【泡泡一分钟】视觉SLAM为什么需要光束平差法

会员服务 ·

【泡泡一分钟】视觉SLAM为什么需要光束平差法

2019 年 9 月 12 日 泡泡机器人SLAM

每天一分钟，带你读遍机器人顶级会议文章

标题： Visual SLAM - Why Bundle Adjust

作者：Alvaro Parra Bustos, Tat-Jun Chin, Anders Eriksson and Ian Reid

来源：IEEE International Conference on Robotics and Automation(ICRA) 2019

编译：董文正

审核：颜青松，陈世浪

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

光束平差法在基于特征的单目SLAM中扮演着重要的角色。在许多现代SLAM流程中，光束平差法使用特征点的轨迹作为输入来估计6自由度的相机轨迹和3D地图（3D点云）。然而，光束平差法存在两个问题却一直困扰着SLAM系统。第一，需要仔细初始化光速平差法，意味着所有的变量（特别是地图）必须尽可能准确估计并随着时间保持着，这使得整体算法繁琐。第二，由于估计3D结构（需要充足的基线）是光束平差法中必不可少的步骤，因此SLAM算法会遭遇各种困难，例如慢速移动或者纯旋转运动。

我们提出了一个不同的SLAM的优化核心：我们进行旋转平均而不是光束平差，逐步优化相机的方向。在给定方向的情况下，我们通过凸函数公式来估计相机的位置和3D点，它可以高效且全局地进行求解。我们的方式不仅避免了在关键帧上繁琐的估计计算，还有维护位置和3D地图的需要（它能简化我们的SLAM系统），它也更能够处理慢速运动和纯旋转。

图1 (a)相机平移误差，(b)在Maptek数据集上测试的BA-SLAM和L-infinity SLAM的旋转误差。对比包括在相同的特征跟踪下krot_tdc fed的BA结果。

图2 估计相机的位姿（红点）上叠加了真值（蓝点）。分别对应(a)BA-SLAM和(b)L-infinity SLAM用提出来的krot_tdc解决闭环检测。

图3 用[40]的方式获得相机的位置。

图4 重叠known_rotation_prob相机位置（红点）和真值（蓝点）。

图5 行人在行走和旋转智能手机相机时记录了一个场景。（a）输入视频的帧样本。（b）L-infinity SLAM场景重建。（c）ORB-SLAM未能初始化，因此无法进行重建。

绿线表示初始化失败。右下方的屏幕截图显示序列末尾的结果（空白）。

图6 L-infinity SLAM的重建。

图7 增量旋转平均和BA的运行时比较。

Abstract

Bundle adjustment plays a vital role in feature-based monocular SLAM. In many modern SLAM pipelines, bundle adjustment is performed to estimate the 6DOF camera trajectory and 3D map (3D point cloud) from the input feature tracks. However, two fundamental weaknesses plague SLAM systems based on bundle adjustment. First, the need to carefully initialise bundle adjustment means that all variables, in particular the map, must be estimated as accurately as possible and maintained over time, which makes the overall algorithm cumbersome. Second, since estimating the 3D structure (which requires sufficient baseline) is inherent in bundle adjustment， the SLAM algorithm will encounter difficulties during periods of slow motion or pure rotational motion.

We propose a different SLAM optimisation core: instead of bundle adjustment, we conduct rotation averaging to incrementally optimise only camera orientations. Given the orientations, we estimate the camera positions and 3D points via a quasiconvex formulation that can be solved efficiently and globally optimally. Our approach not only obviates the need to estimate and maintain the positions and 3D map at keyframe rate (which enables simpler SLAM systems), it is also more capable of handling slow motions or pure rotational motions.

如果你对本文感兴趣，请点击点击阅读原文下载完整文章，如想查看更多文章请关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/bbs/