没有合适的资源?快使用搜索试试~ 我知道了~
ORB-SLAM论文翻译1
需积分: 0 4 下载量 180 浏览量
2022-08-04
00:26:18
上传
评论
收藏 1.27MB PDF 举报
温馨提示
试读
12页
摘要本文介绍了 ORB-SLAM,一种基于特征的单目 SLAM 系统。它能够在室内外、大小场景下实时运行。该系统对剧烈运动杂波具有鲁棒性,允许宽基线闭环及重定位
资源详情
资源评论
资源推荐
翻译 ORB-SLAM: a Verdatile and Accurate Monocular
SLAM System
ORB-SLAM:一种通用、精确的单目 SLAM 系统
摘要
本文介绍了 ORB-SLAM,一种基于特征的单目 SLAM 系统。它能够在室内外、大小场景
下实时运行。该系统对剧烈运动杂波具有鲁棒性,允许宽基线闭环及重定位,包含全自动初
始化。基于近年的优秀算法,我们从零设计了一个新的系统。使用相同的特征(feature)来
完成 SLAM 所有的功能:追踪(tracking)、建图(mapping)、重定位(relocation)、以及闭
环(loop closing)。一种用于选择点(point)和重建关键帧(keyframe)的适者生存的策略
带来了良好的鲁棒性,并生成精简、可追踪的地图,(这一地图)只有在场景内容发生变化
时才会增长,允许终身运行。我们在最流行的数据集中取了 27 组图像序列,进行了详尽的
评估。相比于其他的先进 SLAM 方案,ORB-SLAM 达到了前所未有的性能。为了社区的利
益,我们将源代码开放。
关键词
终身地图(Lifelong Mapping),定位(Localization),单目视觉(Monocular Vision),
识别(Recognition),SLAM
I. 简介
光束平差法(Bundle Adjustment,BA)在给出强大的匹配网络及合适的初值的条件下,
为相机定位和稀疏几何重建提供精确估计[1][2],由此广为人知。长久以来,这一方案被认为
是实时应用例如视觉同步定位与建图(Visual Simultaneous Localization and Mapping,Visual
SLAM)所难以负担的。视觉 SLAM 的目标是在重建环境的同时估计相机轨迹。现在我们得
知,为了在不限制计算成本的情况下得到精确结果,一个实时 SLAM 算法必须为 BA 提供以
下条件:
与选中的帧(关键帧,keyframe)的子集的场景特征(地图点,map point)相对应的观
测值。
随关键帧的数目而增长的复杂度,其(关键帧)的选择要避免不必要的冗余。
一个强大的关键帧和点的网络配置会产生精确的结果,也就是说,一个良好的有着较大
视差和足够闭环(loop closure)匹配的关键帧观测点的传播集。
用于非线性最优化的关键帧的位姿及点的位置的初值估计。
一个检测中的局部地图的最优化工作的重点在于实现其可扩展性。
执行快速全局最优化的能力(例如,位姿图,pose graph)以求实时闭环。
首个基于 BA 的实时应用是 Mouragon 等人的视觉里程计[3],随后是 Klein 和 Murray 的
开创性的 SLAM 工作[4],称作 PTAM(Parallel Tracking and Mapping)。该算法仅限于小尺
度运行,提供了简单而高效的关键帧选取、特征匹配、点的三角化、每一帧的相机定位及追
踪失败后的重定位的方案。不幸的是,一些因素严重地限制了它的应用:缺乏闭环和足够的
阻塞处理,重定位视角的低不变性,以及地图启动时所需的人工干预。
在本课题中,我们基于 PTAM 的主体思想,G´alvez-L´opez 和 Tard´os 的场景重建工作
[5],Strasdat 等人的尺度感知闭环,以及使用大尺度运行的公共可见信息[7][8],来从零开始
设计 ORB-SLAM,一种新的单目 SLAM 系统。其主要贡献为:
在所有的功能中使用相同的特征:追踪,建图,重定位及闭环。这样使得我们的系统更
加高效、简捷、可靠。我们使用 ORB 特征[9],无需 GPU 即可实时运行,提供良好的视
角不变性和光照不变性。
