论文简介

提出了一种UV-SLAM的算法，整体建立与VINS-MONO的基础上：

在VINS—MONO的基础上增加了线特征的约束和消影点的约束。
其中线特征的提取用的是line segment detector（LSD）算法，线特征的跟踪或线特征的描述子的提取用的是line binary descriptor（LBD）算法。
构建如下的误差方程：
min⁡X{∥r0−J0X∥2+∑i∈B∥rI(zbi+1bi,X)∥Σbi+1bi2+∑(i,j)∈Pρp∥rp(zpjci,X)∥Σpjci2+∑(i,k)∈Lρl∥rl(zlkci,X)∥Σlkci2+∑(i,k)∈Vρv∥rv(zvkci,X)∥Σvkci2}\begin{array}{c} \min _{\mathcal{X}}\left\{\left\|\mathbf{r}_{0}-\mathbf{J}_{0} \mathcal{X}\right\|^{2}\right. \\ +\sum_{i \in \mathcal{B}}\left\|\mathbf{r}_{I}\left(\mathbf{z}_{b_{i+1}}^{b_{i}}, \mathcal{X}\right)\right\|_{\Sigma_{b_{i+1}}^{b_{i}}}^{2}+\sum_{(i, j) \in \mathcal{P}} \rho_{p}\left\|\mathbf{r}_{p}\left(\mathbf{z}_{p_{j}}^{c_{i}}, \mathcal{X}\right)\right\|_{\Sigma_{p_{j}}^{c_{i}}}^{2} \\ \left.+\sum_{(i, k) \in \mathcal{L}} \rho_{l}\left\|\mathbf{r}_{l}\left(\mathbf{z}_{l_{k}}^{c_{i}}, \mathcal{X}\right)\right\|_{\Sigma_{l_{k}}^{c_{i}}}^{2}+\sum_{(i, k) \in \mathcal{V}} \rho_{v}\left\|\mathbf{r}_{v}\left(\mathbf{z}_{v_{k}}^{c_{i}}, \mathcal{X}\right)\right\|_{\Sigma_{v_{k}}^{c_{i}}}^{2}\right\} \end{array} minX{∥r0−J0X∥2+∑i∈B∥∥rI(zbi+1bi,X)∥∥Σbi+1bi2+∑(i,j)∈Pρp∥∥rp(zpjci,X)∥∥Σpjci2+∑(i,k)∈Lρl∥∥rl(zlkci,X)∥∥Σlkci2+∑(i,k)∈Vρv∥∥rv(zvkci,X)∥∥Σvkci2}

其中第一项为边缘化后面分别对应IMU、point、line和vanishing point（消影点）

图构建如下：

x为不同状态原来只有预积分和特征点的边现增加了线特征的边和消影点的边。
下面围绕着新增加的这两个边的约束进行讲解

线特征模型

两种直线表示法的说明：

原文中的讲解有一点点啰嗦其实就是很正常的线特征误差函数构建。使用Plücker坐标系表示直线会用六个参数表示四自由度的直线所以导致了六个参数并不是无约束的因此这无法使用无约束优化但是它的优点是初始化直线和空间变换的时候的形式表达非常简单。

因此在进行优化的时候我们使用另一种直线的表达方式——正交表达。正交表达正好是四个参数表达四个自由度。且能够很方便的和Plücker坐标进行相互转换。

感性上构建直线残差的方式

图片的说明如下：

清晰明了。图片为线特征残差构建的举例说明。直线通过另外两帧三角化得到再重投影到第三帧图像上，和第三帧图像上的对直线的观测求差构建目标函数。

这里有一个三维直线的投影说明。论文中的公式较为冗余，这里做简化说明：

l=Kn=[fy000fx0−fycx−fxcyfxfy]nl=\mathcal{K} \mathbf{n}=\left[\begin{array}{ccc} f_{y} & 0 & 0 \\ 0 & f_{x} & 0 \\ -f_{y} c_{x} & -f_{x} c_{y} & f_{x} f_{y} \end{array}\right] \mathbf{n} l=Kn=⎣⎡fy0−fycx0fx−fxcy00fxfy⎦⎤n

lll为重投影的直线表达形式 kkk为相机矩阵的内参 nnn为三维直线的Plücker坐标表示中的法向量即直线和相机光心组成的平面的法向量

论文中强调都是在归一化平面做处理所以kkk为单位阵导致二者直接相等了。

残差的构建其实就是观测到的线段的端点分别到重投影直线的距离
rl=[d(ps,lc)d(pe,lc)]\mathbf{r}_{l}=\left[\begin{array}{l} d\left(\mathbf{p}_{s}, \mathbf{l}^{c}\right) \\ d\left(\mathbf{p}_{e}, \mathbf{l}^{c}\right) \end{array}\right] rl=[d(ps,lc)d(pe,lc)]

