采用垂直线和地板线作为特征来解决3-DoF SLAM问题。为了减少累积航向误差， 消失点被用作额外的测量值，并用于闭合回路。----------[21]《G. Zhang, D. H. Kang, and I. H. Suh, “Loop closure through vanishing points in a line-based monocular SLAM,” in Proc. IEEE Robot. Autom.2012, pp. 4565–4570.》 ；
（3）使用轮式里程计为卡尔曼滤波进行位置预测，(参见第四节-C)，基准测试解决方案[31]中也采用了这种方法。----------《[31] P . Piniés, L. M. Paz, D. Gálvez-López, and J. D. Tardós, “CI-graph simultaneous localization and mapping for three-dimensional reconstruction of large and complex environments using a multicamera system,” J. Field
Robot., vol. 27, no. 5, pp. 561–586, Sep./Oct. 2010.》
8.文章中尚且存在的问题 ：
(1)对于大多数人造建筑来说，场景中存在三个垂直方向的假设是成立的，但有时候，也有例外情况，即存在三个以上的主导方向，或者主导方向并不相互垂直。我们的方法只是将不与三个垂直方向对齐的线特征视为离群值。当这些离群值的数量不可忽略时，这可能会导致问题。这是我们未来需要解决的第一个问题。
(2)另一个问题是，我们简单地使用线段中点周围的图像patch进行数据关联。由于图像中的线特征比点特征更难区分(图像中通常有许多相似的线)，使用这个简单的描述符通常会导致错误的匹配。在我们的实现中，我们将匹配的ZNCC阈值设置为0.8，以减少错误匹配。然而，随着视点的变化，高阈值也减少了正确关联的数量，这导致从线段初始化的重复线，这些线段应该关联到一个结构线。因此，我们将在未来研究一个更好的描述符来匹配线特征