【泡泡机器人】第二期北京SLAM线下分享会（DSO主题）成功举办！

2019 年 10 月 17 日 泡泡机器人SLAM

这是一场没有任何繁杂形式的技术盛宴！
这是一场没有任何虚论浮谈的技术畅谈！
这是一场从第一分钟我们就只聊技术的单纯聚会！
这是一场大家在那个周日下午冒雨聚在北六环外的执着与热爱！
这是一场一聊就是六个半小时覆盖五个国家的技术交流！
这是一场只有技术人才能懂得的畅快与享受！

10月13日泡泡机器人SLAM第二期北京线下论文分享会成功举办。此次分享会的主题是DSO相关论文和代码的研究，线上线下总计约47人参会。会上有6位研究者分别就双目DSO、双目VI-DSO、DSO代码、提升DSO等题目进行了精彩的分享，期间大家纷纷提出了各自疑惑的问题并进行了热烈讨论。

涂金戈：Stereo DSO

涂金戈就是知名SLAM相关技术博主jingeTU，他主要介绍了DSO算法流程及双目DSO和单目DSO的区别，在分享中着重强调了“逆深度的参数化表达方式使得H矩阵更稀疏”、“作为odometry，DSO求解的焦点是相机位姿，而不是路标点”，而且指出nullspace意义在于：“如果知道了某个自由度是不可观的，那么就不要在它们之上添加信息将它们变成可观的，要保持它们的不可观性”。

觉罗雅威：双目VI-DSO

觉罗雅威带领大家浏览了VI-DSO对应的论文“Direct Visual-Inertial Odometry with Stereo Cameras”。文章的创新之处在于两点：其一，显式地包含重力方向和尺度；其二，提出了动态边缘化策略，定期扔掉错误的尺度先验信息，提高尺度估计鲁棒性。由于文章代码没有开源，因此诸如优化目标函数中光度误差项的权重设置等关键细节不便深究。文章得出的结果与加入惯导的ORBSLAM进行了对比，初始化过程表现更优越。

几位研究人员借此发表了关于视觉和惯导融合是否能提高定位精度的看法，结论是“视觉和惯导融合能提高定位的稳定性和鲁棒性，至于是否能提高定位精度，要看待融合两个传感器的等级；有些情况下，融合数据将引入新的误差，甚至导致定位精度下降。”

赵世博：DSO初始化

赵世博从代码实现的角度详细的介绍了DSO初始化的过程，分析了光度标定实现方法、光度误差的构建、初始化过程主要函数的作用和逻辑等，在最后介绍了自己在激光SLAM方面的工作。值得一提的是，经过讨论大家认为，DSO光度误差优化的目标函数中，权重项作用是对梯度较大项进行抑制，鲁棒核是对残差较大项进行处理，二者各有各的作用。

龚益群：DSO代码解读

龚益群首先从数据结构和算法流程方面对DSO代码进行了概述，接下来着重对跟踪和地图点管理两部分进行了详细介绍。最后提出了初始化第一帧如何选择、优化过程对哪些变量进行FEJ等若干个问题，引起了热烈讨论。关于第一个问题，大家得到的共识是“使用第一帧即可完成初始化的话，那么使用第一帧即可；若第一帧与后续帧场景差别过大，继续使用第一帧将初始化失败，此时则重新选择第一帧进行初始化”。关于第二个问题，大家一致赞同“对于不影响可观性矩阵零空间的变量都不需要对其进行FEJ”，进而讨论到“若把第一帧相机位姿固定，那么整个系统将变得相对可观，即相对于自行设置的初始值是可观的，相对于世界坐标仍然是不可观的；如果某变量不可观，一开始对其赋予了先验，运行一段时间以后，该先验已经无法提供约束了，此时该变量将会出现漂移，且这和测量噪声引起的误差是不一样的”。

曲星威：DSO优化部分讲解

曲星威来自TUM Computer Vision Group，即DSO诞生的课题组。本次主要介绍了基于滑动窗口的后端优化中舒尔补、边缘化、FEJ等相关内容，技术细节与往期泡泡推文《DSO 中的Windowed Optimization》（by贺一家）中的内容不谋而合。曲星威指出LDSO对DSO代码进行了较为友善的维护，如果对DSO感兴趣的话推荐大家从LDSO开始着手。

韩腾飞：如何提升DSO的表现

韩腾飞经过大量调研，总结了可对DSO进行改进的6个方面，并给出了相关参考文献。众所周知，直接法需要较好的初始值估计和较高的输入图像质量，这些改进方向恰恰是从提高输入图像质量的角度提升DSO的表现，而不是对DSO算法本身进行改进。韩腾飞指出，和当下火热的深度学习技术相结合改进思路为使用基于深度学习的单目图像深度估计方法和基于深度学习的图像质量增强方法。