对状态量和直线的位置同时求雅可比进行优化。

消影点特征模型

图中红色为观测的消影点蓝色为计算的消影点。

计算消影点的方法：

vc=[v1v2v3]=lim⁡t→∞P(V0+tD)=Kdc=dc\mathbf{v}^{c}=\left[\begin{array}{l}v_{1} \\v_{2} \\v_{3}\end{array}\right]=\lim _{t \rightarrow \infty} \mathbf{P}\left(\mathbf{V}_{0}+t \mathbf{D}\right)=\mathbf{K d}^{c}=\mathbf{d}^{c} vc=⎣⎡v1v2v3⎦⎤=t→∞limP(V0+tD)=Kdc=dc

可以得到消影点的齐次坐标等于三维直线的方向向量

于是构建约束：

rv=pv−1v3[v1v2]\mathbf{r}_{v}=\mathbf{p}_{v}-\frac{1}{v_{3}}\left[\begin{array}{l} v_{1} \\ v_{2} \end{array}\right] rv=pv−v31[v1v2]
关于雅可比的构建同线特征模型这里不再赘述。

实验结果

a为ALVIO的结果 b为该实验室以前的结果 c为本实验做出的结果

本文最大的亮点还是将消影点考虑进了残差内得到的线特征比规整了很多。数据上看：

In addition, we showed that localization accuracy and mapping quality have increased through quantitative and qualitative comparisons with state-of-the-art algorithms. For future work, we will implement mesh or pixel-wise mapping through sparse line mapping from the proposed algorithm.

精度和质量都有提高下一步工作是从稀疏的线条中恢复地图。

【优秀论文解读】UV-SLAM: Unconstrained Line-based SLAM Using Vanishing Points for Structural Mapping相关推荐

【论文精读】UV-SLAM: Unconstrained Line-based SLAM Using Vanishing Points for Structural Mapping
[论文精读]UV-SLAM: Unconstrained Line-based SLAM Using Vanishing Points for Structural Mapping 论文出处 ICRA ...
论文阅读《UV-SLAM: Unconstrained Line-Based SLAM Using Vanishing Points for Structural Mapping》R-AL 2022
Motivation 使用线特征的SLAM方法主要使用线特征的重投影模型,但由于线特征的投影只与Plücker表示中的normal vector有关而与direction vector无关,直线的方向 ...
2017年美国大学生数学建模竞赛C题优秀论文解读
2017年美赛C题赛题 2017 MCM Problem C: "Cooperate andnavigate" Traffic capacity is limited in man ...
CVPR 2022 | 美团技术团队精选6篇优秀论文解读
CVPR 2022 | 美团技术团队精选论文解读计算机视觉国际顶会CVPR 2022近日在美国新奥尔良召开,今年美团技术团队有多篇论文被CVPR 2022收录,这些论文涵盖了模型压缩.视频目标分割. ...
【论文解读 ICEIT2022】Heterogeneous Graph Based Knowledge Tracing基于异构图的知识追踪
文章目录摘要 1 引言 2 相关工作 2.1 知识追踪 2.2 异构图嵌入 3 基于异构图嵌入的知识追踪 4 实验 5 结论依然是两阶段摘要最近,随着在线辅导系统的发展,对知识追踪(Knowl ...
历年数学建模大赛优秀论文解读
一. 自动化车床管理模型 1. 变分法 2. 韦布尔分布韦布尔分布,即韦伯分布(Weibull distribution),又称韦氏分布或威布尔分布,是可靠性分析和寿命检验的理论基础. 威布尔分布在 ...
ICRA2022论文汇总 | 跟踪/检测/分割/传感器标定/SLAM/轨迹预测/导航规划等
点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取点击进入→自动驾驶之心技术交流群后台回复[ECCV2022]获取ECCV2022所有自动驾驶方向论文! Ro ...
【0514 更新中】CVPR2019 论文解读汇总
CVPR2019 论文解读汇总(0514 更新中) 原文 http://bbs.cvmart.net/topics/287/cvpr2019 计算机视觉顶会CVPR 2019 接收结果已经出来啦,相关 ...
CVPR2019最全整理：全部论文下载，Github源码汇总、直播视频、论文解读等
本文首发于公众号极市平台点击**加入极市CV技术交流群**,交流更多计算机视觉相关的技术干货 CVPR 由IEEE举办的计算机视觉和模式识别领域的顶级会议,在机器学习领域享有盛名.今年的 CVPR ...

【优秀论文解读】UV-SLAM: Unconstrained Line-based SLAM Using Vanishing Points for Structural Mapping

论文简介

线特征模型

消影点特征模型

实验结果

【优秀论文解读】UV-SLAM: Unconstrained Line-based SLAM Using Vanishing Points for Structural Mapping相关推荐

最新文章

热门文章