任意多相机系统的SLAM重设计
共 2251字,需浏览 5分钟
·
2021-07-26 18:32
点击下方卡片,关注“新机器视觉”公众号
视觉/图像重磅干货,第一时间送达
本文转自:计算机视觉life
自适应初始化方案。
与传感器无关的信息论关键帧选择算法。
可扩展的基于体素的地图管理方法。
图1 多相机系统在感知算法方面实现了卓越的性能,并被广泛应用于现实世界的应用中,如全向测绘、自主无人机和虚拟现实耳机。为了便于在SLAM中使用这种系统,我们提出了几个通用设计来自动适应任意多相机系统。
图2 两个摄像机之间立体重叠检查的图示,Ci和Cj。蓝星是相机I像面上的采样点,绿星是成功投影到相机j的3D点,红星是从像面上掉下来的点。
图3 EuRoC MH 01中3次运行的负熵演化。每次运行的E(T)以不同的颜色显示,红点表示某帧被选为关键帧的位置。插入关键帧后,E(T)增加,随着传感器远离地图,e(T)减少。
图4 运行平均E(T)和关键帧选择。运行平均过滤器(黄色)跟踪自最后一个关键帧以来的定位质量。当当前帧的负熵(蓝色)低于运行平均值的某个百分比(绿色虚线)时,将选择一个新的关键帧(红点),并重置运行平均值过滤器。
图5 模拟环境中的模拟图8轨迹。该轨迹是通过用5个摄像机运行调整后的VIO管道来估计的。单目设置丢失轨迹的部分用红色标记。品红色点是SLAM系统跟踪的地标。
图6 5次运行模拟中的总体相对平移误差。
图7 针对不同的相机配置(2到5个摄像机),将建议的体素图与标准关键帧进行比较。左:VIO前端总时间。中间:从地图中检索匹配的地标。右侧:指向地标位置的引用/指针的数量。
图8 含BA的EuRoC数据集的相对平移误差百分比。
表1 EuRoC数据集的RMSE中值(米)超过5次。以粗体突出显示的最低误差。
表2 EuRoC序列中5次运行的关键帧平均数。
图3 单目和立体设置的不同关键帧选择标准的关键帧平均数。
表4 科学园日序列中多相机管道的不同轨迹误差度量。第一行包含完整轨迹的绝对RMSE(547.488米)
图9 科学园日序列中FRB配置的估计轨迹和基本轨迹的俯视图。
—版权声明—
仅用于学术分享,版权属于原作者。
若有侵权,请联系微信号:yiyang-sy 删除或修改!