點云PCL免費知識星球，點云論文速讀。

文章：Persistent Map Saving for Visual Localization for Autonomous Vehicles: An ORB-SLAM 2 Extension

作者：Felix Nobis?, Odysseas Papanikolaou, Johannes Betz and Markus Lienkamp

翻譯：particle

本文僅做學術分享，如有侵權，請聯系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

●論文摘要

自動駕駛汽車的一個基本組成部分是能夠繪制環境地圖并在地圖上進行自我定位。本文利用使用實時同步定位和制圖（SLAM）立體相機傳感器來感知環境并生成地圖。由于沒有使用地面真實地圖作為參考，并且誤差會隨著時間的推移而累積，因此存在錯誤定位的風險。因此，我們首先建立并保存一張低行駛速度下環境視覺特征的地圖，并將其擴展到ORBSLAM 2軟件包中。在第二次運行中，我們重新加載地圖，然后在先前構建的地圖上進行定位。在先前構建的地圖上加載和定位可以提高自動駕駛車輛的連續定位精度。這個建圖保存功能在最初的ORB-SLAM 2實現中是沒有的。我們根據建立的SLAM地圖來評估KITTI數據集場景的定位精度。此外，我們還用自己的小型電動模型車對數據進行了定位測試。在特征豐富的環境中，對于平均縱向速度為36m/s的車輛，定位的相對平移誤差小于1%。定位模式具有更好的定位精度和更低的計算量。我們對ORB-SLAM2的貢獻源代碼將在以下網址公開：https://github.com/TUMFTM/orbslam-map-saving-extension。

●?相關工作與介紹

該工程是支持ROS的，定位模式時需要提供一個map文件，其中包含ORB SLAM類的對象：map、MapPoint、Keyframe和KeyframeDatabase，以及每個關鍵幀的DBoW2 BoWVector和FeatureVector。因此，我們創建了一個SaveMap方法，它在SLAM進程結束時將此信息保存在二進制文件中。對于連續運行時，用戶可以通過設置文件指定是否加載地圖文件。如果用戶決定使用保存的地圖，則在系統啟動時調用LoadMap方法，該方法加載保存的地圖和KeyframeDatabase，并將系統設置為定位模式。定位模式是自動完成的，用戶無需在線手動更改系統模式。SaveMap和LoadMap方法都集成在ORB-SLAM 2的系統類中，該類處理所有主要功能。圖1顯示了Orbslam2擴展版本的流程圖。

項目的依賴項：

opencv

eigen3

boost

以及基于ROS的octomap

●?實驗和結果

使用了KITTI公開數據集進行系統的評估，且對比了室內和室外的兩種場景進行對比各種場景下的建圖和定位的精度。

室外提取ORB特征點的示意圖

室內提取特征點的示意圖

? ?TUM數據集上快速駕駛和快速回放速度的比較（ localization fails (Lost Track)）

SLAM 與真值比較的準確性

我們還試驗了提高大滿貫的行駛速度。圖4顯示了快速和慢速SLAM的結果軌跡。對于高速運行，SLAM模式下降不再能夠完成建圖功能，因為特征匹配失敗。這在圖中用紅色標記。真值（灰色虛線），8m/s（藍色）和20m/s（黑色）的撞擊軌跡。更快的SLAM軌跡偏離地面的距離更遠，在紅色標記的位置跟蹤失敗。

?相對地圖的定位精度

●總結

這項工作提出了一個基于ORB-SLAM2擴展，通過一個地圖保存功能的視覺SLAM系統。在原始的功能的基礎上進行了擴展功能，使系統可以作為一個SLAM模塊在慢速駕駛條件下建圖。而后在更高的速度下進行定位，從而獲得更精確的軌跡估計。（低速建圖，快速可定位的SLAM功能）可用于室外和室內環境中的定位。實驗結果表明，在特征豐富的環境中，以36m/s的速度進行定位是可行的。定位模塊所需的計算資源比SLAM建圖模塊少，但特征計算和匹配要求較高。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

點云PCL更多活動請查看：點云PCL活動之應屆生校招群

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：可聯系微信“920177957”（需要按要求備注）聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的基于ORB-SLAM2可持续保存地图的扩展方案的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。