Introduction
用平面作为地标的SLAM系统往往有着更好的性质,然而随着时间的延长,误差逐渐积累也会导致跟踪丢失,所以我们应该把它和IMU结合到一起。
这项工作的主要思想是将惯性测量结果与平面观测结果融合在一起,以获得更好的SLAM性能。
前人的方法包括VIN,用的是滤波的方法,但是,由于高度非线性的惯性状态在每帧都被边缘化,无法通过以后的观察或闭环进一步校正,因此滤波方法无法生成一致的解,因此不适用于SLAM任务。
batch optimization虽然很好,但是很消耗计算资源,随后提出的滑动窗口和BA方法找到了一个很好的平衡;但是,它们还会边缘化超过局部优化窗口的先前状态,因此仍然存在不一致的问题。我们提出的DPI-SLAM可以只在CPU上重建室内场景
这项工作的四个主要贡献是:
1.开发一种新颖的密集平面惯性SLAM(DPISLAM)系统,该系统应用IMU预集成以实现一致的全局优化,
2.基于iSAM2实现DPI-SLAM,以在CPU上实现实时性能,
3.基于平面惯性SLAM框架,合并地标平面之间的结构约束,以进一步校正漂移和变形
4.通过将DPISLAM的重建结果与其他设置以及来自调查激光雷达的地面真相模型进行比较,来展示具有结构约束的DPISLAM的最新性能。
相关工作
松耦合方法:优化从VO中得到的6自由度的参数而非将视觉测量结果和惯性测量结果一起优化
紧密耦合 :在非线性优化的每次迭代中共同优化原始稀疏特征点约束以及惯性测量,虽然成本更高,但可以获得更准确的结果。
然而把IMU结果和直接稠密的VO结果融合起来(比如ICP和稠密RGBD视觉里程计)并没有太多被提及。理论上讲这样的结果是最好的,但是开销会很大
一些解决办法包括只是对于每个位姿估计过程中紧耦合惯性测量和直接的版稠密VO约束,虽然一定程度上解决了这个问题,但是带来了新的问题,也就是无法在全局优化中更新IMU的偏差
我们采用了混合的方式,也就是IMU和VO约束松耦合,与平面观测结果紧耦合,预期结构约束(例如正交或平行平面)将进一步校正人造环境重建中的漂移或变形。 一个类似但更受限制的概念,称为“ 曼哈顿世界假设” ,以获得更好的映射结果。但是,最近关于使用手持式RGB-D传感器的平面SLAM的研究均未考虑应用这些方法中的任何一种来改善输出。在这项工作中,我们还将利用平面的结构约束来进一步改善重建结果,尤其是在没有闭环约束来校正累积误差的情况下。