没有合适的资源?快使用搜索试试~ 我知道了~
良好的线切割:towards Accurate PoseTracingofFLine-assitedVO/VSLAMYipu Zhao1[0000 - 0002 - 6757 - 5349]和Patricio A. 船帆座1[0000−0002−6888−7002]佐治亚理工学院,亚特兰大GA 30332,美国yipu. gatech.edu抽象。本文解决了行辅助VO/VSLAM中的问题:使用不可靠的3D线输入精确地解决最小二乘姿态优化。我们提出的解决方案是良好的线切割,从每条3D线中提取信息量最大的子段,用于姿势优化配方。通过研究基于直线的最小二乘问题中直线切割对位姿估计信息增益的影响,证明了良好的直线切割对提高位姿估计精度的适用性。为此,我们描述了一个有效的al-m,近似接近良好的线切割的联合优化问题。所提出的算法被集成到一个国家的最先进的线辅助VSLAM系统。在线辅助VO/VSLAM、低纹理和运动模糊两种目标场景下进行评估时,姿态跟踪的准确性得到了提高,同时保持了鲁棒性。关键词:SLAM,线特征,最小二乘法1介绍视觉里程计(VO)和视觉SLAM(VSLAM)方法通常利用点特征,因为它们是最容易描述和管理的。明智的替代或添加是考虑线,假定边缘在图像中也相当丰富;特别是在人造环境中,其中有时可能缺乏点的数量而损害VO/VSLAM。典型的例子是走廊和走廊,其低纹理降低了点特征方法的性能在这些情况下,线成为比点更可靠的约束。与点相比,线的额外益处在于它们的检测对与视频捕获相关联的噪声不太敏感,并且线在宽范围的视角下是平凡稳定的[1,2]。此外,线条对运动模糊更鲁棒[3]。即使对于严重模糊的输入图像,人们也会期望平行于模糊的局部方向的一些线保持可跟踪。 因此, 所 述线 不 被 提 供 为 将 多 个 点 作 为 点 , 因 此 并 入 场 景 内 存 在 的 任 何点 通 常 是 好 主 意 。这项工作得到了美国国家科学基金会的部分支持,批准号为:1400256和1544857。2Y. Zhao和P. VelaFig. 1. 一个玩具的情况下,说明建议良好的线切割方法。左:给出具有置信度椭球(虚线)的3条线匹配,最小二乘姿态估计具有高不确定性。右:应用于基于线的最小二乘问题的线切割。切割线段及其对应的置信度椭圆体为红色。新姿态估计的置信度椭圆体得到改善。直接VO/VSLAM方法不是显式地跟踪点和线,而是随着时间的推移隐式地关联这些强特征[4,5]。直接SLAM优化了在所捕获的图像之间的可能姿态变化的空间上的顺序图像配准的光度误差由于不再需要特征提取,直接方法通常需要较少的计算能力。然而,与基于特征的方法相比,直接方法对以下几个因素更敏感:图像噪声、几何失真、大位移、光照变化等。因此,基于特征的方法作为用于鲁棒且准确的姿态跟踪的SLAM解决方案更可行。向VO/VSLAM添加线要素不是一项简单的任务。在直线检测[6]和匹配[7]方面取得了重大然而,3D线的三角测量仍然存在问题。与点相比,从2D测量结果三角化3D线需要更多的测量结果,并且对测量噪声更敏感。线在约束沿着其扩展方向的对应性方面通常是弱的。很难在两条线(作为线段)之间建立可靠的点对点对应关系,这会降低三角测量的精度。另外,线通常是部分遮挡的,这带来了确定端点对应的挑战。精确求解基于线的位姿估计需要解决三角化3D线的低可靠性。为了减少不可靠的3D线的影响,通常的做法是对3D线的不确定性进行建模,并且在姿态优化中相应地对每条线的贡献进行加权。行残差[8不确定线的残差得到较小的权重,使得优化的姿势偏向于某些线。然而,线残差的不确定性并不立即暗示不正确的姿态估计(尽管存在一些相关性):某个线残差项可能几乎不有助于姿态估计,由此将其高度加权将没有意义。我们假定,代替线残差的不确定性,姿态估计的不确定性应进行评估和利用。减少不确定性的另一种方式是在数值构造姿势优化问题时简单地丢弃高度不确定的线。然而,线良好的线切割3特征的数量通常较低(例如,数十行)。删除线要素可能会丢失太多信息。此外,存在形成病态优化问题的高风险。相对于线加权和下降,本文的目的是通过良好的线切割的概念,以提高好的线切割的目标很简单:对于每条3D线,找到对姿态估计贡献最大信息量的线段(也称为好的线),并且仅选择那些信息段来解决姿势优化。利用线切割,优化问题的条件得到改善,从而导致比原始问题更在图1中可以找到良好的线切割的图示。