在SLAM系統(tǒng)中增加更多的相機(jī)可以提高魯棒性和準(zhǔn)確性，但會使視覺前端的設(shè)計(jì)變得非常復(fù)雜。因此，文獻(xiàn)中的大多數(shù)系統(tǒng)是為特定的相機(jī)配置定制的。在這項(xiàng)工作中，我們的目標(biāo)是一個適用于任意多相機(jī)設(shè)置的自適應(yīng)SLAM系統(tǒng)。為此，我們重溫了可視化SLAM中的幾個常見構(gòu)建塊。特別是，我們提出了一個自適應(yīng)初始化方案，一個傳感器無關(guān)的信息論的關(guān)鍵幀選擇算法，和一個可擴(kuò)展的基于體素的地圖。這些技術(shù)對實(shí)際的相機(jī)設(shè)置做了很少的假設(shè)，并且更喜歡基于理論的方法而不是啟發(fā)式方法。通過這些修改，我們采用了最先進(jìn)的視覺里程計(jì)，實(shí)驗(yàn)結(jié)果表明，修改后的流水線可以適應(yīng)各種各樣的攝像機(jī)設(shè)置(例如，一個實(shí)驗(yàn)中有2到6個攝像機(jī))，而不需要傳感器特定的修改或調(diào)整。

貢獻(xiàn)

自適應(yīng)初始化方案。

與傳感器無關(guān)的信息論關(guān)鍵幀選擇算法。

可擴(kuò)展的基于體素的地圖管理方法。

多相機(jī)系統(tǒng)在感知算法方面實(shí)現(xiàn)了卓越的性能，并被廣泛應(yīng)用于現(xiàn)實(shí)世界的應(yīng)用中，如全向測繪、自主無人機(jī)和虛擬現(xiàn)實(shí)耳機(jī)。為了便于在SLAM中使用這種系統(tǒng)，我們提出了幾個通用設(shè)計(jì)來自動適應(yīng)任意多相機(jī)系統(tǒng)。

圖2 兩個攝像機(jī)之間立體重疊檢查的圖示，Ci和Cj。藍(lán)星是相機(jī)I像面上的采樣點(diǎn)，綠星是成功投影到相機(jī)j的3D點(diǎn)，紅星是從像面上掉下來的點(diǎn)。

圖3 EuRoC MH 01中3次運(yùn)行的負(fù)熵演化。每次運(yùn)行的E(T)以不同的顏色顯示，紅點(diǎn)表示某幀被選為關(guān)鍵幀的位置。插入關(guān)鍵幀后，E(T)增加，隨著傳感器遠(yuǎn)離地圖，e(T)減少。

圖4 運(yùn)行平均E(T)和關(guān)鍵幀選擇。運(yùn)行平均過濾器(黃色)跟蹤自最后一個關(guān)鍵幀以來的定位質(zhì)量。當(dāng)當(dāng)前幀的負(fù)熵(藍(lán)色)低于運(yùn)行平均值的某個百分比(綠色虛線)時(shí)，將選擇一個新的關(guān)鍵幀(紅點(diǎn))，并重置運(yùn)行平均值過濾器。

圖5 模擬環(huán)境中的模擬圖8軌跡。該軌跡是通過用5個攝像機(jī)運(yùn)行調(diào)整后的VIO管道來估計(jì)的。單目設(shè)置丟失軌跡的部分用紅色標(biāo)記。品紅色點(diǎn)是SLAM系統(tǒng)跟蹤的地標(biāo)。

圖6 5次運(yùn)行模擬中的總體相對平移誤差。

圖7 針對不同的相機(jī)配置(2到5個攝像機(jī))，將建議的體素圖與標(biāo)準(zhǔn)關(guān)鍵幀進(jìn)行比較。左:VIO前端總時(shí)間。中間:從地圖中檢索匹配的地標(biāo)。右側(cè):指向地標(biāo)位置的引用/指針的數(shù)量。

圖8 含BA的EuRoC數(shù)據(jù)集的相對平移誤差百分比。

表1 EuRoC數(shù)據(jù)集的RMSE中值(米)超過5次。以粗體突出顯示的最低誤差。

表2 EuRoC序列中5次運(yùn)行的關(guān)鍵幀平均數(shù)。

圖3 單目和立體設(shè)置的不同關(guān)鍵幀選擇標(biāo)準(zhǔn)的關(guān)鍵幀平均數(shù)。

表4科學(xué)園日序列中多相機(jī)管道的不同軌跡誤差度量。第一行包含完整軌跡的絕對RMSE(547.488米)

圖9 科學(xué)園日序列中FRB配置的估計(jì)軌跡和基本軌跡的俯視圖。

原文標(biāo)題：任意多相機(jī)系統(tǒng)的SLAM重設(shè)計(jì)

文章出處：【微信公眾號：新機(jī)器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq