如何处理视觉SLAM长期定位中的外观变化和轨迹漂移？——ObVi-SLAM

最新推荐文章于 2024-09-07 20:53:35 发布

zzqcays

最新推荐文章于 2024-09-07 20:53:35 发布

阅读量278

点赞数 2

分类专栏： slam obVi-SLAM 文章标签：机器人

本文链接：https://blog.csdn.net/weixin_53805189/article/details/134921824

版权

slam 同时被 2 个专栏收录

8 篇文章 0 订阅

订阅专栏

obVi-SLAM

1 篇文章 0 订阅

订阅专栏

文章内容来自如何处理视觉SLAM长期定位中的外观变化和轨迹漂移？

以下文章来源于3D视觉工坊，作者泡椒味的口香糖+

添加的注释仅供参考，博主个人学习使用。如有侵权，请联系我删除！！

0. 笔者个人体会

今天笔者想为大家分享一项最新开源的Lifelong SLAM工作，名为ObVi-SLAM，有助于解决视觉SLAM在室内/室外的长期定位中遇到的光照变化、视角变化、环境变化以及轨迹漂移问题。

1. 这篇文章希望解决什么问题？

服务机器人、巡检机器人、自动驾驶车辆等SLAM应用，需要进行长时间的定位和导航，但是可能会遇到很多光照变化（甚至天气季节变化）、不同视角提取的不同特征、原先场景的目标已经移除等等很多的环境变化问题，如果处理不好的话很容易引发轨迹漂移甚至跟踪丢失。

作者认为，产生这种问题的关键在于，现有的视觉SLAM方法依赖于低级的特征描述子。这些特征描述子对环境变化不鲁棒，并导致地图尺寸过大，不利于机器人的长期部署。也有一些SLAM方案使用语义信息来辅助定位，但主要面向短期定位导航过程。

这篇文章旨在解决长期SLAM应用中的一系列问题，包括：

环境变化引发的定位问题： 长时间的定位和导航中，环境可能会发生各种变化，如光照、场景结构、目标移除等。这些变化会导致传统视觉SLAM方法中使用的低级特征描述子的鲁棒性问题，容易导致轨迹漂移和跟踪丢失。

特征描述子的局限性： 传统SLAM方法使用的低级特征描述子不具备足够的鲁棒性，难以适应环境变化。这些特征描述子导致地图尺寸过大，不利于长期机器人部署。

语义信息辅助定位的局限性： 尽管有些SLAM方案使用了语义信息辅助定位，但这些方案主要适用于短期定位导航任务，对于长期定位和导航缺乏有效的支持。

作者认为，解决这些问题的关键在于开发更鲁棒、适应性更强、能够应对环境变化的SLAM方法，同时结合语义信息提高长期定位和导航的稳健性和效率。

2. 具体原理是什么？

ObVi-SLAM希望同时利用上述两种方法的优点，首先利用低级视觉特征来做高质量的短时VO（这种方法在短时间内能够提供高质量的定位和轨迹估计）。然后为了保证全局的长期一致性，构建一个不确定感知（它考虑了地图信息的不确定性或可信度）的持久目标的长期地图（可能是一种在时间上持久存在的、包含地图长期特征的表示形式），并在每次部署后进行更新。

具体来说，ObVi-SLAM实际是利用环境中静态物体的长期地图来做辅助定位，因为目标检测是对外观不敏感的，所以ObVi-SLAM也就可以对环境变化有鲁棒性。同时每个语义目标都会计算不确定性，随时间推移进行更新。