本文首先讨论了线切割在基于线的位姿优化中的作用。本文的贡献是:1) 证明良好的线切割改善了基于线的姿态优化2) 一种用于实时应用的有效算法,该算法接近计算上更复杂的联合优化解决方案,以实现良好的线切割;以及3) 将所提出的算法集成到最先进的线辅助VSLAM系统中。当在两个目标场景(低纹理和运动模糊)中评估时,所提出的线切割导致线加权的精度改进,同时保持线辅助姿态跟踪的鲁棒性2相关工作本节首先回顾了线辅助VO/VSLAM的相关工作,然后检查了特征选择的文献(主要针对点特征),并讨论了(点)特征选择和所提出的良好的线切割方法之间的联系2.1线辅助VO/VSLAM已经持续努力调查SLAM社区中的线特征。在视觉SLAM的早期,线被用于应对单目相机跟踪的大视图变化[1,2]。在[1]中,作者将线集成到基于点的单目扩展卡尔曼滤波SLAM(EKF-SLAM)中。在[2]中通过使用无迹卡尔曼滤波器(UKF)演示了仅具有线的实时姿态跟踪这两种方法都将3D线建模为端点对,将线投影到图像,然后测量残差。或者,提取并利用边缘[3]。为了便于投影,使用12自由度过参数化来建模3D边缘。再次,在3D到2D投影之后测量边缘残余。最近,线辅助VO/VSLAM被扩展到3D视觉传感器,例如RGB-D传感器和立体相机。在[8]中,提出了线辅助RGB-D里程计系统它涉及将3D线参数化为3D端点对并最小化SE(3)中的端点残差然而,直接在4Y. Zhao和P. VelaSE(3)的缺点是对不准确的深度测量敏感随着线检测器(例如LSD[6])和描述符(例如LBD[7]),越来越多的注意力已经转向立体基线VO/VSLAM,例如。[12、13、11]。尽管所有这些参数都已被扩展(例如,G. Plückeercoordinate[14],orthonormal representation[15]),大多数线辅助VO/VSLAM继续使用3D端点对参数化,因为它可以方便地与基于点的优化相结合。姿态估计通常联合地最小化点匹配和线匹配两者的重投影误差对于线特征,端点到线距离通常用作重投影误差项,即,线残差。为了应对3D线不确定性,针对每个3D线维持协方差矩阵。通过将协方差从3D线传播到端点到线距离而获得的协方差矩阵的逆来对每个线残差项进行加权。单目VO/VSLAM内的线特征最近也得到了关注[16,17,10]。[16]的流水线类似于立体声流水线。在[9]中定义了端点到线距离的更稳健的变量。还开发了从直接VO/VSLAM构建的线辅助方法[17,10]。有趣的是,它们都不使用直接测量(例如,光度误差)。相反,线残差是端点到线距离的最小二乘,这与其他基于特征的方法相同线辅助VO/VSLAM的研究仍在进行中。 在上述系统中,通常采用的模块是:1)参数化为3D端点对的3D线; 2)端点到线的距离和变量用作线残差; 3)在优化目标(仅姿态和关节)中,线残差由某个加权矩阵加权。本文提出的好的线切割方法扩展了这三个模块。2.2特征选择特征选择已经成为VO/VSLAM的一部分很长时间了。特征选择的目标是找到具有最佳姿态估计值的特征子集通常使用两个信息源来指导选择:图像外观和结构&运动信息。我们的工作是第二个的变体。众所周知,协方差/信息矩阵捕获结构运动信息:它近似表示姿态估计的不确定性/置信椭圆。特征选择被有效地建模为优化问题:目标是选择使协方差矩阵最小化的特征子集(即,最大化信息矩阵)在一些度量下,例如信息增益[18,19],熵[20],协方差比[21],迹[22],最小特征值[23,24]和对数行列式[25]。(点)特征选择的基本假设是大量特征(例如,数百个点)。在这种情况下,姿态优化问题将仅利用特征的子集保持良好确定。由于线特征以低数量出现,因此存在形成病态的高风险。良好的线切割5当选择和利用线的子集时的优化问题。相反,识别每条线的贡献最大信息量的(子)段,以便所有线段都用于姿势优化。这样做可以避免条件不良的风险。3直线的最小二乘位姿优化在线辅助VO/VSLAM中,姿态优化的目标是在给定一组3D特征的情况下估计经校准相机的姿态X,即点{Pi}和线{Li},以及它们对应的2D投影,即点{pi}和线{li}。如与当前实践一致的,端点对用于表示3D线{Li}。在不失一般性的情况下,具有点和线两者的姿态优化的最小二乘目标可以写为,x=argmin{p−h(x,P)2¨+¨l¨2h(x,L)¨}(1)其中p和l分别是2D点测量{pi}和2D线系数{li}P是3D点{Pi}的堆叠矩阵,而L是来自3D线集合{Li}的所有端点的堆叠矩阵。