【論文筆記】ORB-SLAM A Versatile and Accurate Monocular SLAM System

一、摘要：

問題： 現有SLAM系統魯棒性低

方法： 建立新SLAM系統，采用優勝劣汰政策篩選關鍵幀

結果： 解決了長時間運作問題，性能提升

二、結論

課題構思（如何一步步得到結論）：

​ ① 提出新的産生和删除關鍵幀政策，使地圖在場景變化時才增長。分析曆史資料實作長期建圖

​ ② 合并前人回環檢測、閉環過程和可視性圖、g2o架構優化、ORB功能方案

​ ③ 快速提取和比對，适用于極端環境（純旋轉+快速移動）探尋軌迹，解決了PTAM的通用性問題

未解問題：

​ ① 遠處的點觀測不到，但可用來提升精度

​ ② 更新稀疏圖為更稠密的圖以便重建

三、粗看圖表

資料來源： TUM RGB-D Benchmark, NewCollege Dataset, odometry benchmark of the KITTI dataset

重要名額： 時間，位姿圖邊數，均方根誤差

四、引言

研究原因： 現有SLAM實時計算消耗大；PTAM有局限性：無回環檢測，處理咬合不當、點重定位的不變性差、需要人為幹預地圖引導

主要貢獻：

​ ①所有任務統一為ORB特征。實時計算，光照和運動下不變性好

​ ② 大場景下實時操作，追蹤和建圖專注局部

​ ③ 使用基本圖實作實時閉環檢測

​ ④ 實時相機重定位。比最好的直接法更優

​ ⑤ 自動初始化，具有魯棒性。可處理線性和非線性場景

​ ⑥ 優勝劣汰政策，提升魯棒性，實作長時間運作

五、實驗過程

模型步驟，每個步驟的結論：

• 相關工作：

  a) 位置識别：詞袋方法效率高，但沒有旋轉和尺寸的不變性。本文使用covisibility資訊

  b) 地圖初始化：現有重建方法在低視差下限制差，并會有二義性解。本文提出啟發式初始化算法，考慮了矩陣退化的情況，延遲初始化。

  c) 單目SLAM：濾波法浪費計算資源，有累積漂移；關鍵幀法更精确；PTAM不能位置識别，不變性差（前人其他成功也不完善）。本文使用7-DoF位姿圖優化并應用到基本圖中，使用基于相合性的局部地圖并從相合性圖建構位姿圖，在相同的追蹤和映射要素中執行位置識别，地圖重用，關鍵幀的選取使用優勝劣汰政策

• 系統總覽：

  a) 特征選擇：建圖追蹤和重定位閉環檢測使用同一特征，避免插入特征識别深度。特征點提取速度＜33ms/img，排除SIFT, SURF, A-KAZE；需要不變性，排除BRIEF, LDB。選擇ORB：ORB面向多尺度，計算快，不變性好

  b) 三線程（追蹤+局部建圖+閉環）

​ c) 地圖點與關鍵幀的選取

​ d) 适度圖和基本圖：使用基本圖，保留所有節點和少量的邊（圖的最小生成樹）

​ e) 詞袋位置識别：将關鍵幀分組；僅對屬于相同節點的特征暴力比對

• 自動地圖初始化（關鍵技術）：并行計算平面場景的單應性和非平面場景的基本矩陣，根據視差和平面性選擇模型，并檢索相關運動假設進而消除歧義，最後用full BA進行初始化重建。

• 追蹤：

  a) 提取ORB特征：提取FAST角點計算方向和ORB描述子

  b) 依據先前幀的初始位姿估計：使用勻速運動模型預測位姿并搜尋地圖點

  c) 全局重定位的初始位姿估計：使用RANSAC疊代和PnP算法估算相機位姿

  d) 追蹤局部地圖：設定關鍵幀相關條件，搜尋地圖點

  e) 新幀選擇：設定快速插入關鍵幀的條件

• 本地建圖

  a) 插入關鍵幀

  b) 剔除最近地圖點：檢測地圖點滿足相關條件，從少于3個幀觀察到它時将其删除

  c) 建立新地圖點：從相關幀中對ORB進行三角剖析

  d) 局部BA：用局部BA優化最近的關鍵幀

  e) 局部關鍵幀剔除

• 回環檢測

  a) 回環候選檢測：丢棄詞袋向量的相似度低的關鍵幀，連續檢測3個回環

  b) 計算相似度轉換：作為回環的幾何驗證。計算與目前關鍵幀中地圖點關聯的ORB和候選關鍵幀之間的對應度，對每個候選回環使用RANSAC疊代。

  c) 回環融合：用相似度轉換矯正目前關鍵幀位姿，位姿級聯轉換，循環關鍵幀及其鄰點看到的所有地圖點投影到關鍵幀中，并且在投影周圍搜尋其鄰接點和比對項

  d) 基本圖的優化：用相似度轉換糾正尺度漂移

• 實驗部分

  a) NewCollege資料集測試系統性能

  b) TUM RGB-D Benchmark測試定位準确性

  c) TUM RGB-D Benchmark測試重定位

  d) TUM RGB-D Benchmark的長時間運作

  e) KITTI資料集測試大型閉環

六、文章總結：

問題： 現有SLAM系統魯棒性低，不能長時間運作，PTAM的局限性（無回環檢測等）

方法： 提出了新的SLAM系統：所有任務統一為ORB特征；使用基本圖；自動初始化

論證過程：

​ ① 使用covisibility資訊解決詞袋方法

​ ② 提出啟發式算法解決地圖初始化中低視差下限制差和二義性問題

​ ③ 使用7-DoF位姿圖優化并應用于基本圖中進行位置識别

​ ④ 所有任務統一 ORB 特征，進行單目SLAM的位置識别，增強不變性

​ ⑤ 使用追蹤+局部建圖+閉環檢測三線程

​ ⑥ 使用相似度轉換矯正位姿，進行回環檢測