2017 IROS Dense RGB-D-Inertial SLAM with Map Deformations论文阅读

Abstract

稠密的视觉SLAM可以对场景进行稠密重建，但是当初始化不好的时候会导致tracking缺乏鲁棒性。而稀疏的视觉SLAM在和IMU紧耦合后准确性很高，综合二者提出RGBD惯性SLAM系统
系统可以在GPU上实时运行，同时优化相机位姿，速度，IMU偏差和重力方向，还能进行3D稠密重建。

Introduction

移动系统上的SLAM系统可以分为两部分：稀疏的基于地标的系统和稠密/半稠密的系统。稀疏的系统无法产生可以用于机器人导航的地图，但是鲁棒性极好。加入IMU之后鲁棒性会更好。

松耦合经常使用滤波和滑动窗口表示，紧耦合经常采用ICP配准，为了生成稠密的地图。文章贡献就是在稠密SLAM系统中加入了加速度和转速的测量。

已经有了一些做IMU和SLAM系统松耦合的文章，一个把IMU数据用作预测，一个用类似位姿图的方式融合惯性和立体相机测量。
还有一个做半稠密的紧耦合的单目VIO系统的，利用惯性数据移除尺度模糊性，但是又单开了一个线程来做低于帧率的全密集图
还有一个半稠密的，基于LSD-SLAM，紧耦合，和我们的很像，但我们的是以地图为中心的，估计了更多东西

我们的系统是基于ElasticFusion改的，贡献：同时估计了一大堆东西；不使用位姿图估计，更鲁棒，在GPU下实时；是第一个RGBD惯性SLAM系统

系统概况

1、参数化

tracking和mapping在不同的步骤中实现，系统的状态向量包括六维

2、稠密的光度学和几何学的对齐

将稠密的逐像素的光度学对齐和ICP点到平面的几何学对齐结合起来

3、惯性的加入

加入了一个IMU的loss

建图

像原始的ElasticFusion一样，我们公式中的地图也分为活动区域和非活动区域。活动地图是最近观察到的区域，是进行跟踪和融合的地方。如果在一段时间t内未观察到活动地图的一部分，则它将变为非活动状态。通过尝试将当前观察到的活动地图部分与非活动地图进行匹配，我们使地图在全球范围内保持一致。如果检测到匹配，则通过稀疏变形图施加非刚性空间变形来闭合环路。

结论

据我们所知，我们介绍了第一个实时紧密耦合的密集RGB-D惯性SLAM系统。 在跟踪步骤中，它将组合的光度，几何和惯性能量函数最小化，以同时估算相机的姿态，速度，IMU偏差和重力方向。 在映射步骤中，我们的系统构造了环境的完全密集的3D重构，该重构不仅全局一致，而且由于向变形图添加了惯性变形能量而使重力对齐。
通过在合成数据集和现实世界数据集上进行的一系列实验，我们证明了RGB-D惯性系统在缓慢，平滑的轨迹上的性能至少与系统的RGB-D一样，但是对 激进的动作以及缺乏光度和几何变化。