h(x,P)由姿态变换(由x决定)和针孔投影组成一些研究人员[16]建议使用(1)中的线残差项的对偶形式,其最小化3D线的投影与测量的端点之间的距离。虽然我们遵循本文(1)中的线残差定义,但所提出的良好线切割可以容易地更新为对偶形式。为了简单起见,最小二乘(1)被称为线性LSQ问题。求解线性LSQ(1)通常涉及非线性测量函数的一阶近似。例如,图像平面上的端点到线距离h(x,L)可以近似为,h(x,L)=h(x0,L)+Hx(x−x0)(2)从而利用高斯-牛顿迭代更新位姿估计,使线残差项的最小二乘最小化:x=x0−(lTHx)+lT(h(x0,L))(3)x的运算受两种类型的直线影响:2D直线测量误差和3D线三角测量误差。如前所述,3D线三角测量对噪声敏感,并且比3D点三角测量更不可靠因此,这里我们仅考虑3D线端点L的误差,同时假设2D测量l是准确的。再次,利用在初始姿态x0和三角测量的3D端点L0处的h(x0,L)的一阶近似,我们可以将姿态优化误差x和3D线端点误差L连接起来。x=(lTHx)+l THL其中H T=(ITHx)+(ITHL)。 他没有在任何一个剩余期限内提出任何保留意见。原因是,当可用时,已知点特征更准确。因此,线LSQ问题中的主要误差来源是来自3D线三角剖分L,其通过因子H传播。不6Y. Zhao和P. Vela−13.1线性最小二乘问题中的信息矩阵通常做法将3D端点对误差L建模为i.i.d.在适当的参数化下的高斯分布,例如反深度利用一阶近似(4),我们可以将姿态信息矩阵Ωx写为:ΣΩx=HTΩLH=HTΩLHi(5)我我其中Hi是H中用于线Li的对应行块,并且ΩLi是用于参数化Li的3D端点对的信息矩阵。请注意,ΩLi是i.i.d.下的块对角矩阵假设3D端点误差。设ΩLi(0)、ΩLi(1)为ΩLi的两个对角块,Hi(0)、Hi(1)为Hi中的相应行块,则(5)可以进一步分解为:ΣΩx=[HT(0)ΩL(0)Hi(0)+HT(1)ΩL(1)Hi(1)]我我我Σ(六)=HT(αi)ΩL(α)Hi(αi)我我我其中,我们将i的范围从n条线扩展到2n个端点,并将[αi]设置为一个2n×1棋盘向量,填充0和1。点特征选择文献[22-25]指出,位姿信息矩阵的谱特性与误差有很强的联系最小二乘姿态优化。例如,最坏情况下的误差方差通过Ωx的最小特征值的倒数量化[23,24]。为了避免线性最小二乘问题求解中的致命错误,最好选取最小特征值较大的矩阵此外,姿态估计中的置信椭圆体的体积可以用对数行列式来有效地测量[25]。为了准确地解决线路LSQ问题,需要采用Ωx在下文中,我们用对数行列式量化Ω x的频谱特性,即log det(Ωx)。如前所述,线路选择/丢弃具有形成病态线路LSQ问题的高风险。在下文中,我们将描述一种改进log det(Ωx)的替代方法,该方法更适合线性LSQ问题。4Line-LSQ问题中的好线切割4.1好线切割与通常被建模为无大小实体的点相比,线被建模为能够沿着一个特定维度延伸。对于由欧几里德空间中的端点对Li(0)和Li(1)定义的3D线Li,以下等式对于位于Li上的任何中间3D点Li(α)成立:Li(α)=(1−α)Li(0)+αLi(1)ΩLi(α)−1Li(α)={(1−α)2ΣLi(0)+α2Σ L1(1)} ,其中reα是三维点Li(*)的内点,dΣLi(*)是三维点Li(*)的共变点r i x。=Σ良好的线切割7X我中间3D点的协方差矩阵ΣLi(α)对于插值比α是凸的,因为ΣLi(0)和ΣLi(1)都是半正定的。在某个特定的αm∈[0, 1]处,<$Li(αm)达到全局最小值(<$Li(αm)达到全局最大值).换句话说,在某个中间3D位置Li(αm)(包括两个端点)处,对应的3D不确定性被最小化。当从单个3D点延伸到3D点对时,同样的结论也成立位于3D直线Li上的:两个3D点共享最小不确定性位置Li(αm)。为了最小化3D线端点引入的不确定性的量,3D线L1将收缩为单个3D点!然而,姿态信息Ωx不仅取决于端点信息Ω x。t ionmatrixΩL(α),但JacobiantmHi(α)=(lTHx(α))+(lTHL(α))。我我我将3D线切割成更小的段将影响对应的雅可比项也直观地,线切割可能会损害测量雅可比矩阵块HX(α)的频谱特性:如果3D线被切割成单个点,则对应的测量雅可比矩阵将从秩-2退化到秩-1,从而失去由原始3D线匹配提供的两个约束中的一个。