- 论文链接：https://arxiv.org/pdf/2401.01081.pdf
摘要
本文介绍了PLE-SLAM：一种基于点线特征和高效IMU初始化的视觉惯性SLAM。视觉惯性SLAM在AR/VR、无人控制飞行器、工业机器人和自动驾驶等各个领域中都是至关重要的。相机和惯性测量单元（IMU）的融合可以弥补信号传感器的缺陷，这显著提高了在具有挑战性的环境中定位的精度和鲁棒性。鲁棒的跟踪和精确的惯性参数估计是系统稳定运行的基础。本文提出了PLE-SLAM，这是一种基于点线特征和高效IMU初始化的完全精确且实时的视觉惯性SLAM算法。首先，我们在基于点的视觉惯性SLAM系统中引入线特征。我们使用并行计算方法来提取特征和计算描述子，以确保实时性能。其次，所提出的系统使用旋转预积分以及点和线观测来估计陀螺仪偏置。加速度计的偏置和重力方向通过解析方法进行求解。在初始化之后，通过最大后验（MAP）估计来优化所有惯性参数。此外，我们开启一个动态特征剔除线程来提高对动态环境的适应性，并且使用CNN、词袋和GNN来检测回环和匹配特征。基于DNN的匹配方法具有良好的宽基线匹配能力和光照鲁棒性，这显著提高了回环检测的召回率和回环帧间位姿估计。前端和后端是为硬件加速而设计的。在公开数据集上进行实验，结果表明，所提出的系统是复杂场景中最先进的方法之一。
主要贡献
本文的主要贡献总结如下：
1）为了提高SLAM系统在具有挑战性的环境中的精度和鲁棒性，本文提出了一种基于点线特征的视觉惯性SLAM。我们合并或者抑制不稳定的线特征，以确保跟踪过程中线特征的稳定性。点和线特征在跟踪和光束平差过程中紧耦合；
2）本文提出了一种高效的视觉惯性初始化方法，其包含迭代和解析求解的混合过程。通过基于视觉观测的点线纯旋转解决方案直接优化陀螺仪偏置。加速度计偏置和重力方向通过解析解来求解，这比迭代解更快。所有惯性参数通过后端中的MAP进行优化；
3）为了更好地适应复杂场景，我们在本文系统中使用基于DNN的方法，其包含一个动态特征剔除模块和一个改进的基于SuperPoint和SuperGlue的回环线程。采用基于DNN的方法提高了系统在复杂环境中长期运行的稳定性和定位精度。
论文图片和表格
总结
本文提出了一种基于点线特征的精确双目视觉惯性SLAM系统。该方法并行提取线段以及点特征，并且使用多线程技术来加速金字塔图像和特征网络的处理。为了在跟踪过程中维持线段的稳定性，我们根据短线段的倾斜度和垂直距离对其进行合并。在融合之后，将滤除短于预定义阈值的线段。与纯基于点的方法相比，线的引入提高了跟踪稳定性和精度。本文还提出了一种高效的视觉惯性初始化方法，分两步独立估计陀螺仪偏置和加速度计偏置。在没有使用SfM的情况下，通过原始点线观测和惯性测量直接优化陀螺仪偏置。加速度计偏置和重力方向通过解析解来求解，这比迭代解运行更快。所有初始的状态变量将在后端通过MAP进行优化。我们还将多个神经网络集成到系统中，以获取语义信息和处理关键帧，这显著地提高了在具有挑战性的环境中的鲁棒性和定位精度。在公开数据集上的实验结果验证了本文所提出算法的有效性，并且证明了本文方法是最先进的视觉惯性SLAM系统之一。
发表回复