有時間會複習回顧V-SLAM的一些比較重要的論文, 並記錄保存.
1.摘要
提出一種 半稠密-直接視覺里程計算法.
這種方法消除了用於運動估計的特徵提取和魯棒匹配技術的成本代價需求.
該方法直接作用於像素的強度, 這樣可以在高速率情況下獲取次像素級精度.
該方法可以以55Hz~300Hz的速率在無GPS的環境下運行.
2. SVO系統概述
SVO可以分爲兩個並行線程, 一個相機運動估計線程, 一個是地圖構建線程;
-
Motion estimation Thread
該線程實現了半稠密-直接法的相對位姿估計:
1.位姿初始化, 基於模型的稀疏圖像校準, 通過極小化3D點在相鄰圖像幀下的投影點的光度誤差來估算相機的相對位姿.
2.特徵校準: 2D座標相對應的反投影點(3D點)
運動估計包含: 通過極小化反投影誤差來獲取位姿和場景結構. -
Mapping Thread
對每一個2D特徵初始化一個深度濾波器, 與之相對應的3D點進行估計.
1.深度濾波器初始化: 當幾個3D-2D的對應點找到時, 一個新的關鍵幀將會被創建;
2.初始化的深度濾波器在深度上具有較大的不確定性, 對每一個幀的深度估計將會有貝葉斯估計來更新.3.當深度濾波器的
不確定性足夠小時, 一個新的3D點會被插入到地圖中且會被應用於運動估計線程中.
3. 運動估計和深度濾波器
對運動估計, 通過極小化3D點在2D平面像素的投影殘差, 來獲取相機位姿; 然後對2D特徵位姿校準(加入3D局部地圖點), 來實現對相機位姿優化.
利用貝葉斯概率分佈, 估計深度值, 結合高斯-均勻混合物模型分佈實現深度的估計.
4. 實現的VO軌跡對比
經過實地調試和優化, 利用高幀率相機可以使得該算法具有較快的更新速率, 以及較高的準確度和穩定性.