因此,好的线切割的目标可以写如下:[αi]= arg max log det(Ωx)Σ= arg max log det[HT(α)ΩH(α)+Ωpt](7)iiLi(αi)i ix其中包含一个常数项Ωpt,以获取点特征的信息(如果适用)。当然,这个目标可以用非线性优化技术来解决。4.2良好线切割在描述(7)的优化之前,我们想要验证线切割的想法关于(7)的线切割的一个自然问题是,雅可比项HT(αi)是否可能对(7)的影响比3D不确定性减少强得多,因此应该总是使用3D线的全长?为了解决这个 问题,我们 研究最小的情 况,单线切 割:只有一对切 割比>α1,α2>可以改变,而其余n − 1条线不被切割。从线切割比α到雅可比项Hi(α)的函数推导是繁琐的:它是高度非线性的,并且雅可比项在相机和3D线的不同SE相反,进行一组线LSQ模拟以验证线切割。该试验台基于[26]的仿真框架开发。在均匀点线(HPL)参数化下,模拟了一组形成长方体的3D线。为了模拟3D线三角测量中的误差,在逆深度空间中用零均值高斯扰动3D线的端点,如图中的蓝线所示。剩下两个。对于红色的3D线,通过蛮力搜索找到的最佳线切割比率相对于图1中的相机姿态2右。箱线图表明切割发生在8Y. Zhao和P. Vela图二、 不同摄影机姿势下的线切割行为。 一对<0,100>表示全行选择。相同比率对,例如45,45,45,表示切割到一个点。图三. 单线切割设置和HPL参数化中log det(Ω x)的示例表面。log det(Ω x)的全局最大值用红叉标记。3D线与摄像机框架正交或平行。在这些情况下,红色3D线的测量雅可比矩阵与线长度的比例很差。取较小的段/点是优选的,以便将较少的噪声引入最小二乘问题。根据图2、线切割适应基于相对几何的跟踪线的信息为了可视化不同线切割比率的结果,我们使用蛮力扫描来生成作为线切割比率参数的函数的原木表面det(xmax图3中示出了三个示例表面。在第一个例子中,log det(Ωx)的全局最大值在<α1= 0,α2= 1。0>,表示应使用3D线的全长第二个具有全局最大值α1= 0,α2= 0。第76话,这句话的意思是,把一部分的线剪掉 在第3列中,log det(Ωx)在<α1= 0时最大化。52,α2= 0。这意味着原始的3D线应该被积极地切割成3D点。为了最大化姿态信息,线切割在一些情况下是绝对优选的(例如,图3列2和3)。5一种高效的直线切割算法5.1单线切割首先,考虑前面模拟的单线切割问题根据图3,我们注意到从α1,α2α到log det(αx)的映射是连续的,良好的线切割9并且在某个邻域内是凹的因此,通过在每个凹区域中执行梯度上升,期望找到log det(Ωx)的全局最大值。初始对的一个可能的三元组是:全长的α1 = 0,α2 = 1。第一个端点只有α1 = 0,α2= 0,第二个端点只有α1 = 1。0,α2 = 1。0。通过100次重复试验证明了多起点梯度上升的有效性。这里测试了两种常用的3D线的端点对参数化[26]:均匀点线(HPL)和反深度点线(IDL)。用i.i.d.模拟终点估计的误差高斯-在反深度空间中扫描(使用0.005和0.015单位的标准偏差),并传播到SE(3)空间。测试了五种不同尺寸(6、10、15、20和30)的在HPL和IDL参数化下,我们将来自3个梯度上升的最佳对与蛮力结果进行比较。99%以上的情况下,线切割比的差异小于0.01因此,单线切割问题可以有效地解决从三个梯度上升的组合的结果。5.2接缝线切割现在将单线切割扩展到联合线切割的完整问题:如何找到所有n条3D线的线切割比率,使得从n条线匹配生成的姿态信息矩阵的log det最大化?自然地,接合线切割目标(7)可以用非线性优化器来接近,例如:内点[27],活动集[28].同时,替代方法将是简单的贪婪启发式:而不是优化联合问题(或较小的子问题),简单地搜索每个3D线的局部最大值作为单线切割问题,并迭代所有n条线。如前所述,单线切割可以通过3个梯度上升的组合来有效地解决此外,3个独立的梯度上升可以并行执行。与非线性联合优化通常需要对整个问题进行O(n−c)次迭代(c为常数)相比,贪婪方法具有更好的计算复杂度。它需要n次迭代才能完成,而在每次迭代中,单线切割在O(m)(m是梯度上升中的最大步数)中求解联合线切割的效率是至关重要的,因为只有最小的开销(例如,毫秒)的实时姿态跟踪应当被引入到目标线辅助VO/VSLAM应用的实时姿态跟踪中贪婪算法有效的联合线切割描述在Alg 1。