论文链接：https://arxiv.org/pdf/2403.19886.pdf
摘要
本文介绍了BundledSLAM：一种使用多相机的精确视觉SLAM系统。多相机SLAM系统提供了大量优势，主要源于它们能够融合来自宽视角的信息，从而改进了鲁棒性并且提高了定位精度。本项研究对最先进的双目SLAM系统（ORB-SLAM2）进行扩展和优化，目标是获得更高的精度。为了实现这一目标，首先将所有相机的测量数据映射到一个称为BundledFrame的虚拟相机中。这个虚拟相机经过精心设计，能够完美地适应多相机配置，有助于有效融合从多个相机采集的数据。此外，本文还在捆集调整（BA）过程中利用外参来实现精确的轨迹估计。本文对BA在多相机场景中的作用进行大量分析，深入研究其对跟踪、局部建图和全局优化的影响。本文的实验评估需要对真值数据和最先进的SLAM系统进行全面比较。为了严格评估系统的性能，本文使用了EuRoC数据集。评估结果一致表明，与现有方法相比，本文系统具有更优的精度。
主要贡献
本文的主要贡献总结如下：
1）全面性：本文为多相机提供了一个完整的SLAM系统，包括回环和地图复用；
2）可扩展性：通过利用一种称为“Bundled”的高效数据结构，将来自多相机的数据整合为“BundledFrame”或者“BundledKeyFrame”。这构成了系统所有操作的基石，包括跟踪、位置识别和优化。本文系统通过相机之间的外参实现捆集调整（BA），易于扩展额外的相机。
论文图片和表格
总结
本文提出了BundledSLAM，这是一种旨在利用多相机能力的视觉SLAM系统。该系统将来自各相机的数据集成到一个统一的“bundled frame”结构中，便于实时位姿跟踪、优化位姿和地图点的局部建图以及确保全局一致性的回环检测。本文使用EuRoC数据集进行评估，评估结果表明，本文所提出的系统始终优于原始系统，证明了其在最佳结果和平均结果方面的卓越精度。
为了增强系统的鲁棒性（特别是在运动模糊或者纹理特征有限的场景中），将打算探索传感器融合，可能加入惯性测量单元（IMUs）。然而，额外的传感器可能会引入计算复杂性。作为今后研究的一部分，将优先考虑降低这种计算复杂性的策略，同时维持甚至提高系统性能。
发表回复