｜期刊分享｜SLAM｜基於視覺的狀態估計開源算法實驗比較

編者序：本文在全新的數據集上評估了現有的開源SLAM算法，提到的一些信息或許有用，如RatSLAM包含了碼盤信息、COLMAP利用所有圖像進行全局優化等。總體來看，綜述部分還是不錯的，評估結果可以參考。

推薦指數 ☆☆☆☆

一、引言

自主機器人應用中最重要的挑戰是狀態估計，尤其是跟蹤運動機器人的位姿和隨機器人運動建圖這對對偶問題。十年來，隨著相機傳感器的廣泛應用和機器視覺的發展，出現了基於視覺的解決方案：視覺里程計VO或視覺V-SLAM。

基於視覺的狀態估計方法可以分為兩類：一類是濾波方法，如擴展卡爾曼濾波EKF，將視覺特徵與IMU等其它數據融合；一類是建立在運動恢復結構SfM和視覺里程計VO基礎上，提取並跟蹤圖像特徵，然後通過最小化重投影誤差估計位姿。耗時的全局優化通常用光束調整（bundle adjustment，BA），BA又可根據跟蹤的是特徵還是像素強度細分為稀疏方法和直接方法。

近年來，出現了很多視覺狀態估計的開源軟件包，每一個都有令人印象深刻的證明事例。然而，由於沒有全面的比較，所以選擇可靠穩健的方法很難。另一方面，由於算法本身約束，如參數數量和敏感度、特定初始化運動方式、不同輸入格式、軟件依賴等，將這些軟件包應用於新的數據集很困難。還有一些學術上的或商用產品，僅提供了算法性能描述而沒有開源代碼，很難評估和應用。

本文目的是評估這些開源軟件包，並且是在8種不同環境（室內、戶外、水面、水下）不同平臺新的數據集上。

二、評估的算法

下面簡單介紹些本文評估的算法。

基於卡爾曼濾波的方法：MonoSLAM基於EKF，狀態包括地圖和相機位姿，在預測階段狀態更新，假定為服從高斯分佈的常量運動模型。根據檢測到的特徵的測量偏差更新狀態，特徵點檢測基於主動搜索算法，根據窗口和估計的運動形式限定了最有可能的搜索區間。

基於SfM的方法：libVISO提供了一種稀疏里程計方法。並行跟蹤和匹配（Parallel Tracking and Matching，PTAM）也是種稀疏方法，最初是為小範圍內的增強現實應用開發的，輸入為單目相機圖像。PTAM狀態估計分為兩步：首先是跟蹤階段，新的圖像與地圖進行特徵比較；然後是地圖更新階段，使用一些關鍵幀更新。初始化階段需要一些特徵在不同視角都可被觀測到。

ORB-SLAM使用ORB特徵進行跟蹤、建圖、重定位和閉環檢測。半直接視覺里程計（Semi-direct Visual Odometry，SVO）僅在新的關鍵幀增加到地圖上時提取特徵，並且與前一幀進行特徵匹配進行直接運動估計，壞點（Outliers）通過貝葉斯濾波濾除。大規模直接單目SLAM（Large-Scale Direct Monocular SLAM，LSD-SLAM）直接利用圖像亮度而不是特徵點，進行跟蹤和建圖，從而實現稠密3D重建。RatSLAM從腦神經處理獲得靈感實現導航，給定單目圖像和里程計信息，該方法根據外觀匹配場景並構建拓撲圖。

全局最優化方法：一些上述實時方案使用全局優化包平滑得到的估計，g2o和Ceress是兩種非線性誤差函數圖優化框架，可以建模和解決大型優化問題。

最近的一種解決方案COLMAP包括了完整的視覺流程，可重建有序或無序的圖像序列，它在整個圖像集合上使用Cere框架，得到非常好的，但是很慢的重建軌跡。

三 數據集

本文的數據集是自己採集的，如下圖所示，包括了8種場景，可在http://afrl.cse.sc.edu/afrl/resources/datasets/上下載Rosbag包。

四 評估結果

評估結果如下面一系列圖片所示，總體來看，ORB-SLAM相當不錯。

英文名稱：Experimental Comparison of open source Vision based State Estimation Algorithms

鏈接：

https://www.researchgate.net/publication/309133901_Experimental_Comparison_of_open_source_Vision_based_State_Estimation_Algorithms

互動：熟悉或應用過哪種SLAM？有何心得後臺交流下。

死磕自律，遇見更好的自己；自斬雙臂，方能長出強兩翼。

敗而不棄，潛龍勿用待時機；執著堅毅，飛昇上神創奇蹟！

關注該頭條號，一起創造奇蹟。