来自全长线Li的位姿信息矩阵的分量由Ωi(0,1)表示,而从<α1,α2>截取的线由Ωi(α1,α2)表示。你的台词-X x在LSQ仿真平台上,通过100次重复测试,验证了贪婪联合线切割算法的有效性我们选择了Matlab实现的邻域点[27]以及活动集的三个变体[28]来与贪婪算法进行比较。结果在图4中以箱形图呈现在两种3D线参数化(HPL和IDL)下,贪婪算法提供log det(Ωx)的最大增加(平均和在最坏情况下)。10Y. Zhao和P. VelaXXXXX算法1:高效的联合线切割贪婪算法。数据:3D线集{L(i)}n,2D测量集{l(i)}n结果:{α1(i),α2(i)}nΣ1Ωx=Ωi(0, 1);对于i= 1:n,3Ωr=Ωx−Ωi(0, 1);4∠α1(i),α 2(i)∠= arg max log det(Ωi(α 1,α 2)+Ωr);X x5Ωx=Ωr+Ωi(α1(i),α2(i));见图4。采用不同方法切割节理线的箱形图。左:使用HPL参数化。右:使用IDL参数化。箱形图按以下顺序呈现:1)原始log det(Ωx),2)使用贪婪方法进行线切割后,3)-6)使用非线性联合优化器进行线切割后。6线辅助VSLAM本节评估了拟议的线切割方法的性能。设置了两种线辅助VSLAM的目标场景进行实验:低纹理和运动模糊。我们将线切割实验基于最先进的线辅助VS-LAM系统PL-SLAM[11]。作为一个基于立体视觉的系统,它跟踪帧之间的ORB[29]点特征和LSD [6]线特征,并使用两种特征类型的加权残差项执行流形上的姿态优化。原始PL-SLAM1的一个弱点是点特征前端不如其它仅点VSLAM系统(例如PL-SLAM 1)那么好地调谐。ORB-SLAM2 作为回应,我们做了两个修改:1)用ORB-SLAM 2实现替换OpenCV ORB提取器,它提供了比原始版本更多(且分布良好)的点匹配; 2)将点特征匹配策略从全局蛮力搜索改为局部搜索(类似于ORB-SLAM 2实现),有效地处理了点特征数量的增加。1https://github.com/rubengooj/pl-slam良好的线切割11提出了良好的线切割算法被集成到修改后的PL-SLAM代替原来的线加权计划。它将所有特征匹配作为输入:线将通过线切割来细化,而点作为线切割目标中的常数项。在线切割之后,所有特征(点和切割线)被发送到姿势优化。PL-SLAM的闭环模块为了全面评估线切割的价值,评估经修改的PL-SLAM的五个变体:1)仅点SLAM(P),2)仅线SLAM(L),3)具有线切割的仅线SLAM(L+Cut),4)点线SLAM(PL),以及5)具有线切割的点线SLAM(PL+Cut)。为了更好的基准测试点特征的性能,我们还报告了ORB-SLAM 22的结果[30](简称ORB2)和SV O23 [4]。SV O2是一个最先进的直接VO系统,支持立体声输入。它跟踪图像补丁和边缘。上述所有系统均在Intel i7四核4.20GHz CPU上运行(每线程的及格分数为2583)。实时姿态跟踪的准确性用地面实况跟踪和SLAM估计的跟踪之间的两个相对度量来评估:1)相对位置误差(RPE)[31],其在短时间内捕获姿态跟踪的平均漂移; 2)相对定向误差(ROE),其利用与RPE相同的估计流水线捕获姿态跟踪的平均定向误差。RPE和ROE都是用3秒的固定时间窗口估计的与绝对度量(例如,整个轨迹的RMSE),相对度量更适合于测量实时姿态跟踪中的漂移[31]。由于大多数SLAM系统具有一定程度的随机性(例如,特征提取器、多线程)的事实,以下所有实验重复10次。对于那些在10次试验中失败超过2次的,由于缺乏一致性,我们忽略了结果。对于其余的,报告相对度量(RPE和ROE)的平均值图五、在具有挑战性的场景中运行的线切割PL-SLAM的示例帧:1)低纹理,2)运动模糊,3)照明变化。检测到的特征为绿色,而投影的特征为红色。请注意,线切割后,投影线的长度比测量值短得多2https://github.com/raulmur/ORB SLAM 23http://rpg.ifi.uzh.ch/svo2.html12Y. Zhao和P. Vela表1.