【泡泡一分钟】基于分层四叉树特征光流跟踪的稀疏姿态图视觉惯性SLAM

每天一分钟，带你读遍机器人顶级会议文章

标题：Hierarchical Quadtree Feature Optical Flow Tracking Based Sparse Pose-Graph Visual-Inertial SLAM

作者：Hongle Xie, Weidong Chen, Jingchuan Wang and Hesheng Wang

来源：2020 IEEE International Conference on Robotics and Automation (ICRA)

编译：姚潘涛

审核：柴毅，王靖淇

这是泡泡一分钟推送的第 626 篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

在资源受限的情况下进行准确，鲁棒和实时的定位是需要解决的关键问题。在本文中，我们提出了一种新的稀疏姿态图视觉惯性SLAM（SPVIS）。现有的处理大量冗余特征和3D地图点的方法成本高昂，这些方法对于提高定位精度而言效率不高，我们将重点放在简洁的视觉提示上，以进行高精度的姿态估计。我们提出了一种新颖的基于分层四叉树的光流跟踪算法，该算法在极少的简洁特征内就可以实现高精度和鲁棒性，这仅是最新的视觉惯性SLAM算法的五分之一。得益于高效的光流跟踪，我们稀疏的姿态图优化时间成本可实现有限的复杂性。通过选择和优化滑动窗口和本地VIO中的信息功能，可以限制计算复杂度，从而在长期运行中实现较低的时间成本。我们通过不带GPU的嵌入式平台与具有挑战性的公共数据集上的最新VIO / VI-SLAM系统进行了比较，结果有效地验证了所提出的方法具有更好的实时性能和定位精度。

贡献

  1. 这是第一项提出基于分层四叉树的光流跟踪算法的工作，该算法是用于通用VIO / VI-SLAM系统的快速，鲁棒和准确的前端方法。

  2. 基于最先进的基准设计了一种高效，强大且轻巧的视觉惯性SLAM（SPVIS），并通过长期运行中较少的功能和地图点来改善了姿态图优化的稀疏性。

  3. 在有限的资源条件下，在视觉惯性估计器中仅在非常简洁的特征内提出了鲁棒跟踪的新发现和适用性。

  4. 通过与具有挑战性的数据集进行比较，我们对方法进行了验证，结果表明，该方法在嵌入式平台上具有更高的准确性和更低的时间成本。

图1 提出的视觉惯性SLAM（SPVIS）的系统框架。

表1 以米为单位的EUROC数据集的本地化准确性结果比较

图2 EuRoC V2_03_difficult数据集的平移和偏航误差。从左到右分别是平移百分比误差，绝对平移误差和偏航误差。我们还比较了OKVIS ，后者是最好的VIO系统之一，我们在没有闭环检测的情况下测试了其性能。。

图3 EuRoC V2_03_difficult数据集上的轨迹估计结果。。

图4 比较加工时间成本。在高精度操作模式下，VINS-Mono-H和SPVIS-H分别以绿色和天蓝色表示。在快速跟踪操作模式下，VINS-Mono-F和SPVIS-F分别用红色和蓝色表示。图（a），（b）和（c）是每帧的平均跟踪时间消耗。图（d），（e）和（f）是每个关键帧的平均后端优化时间消耗。

表2 追踪平均时间成本

表3 每个关键帧优化的平均时间成本

Abstract

Accurate, robust and real-time localization under constrained-resources is a critical problem to be solved. In this paper, we present a new sparse pose-graph visual-inertial SLAM (SPVIS). Unlike the existing methods that are costly to deal with a large number of redundant features and 3D map points, which are inefficient for improving positioning accuracy, we focus on the concise visual cues for high-precision pose estimating. We propose a novel hierarchical quadtree based optical flow tracking algorithm, it achieves high accuracy and robustness within very few concise features, which is only about one fifth features of the state-of-the-art visual-inertial SLAM algorithms. Benefiting from the efficient optical flow tracking, our sparse pose-graph optimization time cost achieves bounded complexity. By selecting and optimizing the informative features in sliding window and local VIO, the computational complexity is bounded, it achieves low time cost in long-term operation. We compare with the state-of-the-art VIO/VI-SLAM systems on the challenging public datasets by the embedded platform without GPUs, the results effectively verify that the proposed method has better real-time performance and localization accuracy.

赞 (0)

相关推荐