BAD SLAM：捆綁束調整直接RGB-D SLAM

BAD SLAM: Bundle Adjusted Direct RGB-D SLAM

論文地址：

http://openaccess.thecvf.com/content_CVPR_2019/papers/Schops_BAD_SLAM_Bundle_Adjusted_Direct_RGB-D_SLAM_CVPR_2019_paper.pdf

源碼鏈接：www.eth3d.net

摘要

同時定位與映射（SLAM）系統的一個關鍵組成部分是估計的3D地圖與攝像機軌跡的聯合優化。束調整（BA）是這方面的金標準。由于稠密RGB-D SLAM中存在大量的變量，以往的工作主要集中在BA的近似上。相比之下，本文提出了一種新的快速直接BA公式，并將其應用于實時密集RGB-D SLAM算法中。證明了直接RGB-D SLAM系統對卷簾快門、RGB和深度傳感器同步以及校準誤差高度敏感。為了促進對直接RGB-D SLAM的最新研究，提出了一種新穎的、經過良好校準的基準，該基準使用同步的全局快門RGB和深度相機。它包括一個訓練集，一個沒有公共背景真相的測試集，以及一個在線評估服務。與現有方法相比，該數據集上方法的排序發生了變化，提出的算法優于所有其他評估的SLAM方法。

主要貢獻

i） 在RGB-D SLAM系統中實現了一種新的快速直接BA算法，其性能優于現有方法。

ii）一個經過良好校準的RGB-D SLAM基準數據集，但也包括單目和立體視覺慣性SLAM。 與以前的數據集不同，本文使用同步全局快門相機，不需要對滾動快門等效果建模。與現有數據集相比，RGB-D SLAM方法在該數據集上的排名發生了變化。

iii）本文基準和SLAM系統作為開源的排行榜，可參考www.eth3d.net。

本文證明了在密集的RGB-D數據上使用單一GPU直接交替BA是實時可行的。提出了一種新穎實用的BA算法，該算法經過精心設計，能夠在如圖1所示的場景中實時運行。

Direct RGB-D Bundle Adjustment

與SLAM算法一樣，由前端和后端組成（c.f.圖2）。前端實時跟蹤RGB-D相機的運動。提供了攝像機姿態和場景幾何的初始估計。后端以較低的頻率運行[32]，重新定義相機軌跡和幾何圖形，以構建一致的三維地圖。本文的核心技術貢獻是一種新的用于后端的直接RGB-D SLAM的Bundle調整（BA）策略。下面，我們將詳細描述這個策略。

BA策略基于一組關鍵概念：

同時使用基于記錄深度圖像的幾何約束和光度約束。后者使用漸變而不是原始像素強度來對光度變化保持魯棒性。為了實現有效的優化，在重新確定3D地圖和相機姿態之間進行交替，以最小化每個時間點考慮的參數數量。本方法是第一個為RGB-D SLAM的密集BA方法，可以在較小的場景中實時運行。首先描述數據表示，然后詳細說明優化的成本函數和優化過程本身。

優化方案，如Alg1所述。執行多次迭代直到達到最大值或收斂。在每個迭代中，交替的步驟優化等式1中的成本并更新surfels。每一步的細節如下。

Benchmark Dataset

作為記錄新的RGB D SLAM基準的動機，討論了流行的TUM RGB-D數據集的結果[61]。表2顯示了一些常用序列上不同SLAM方法的絕對軌跡誤差（ATE）結果（如[61]中所用；越小越好）。可選的內部函數和深度失真優化極大地改善了這些數據集上的結果。

對于異步幀，使用最壞的情況，因為彩色圖像是在兩個連續深度圖像之間的中間時間點渲染的。所有其他偏移都會產生時間上更接近的深度/顏色對。結果顯示在表3中。與TUM-RGB-D結果相比，在這些數據集上優于所有其他方法，表明需要模擬更多的效果，例如深度失真，以獲得真實的結果。

通過對兩臺紅外攝像機進行立體深度估計，該立體算法同時利用了主動照明和環境紅外光。地面真實姿態主要由運動捕捉系統記錄。一些訓練數據集被記錄在這個系統之外以獲得更多的多樣性。根據基準攝像機和鉆機上的附加攝像機的運動結構，以及多次覆蓋數據集序列的視頻，給出了這些數據的基本真相。這些數據集被保存在一個單獨的類別中，可能不太準確。本SLAM基準包括61個訓練和35個測試數據集。圖3示出了來自本數據集的示例圖像。所有序列都顯示在補充視頻中。

比較了最新的（非慣性）RGB-D SLAM方法的源代碼是可用的。對于所有方法，參數僅在訓練數據集上調整。圖6示出了累積結果，而圖7示出了所有數據集上的單個結果。將數據集劃分為簡單、中等或硬：簡單數據集由大多數算法求解，而硬數據集則不由任何算法很好地求解。剩下的是中等難度的。訓練數據集的“SfM”類別包含具有SfM地面真值的數據集。

圖4顯示了BA方案的不同部分在基準測試的示例數據集上的運行時間。里程計所用的時間可以忽略不計。關鍵幀姿勢和幾何優化占用的時間最多。

在圖5中評估關鍵幀的創建頻率，其中每個關鍵幀的幀數是為每個圖形指定的。在該評估中，選擇更頻繁的關鍵幀總是比選擇較少的關鍵幀執行得更好，盡管可能會減少實時設置中的BA迭代次數。但是，內存使用也隨著更多關鍵幀而線性增加。用于surfel創建的單元大小在圖5中計算。較小的單元大小可以產生更密集的場景重建，從而提高內存使用率。它可以提高精度，因為更多的幾何考慮，但也增加了計算要求。

總結

以上是生活随笔為你收集整理的BAD SLAM：捆绑束调整直接RGB-D SLAM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。