合成低纹理序列的相对误差方法度量LL+切割 PLPL+切割PORB2 SV O2RPE(m/s)0.246 0.141 0.2420.1260.222-0.372ROE(度/秒)4.783.013.831.68*5.13-8.836.1低纹理对于所有新知识、非公开可用的知识,存在较低的可用性。为了评估所提出的方法,我们合成了一个低纹理立体序列与Gazebo。低纹理序列的示例帧被提供为图5中的第一曲线图。相对误差总结见表1。在将线切割应用于线辅助基线(L和PL)之后,平均相对误差减少了几乎40%,如粗体突出显示的最低跟踪误差(即当结合点和线特征并使用所提出的方法(PL+Cut)切割线时,实现了最佳同时,仅利用点特征的系统表现不佳:单点SLAM(P)具有较高的净资产收益率; ORB-SLAM 2(ORB % 2)无法跟踪。直接方法SV O2成功地跟踪了整个低纹理序列,但相对误差最大。评估结果表明,线特征是有价值的姿态跟踪在低纹理场景。然而,简单地使用线的全长进行姿态优化可能导致大的跟踪误差。利用所提出的线切割,线辅助位姿跟踪的精度提高。6.2运动模糊运动模糊发生在相机移动太快时(例如,在飞行器上)或者当场景包含快速移动的对象时。虽然第二个案例对于VO/VSLAM来说也是一个挑战,它超出了这项工作的范围(因为它违反了静态世界的共同假设)。在这里,我们专注于跟踪一个快速移动的相机的姿态,在不同程度的运动模糊。选择的数据集是EuRoC MAV数据集[32]。它包含从微型飞行器记录的11个立体图像对于每个序列,外部运动捕捉系统(Vicon LeicaMS50)提供精确的代替在所有11个序列上运行,仅使用在配备Vicon的房间中记录的6个快速运动序列(具有表现出运动模糊的高可能性)来进行运动模糊评估。RPE总结在表2的上对于每个序列,我们将线辅助基线与线切割版本进行比较,并以粗体突出显示更好的一个。在这里评估的所有7种方法中,导致最低误差的方法用星号标记。与线辅助基线(L和PL)相比,线切割版本(L+Cut和PL+Cut)在大多数序列上明显具有较低水平的RPEV1-01-easy上的改进不太显著,主要是由于相对精确的线三角测量(L的RPE接近最低)。同时良好的线切割13ORB2的性能并不一致:当跟踪成功时,ORB2在所有7种方法中具有然而,其在最后2个序列上未能可靠地起作用。 这并不奇怪:当可用时,已知点特征对于姿态跟踪更准确;它们只是不如运动模糊下的线条那样鲁棒。最后,直接SV O2在6个序列中的4个序列上未能跟踪,与[4]中报告的结果相似(6个序列中的3个序列上失败)。这是预期的,因为直接接近对快速运动和照明变化(例如,图5中的第三曲线图)而不是基于特征的曲线图。原始EuRoC序列的运动模糊水平并不严重:每个摄像机的镜头都受到严格控制,并且车辆在整个序列期间仅在几个时刻进行快速运动。为了评估严重运动模糊下的性能,我们使用5× 5框滤波器平滑6个Vicon序列,并在模糊的序列上重新运行所有7个 VO/VSLAM方法相应的结果报告在表2和3的下半部分中。在严重的运动模糊下,基于点的方法(P和ORB2)变得比以前准确得多,同时也容易丢失跟踪。同时,线辅助的方法是更强大的模糊。更重要的是,线切割明显提高了线辅助方法的准确性:PL+Cut在3个序列上达到最低RPE,而L+Cut在另一个序列上获胜。一个例外是V2-01-易模糊,其中PL已经准确,线切割导致轻微简并。SVO2在V2-03-dif模糊序列上的RPE值略高于PL+Cut,而在其他5个序列上的RPE值最高。SV O2在所有6个模糊序列上跟踪而在4个原始序列上失败的一个潜在原因是模糊作用于预处理直接目标(原始高度非平滑)。优化直接目标的收敛速度提高,并积极影响跟踪率。同样,我们也在表3中报告了ROE。结果与RPE结果和分析一致。与点特征相比,线特征对运动模糊具有鲁棒性,同时保留准确的位置信息。所提出的线切割进一步提高了线辅助VO/VSLAM的跟踪精度。最后,我们简要地讨论了线切割的计算成本。由于基线PL-SLAM并不维持每一3D线的协方差矩阵,因此我们使用简单误差模型来维持协方差矩阵: 在每个3D线端点的逆深度空间处的高斯; 2)将端点协方差矩阵从前一帧的逆深度空间传播到当前帧的欧几里得空间。然后,我们用这些协方差/信息矩阵运行贪婪线切割算法(Alg 1)大部分计算时间都花在迭代贪婪算法上。当在EuRoC序列上平均时,线切割模块花费3ms来处理每帧60条线。7结论和未来工作本文提 出了良好的 线切割,它 涉及不确定的 三维线测量 线辅助VO/VSLAM中使用好线的目标14Y. Zhao和P. Vela表2. 