有時間會複習回顧V-SLAM的一些比較重要的論文, 并記錄儲存.
1.摘要
提出一種 半稠密-直接視覺裡程計算法.
這種方法消除了用于運動估計的特征提取和魯棒比對技術的成本代價需求.
該方法直接作用于像素的強度, 這樣可以在高速率情況下擷取次像素級精度.
該方法可以以55Hz~300Hz的速率在無GPS的環境下運作.
2. SVO系統概述
SVO可以分為兩個并行線程, 一個相機運動估計線程, 一個是地圖建構線程;
-
Motion estimation Thread
該線程實作了半稠密-直接法的相對位姿估計:
1.位姿初始化, 基于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.特征校準: 2D坐标相對應的反投影點(3D點)
運動估計包含: 通過極小化反投影誤差來擷取位姿和場景結構.
-
Mapping Thread
對每一個2D特征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, 一個新的關鍵幀将會被建立;
2.初始化的深度濾波器在深度上具有
較大的不确定性
貝葉斯估計
來更新.
3.當深度濾波器的
不确定性足夠小
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, 來擷取相機位姿; 然後對2D特征位姿校準(加入3D局部地圖點), 來實作對相機位姿優化.
利用貝葉斯機率分布, 估計深度值, 結合高斯-均勻混合物模型分布實作深度的估計.
4. 實作的VO軌迹對比
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, 以及較高的準确度和穩定性.