大环境下的实时运行。由于使用了共视图(covisibility graph),追踪和建图专注于局部
可视区域,与全局地图的大小无关。
基于位姿图(pose graph)最优化的实时闭环,我们称之为本质图(essential graph)。
它由一个生成树构建,由系统、闭环连接、共视图的一些强壮的边(edge)来维护。
视角、光照的不变性下,相机的实时重定位。它允许了追踪失败的恢复,并增强了地图
的复用性。
一种新的基于模型选择的自动鲁棒初始化过程,允许创建平面和非平面场景的初始地图。
一种地图点和关键帧选择的适者生存方案,这一方案在生成关键帧时很大方,但是在剔
除时却有很多限制。这一策略使得追踪更具有鲁棒性,并由于冗余关键帧被抛弃从而加
强了终身运行能力。
我们在常见的公共数据集中,对系统在室内外环境的运行进行了广泛评估,包括手提式
设备、汽车及机器人的图像序列。引人注目的是,我们做到了比目前先进的直接法[10]更好
的相机定位精度。直接法即直接从像素灰度而非特征的重投影误差进行优化的方法。我们在
章节Ⅸ-B 中对导致特征点法精度优于直接法的可能的原因进行了探讨。
本文中提出的闭环和重定位方案基于我们以往的工作[11],即在文献[12]中提出的该系
统的一个初始版本。在本文中,我们添加了初始化方案,本质图,以及对涉及的所有方案进
行了完善。我们也详细介绍了构建的所有模块,并进行了详尽的实验验证。
据我们所知,这是最完整、最可靠的单目 SLAM 方案。为了社区的利益,我们将源代码
公开。演示视频和源代码可以在我们的主页上找到。
II. 相关工作
(这段先不翻)
III. 系统概述
III-A. 特征选择
我们的系统的主要设计思想之一是在建图、追踪、场景识别、基于帧率的重定位以及回
环检测等功能中,使用相同的特征。这使得我们的系统更加高效,且避免了像从前的工作[6],
[7]那样,需要从邻近的 SLAM 特征中插入识别特征的深度。我们要求每幅图像提取特征所需
时间远远小于 33ms,那么就排除了常用的 SIFT(∼300ms)[19]、SURF(∼300ms)[18]或最近的
A-KAZE(∼100ms)[35]。为了获得综合位置识别能力,我们需要旋转不变性,那么就排除了
BRIEF[16]和 LDB[36]。
我们选择了 ORB[9],它是带有方向的多尺度 FAST 角点(corner),具有 256 位相关描
述子。它在具有良好的视角不变性的同时,有着极快的计算和匹配速度。这样就可以在宽基
线对其进行匹配,提高了 BA 的精度。我们已经在文献[11]中展示了 ORB 在位置识别方面的
良好性能。虽然我们当前的实现使用了 ORB,但是所建议的技术并不局限于这些特征。
III-B. 三个线程:追踪,局部地图和闭环
我们的系统如图 1 所示,包含三个并行的线程:追踪、局部地图和闭环。追踪负责在每
一帧定位相机,并决定在何时插入新的关键帧。我们首先执行一个对于前一帧的初始特征匹
配,并采用纯运动 BA 来优化位姿。若追踪失败(例如,由于遮挡或突然移动),则使用位置
识别模块执行全局重新定位。一旦相机姿态和特征匹配有了初始估计,则利用关键帧的共视
图来恢复局部可见图(local visible map),该共视图由系统维护,见图 2(a)和图 2(b)。随后
由重投影搜索局部地图点的匹配,并利用所有的匹配再次优化相机位姿。最终,追踪线程决
定是否插入一个新的关键帧。追踪的所有步骤在章节Ⅴ中有详细解释。章节Ⅳ中提出了创建
初始地图的新过程。
图 1 ORB-SLAM 的系统概述,显示了追踪、局部建图和闭环线程的所有执行步骤。
并给出了位置识别模块以及地图的主要组成部分。
局部地图处理新的关键帧,并执行局部 BA,来实现相机位姿环境下的最优重建。在共
视图中相连的关键帧中搜索新关键帧中未匹配 ORB 的新的匹配,来三角化新的点。在创建
后的一段时间内,基于追踪过程中收集到的信息,为了只保留高质量的点,使用紧急点剔除
策略。局部地图还负责剔除冗余关键帧。我们将在章节Ⅵ中对局部建图的所有步骤进行详细
解释。
剩余11页未读,继续阅读
仙夜子
- 粉丝: 34
- 资源: 325
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0