快速运动方法序列L L+切割PL PL+切割PORB2 SV O2V1-01-简单0.0440.0430.048 0.0480.058 0.041* 0.128V1-02-中0.1350.0590.0460.0430.072 0.034*-V1-03-dif0.1690.1330.1640.1560.402 0.108*-V2-01-简单0.1000.0590.0420.0300.053 0.011* 0.109V2-02-中0.112*0.1790.126---V2-03-dif0.4830.4500.364*---V1-01-易模糊 0.047*0.0540.0520.062 0.0480.126V1-02-中位模糊 0.0760.0680.049*0.129 0.1780.357V1-03-dif模糊0.2330.206-0.148*--0.277V2-01-易模糊 0.1440.0540.034*0.0370.040 0.049 0.096V2-02-med模糊 0.1660.1380.1710.127-0.1620.270V2-03-dif模糊- --0.391--0.289表3. 快速运动方法序列L L+切割PL PL+切割PORB2 SV O2V1-01-简单0.520.490.610.630.830.43*4.23V1-02-中3.011.520.710.641.710.32*-V1-03-dif4.993.82二点三八二点八五9.581.96*-V2-01-简单3.582.560.860.770.880.26*4.49V2-02-中2.14*2.35四点三八三点四七---V2-03-dif12.6711.7710.77*12.05---V1-01-易模糊0.800.630.770.730.950.664.24V1-02-中位模糊1.691.620.76*3.082.638.63V1-03-dif模糊7.356.65-3.17*--10.49V2-01-易模糊2.942.080.991.070.92*2.253.96V2-02-med模糊3.472.673.152.62-5.488.38V2-03-dif模糊- --十块六--8.58*切割是在每条不确定的3D线内找到对姿态估计贡献最多信息的(子)段。通过仅利用那些信息(子)段,基于线的最小二乘被更准确地求解。我们还描述了一个有效的,贪婪的联合线切割问题的算法。 与有效的近似 ,线切割 集成到一个 国家的最先 进的线辅助VSLAM系统。在两种目标场景下评估时,线辅助VO/VSLAM(低纹理;运动模糊),证明了精度的提高,同时保持了鲁棒性。在未来,我 们 计 划 扩 展 线 切 割 , 以 获 得 更 多 的 3D 线 切 割 部 件 , 例 如 : G.Pluéckeercoordinates. 联合特征调整问题,即点选择线切割,也值得进一步探讨。良好的线切割15引用1. Paul Smith,Ian D Reid,and Andrew J Davison.实时单目直线猛击。2006年2. Andrew P Gee和Walterio Mayol-Cuevas。使用线段的实时基于模型的slam。在International Symposium on Visual Computing,第354Springer,2006年。3. Georg Klein和David Murray。提高基于关键帧的slam的灵活性在欧洲计算机视觉会议,第802-815页。Springer,2008.4. Christian Forster,Zichao Zhang,Michael Gassner,Manuel Werlberger,andDavide Scaramuzza.SVO:用于单眼和多相机系统的半直接视觉里程计。IEEETransactions on Robotics,2016。5. Jakob Engel , Vladlen Koltun , and Daniel Cremers. 直 接 稀 疏 测 距 法 。 IEEEtransactions on pattern analysis and machine intelligence,40(3):611 -625,2018。6. RafaelGfromponevonGioi , J´er´emieJakubowicz , Jean-MichelMorel ,anddGregory Randall.