【优秀论文解读】UV-SLAM: Unconstrained Line-based SLAM Using Vanishing Points for Structural Mapping
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:
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}\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]=limt→∞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 ...
最新文章
- Hybrid assembly with long and short reads improves discovery of gene family expansions
- 如何干掉恶心的 SQL 注入?
- 企业官网建设搞清三个定位
- MS12-042 用户态调度机制特权提升漏洞
- 移动端picker插件
- MySql远程连接设置
- MySQL高级 - SQL技巧 -日期函数与聚合函数
- 计算机一级应用基础选择题,计算机应用基础一级考试选择题
- Linux(CentOS6.4)Solr4.8.1中文分词配置(IK分词)
- 字节跳动被爆商业化部门大量裁员
- Python程序中创建子进程时对环境变量的要求
- 未在本地计算机上注册“microsoft.ACE.oledb.12.0”提供程序解决办法
- 2010-10-08在浏览器中兼容+jQuery3
- 得到照片_用PS制作重曝效果的人像艺术照片
- 前端案例:飞机大战( js+dom 操作,代码完整,附图片素材)
- Django book 2.0
- VINS-Mono 代码解析二、初始化 第3部分
- 嵌入式了解 以及学习路线
- excel操作技巧:“自定义名称”应用基础篇
- 英语-非谓语动词作定语