线段检测器。Image Processing On Line,2:357. Lilian Zhang和Reinhard Koch。使用外观相似性和几何约束的线匹配。PatternRecognition,第236-245页8. 颜璐和宋德贞。使用点和线特征的鲁棒rgb-d测距法。IEEEInternationalConference on Computer Vision,第39349. Alexander Vakhitov,Jan Funke,and Francesc Moreno-Noguer.从点和线进行精确和线性的时间姿态估计欧洲计算机视觉会议,第583-599页施普林格,2016年。10. 杨士超和塞巴斯蒂安·谢勒。使用点和线的直接单目测距法。IEEEInternationalConference on Robotics and Automation(ICRA),第3871-3877页。IEEE,2017年。11. Ruben Gomez-Ojeda 、 Francisco-Angel Moreno 、 Davide Scaramuzza 和 JavierGonzalez-Jimenez。Pl-slam:通过点和线段的组合的立体声系统arXiv预印本arXiv:1705.09479,2017。12. Thomas Koletschka、Luis Puig和Kostas Daniilidis。Mevo:多环境立体视觉里程计。在IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS)中,第4981-4988页。IEEE,2014。13. Ruben Gomez-Ojeda和Javier Gonzalez-Jimenez通过点和线段的概率组合的鲁棒立体视觉里程计。在IEEE International Conference on Robotics and Automation(ICRA),第2521-2526页中。IEEE,2016.14. BronislavPˇribyl,PavelZemˇc´ı k,anddMartinCˇad´ı k。Camer aposesti mationfromlinesusing g pluécerc o rordinates. InBritishMachineVisionConference(BMVC),第1-12页15. Guoxuan Zhang,Jin Han Lee,Jongwoo Lim,and Il Hong Suh.使用立体声slam建立一个三维的基于线的地图。IEEE Transactions on Robotics,31(6):1364-1377,2015.16. Albert Pumarola 、 Alexander Vakhitov 、 Antonio Agudo 、 Alberto Sanfeliu 和Francese Moreno-Noguer。PL-slam:实时单眼视觉打击点和线。在IEEE机器人与自动化国际会议(ICRA)中,第4503-4508页IEEE,2017年。17. 鲁本·戈麦斯·奥赫达,耶稣·布里亚莱斯和哈维尔·冈萨雷斯·希门尼斯。Pl-svo:通过组合点和线段的半直接单眼视觉里程计。在IEEE/RSJ智能机器人和系统国际会议(IROS)上,第4211-4216页。IEEE,2016.16Y. Zhao和P. Vela18. A.J. 戴维森主动搜索实时视觉。IEEEInternational Conference on ComputerVision,第1卷,第6619. Michael Kaess 和 Frank Dellaert 协 方 差 恢 复 从 平 方 根 信 息 矩 阵 的 数 据 关 联 。Robotics and Autonomous Systems,57(12):119820. Sen Zhang,Lihua Xie,and Martin David Adams.基于熵的实时同时定位和地图构建的特征选择方案。在IEEE/RSJ智能机器人和系统国际会议(IROS)上,第1175IEEE,2005年。21. Fernando Auat Cheein、Gustavo Scaglia、Fernando di Scia
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功