吳錦河 范涵奇

摘要：視覺SLAM中閉環(huán)校正能有效減小相機(jī)位姿估計(jì)的累積誤差。針對此問題，本文提出了一種新的閉環(huán)校正策略。為了驗(yàn)證算法的有效性，本文采用公開數(shù)據(jù)集KITTI來測試本文算法。實(shí)驗(yàn)結(jié)果表明本文算法能有效的減小累積誤差。

關(guān)鍵詞：視覺SLAM;閉環(huán)校正;閉環(huán)檢測

中圖分類號：TP212 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2020）07-0111-02

0 引言

近些年來，視覺SLAM[1]（visual Simultaneous localization and mapping，vSLAM）技術(shù)發(fā)展迅速，廣泛應(yīng)用于機(jī)器人、無人機(jī)、AR/VR 等領(lǐng)域。視覺SLAM技術(shù)主要采用視覺傳感器來解決機(jī)器人等在GPS失效環(huán)境中的定位與周圍環(huán)境地圖重建的問題。

解決視覺SLAM問題的方法主要有兩種，即直接法和特征點(diǎn)法。直接法根據(jù)相機(jī)采集圖像的像素信息來直接計(jì)算相機(jī)的運(yùn)動。直接法的基本假設(shè)是同一三維空間點(diǎn)在不同視角下觀測到的像素灰度不變，通過最小化光度誤差來優(yōu)化求解相機(jī)位姿。直接法最具代表性的算法主要有DTAM[2]、LSD-SLAM[3]以及DSO[4]。直接法可以不用提取圖像特征點(diǎn)并且可以在弱紋理環(huán)境中使用，但是直接法的灰度不變是一個很強(qiáng)的假設(shè)，實(shí)際中易受光照變化的影響。特征點(diǎn)法是一種間接求解SLAM問題的方法。特征點(diǎn)法[5-7]在求解相機(jī)位姿時對光照不敏感，魯棒性更好，因此該方法也是解決SLAM問題最常用的一種方法。無論是直接法還是特征點(diǎn)法在優(yōu)化相機(jī)位姿時都采用高斯分布分布作為先驗(yàn)假設(shè)，在此假設(shè)下來構(gòu)造優(yōu)化的目標(biāo)函數(shù)，但是在此假設(shè)下構(gòu)造的目標(biāo)函數(shù)無法剔除大噪音數(shù)據(jù)對優(yōu)化結(jié)果的影響，使得優(yōu)化后的相機(jī)位姿和三維空間點(diǎn)的位置依然不太精確。

以上兩種方法中都面臨的同樣問題是閉環(huán)校正方法較為復(fù)雜。為了解決這個問題，本文提出了一種新的閉環(huán)校正策略。

1 本文算法

本章節(jié)主要詳細(xì)闡述本文算法。本文首先通過詞袋庫的方式來檢測相機(jī)在運(yùn)動過程中的閉環(huán)，然后本文在1.2節(jié)詳細(xì)闡述了如何通過閉環(huán)校正優(yōu)化得到全局最優(yōu)的相機(jī)位姿。

1.1 閉環(huán)檢測

視覺SLAM中，閉環(huán)校正能夠有效的減小累積誤差進(jìn)而提升系統(tǒng)的穩(wěn)定性。與ORB-SLAM類似，本文也使用詞袋庫（Bag of words，BOW）方法來檢測閉環(huán)。

1.2 閉環(huán)校正

對于已經(jīng)檢測到的回環(huán)，假設(shè)第0幀與第n幀構(gòu)成回環(huán)，則在理論上有：

其中，代表相機(jī)旋轉(zhuǎn)。實(shí)際中由于誤差的存在等式不是嚴(yán)格成立的。因此，本文通過固定處的旋轉(zhuǎn)以及各幀之間的相對旋轉(zhuǎn)，通過引入回環(huán)信息優(yōu)化各幀相對與世界坐標(biāo)系的旋轉(zhuǎn)來校正回環(huán)。

如圖1所示，假設(shè)幀第0幀與第6幀之間構(gòu)成回環(huán)，則應(yīng)滿足公式（1）的約束。由于構(gòu)成回環(huán)，因此可以使用初始幾幀的信息來增加約束使得位姿估計(jì)更精確。即本文依據(jù)對極約束首先求得初始各幀相對世界坐標(biāo)系的旋轉(zhuǎn)以及各幀之間的相對旋轉(zhuǎn)，其次由于與幀之間構(gòu)成回環(huán)，可以引入的信息更精確的估計(jì)的旋轉(zhuǎn)，由于各個幀節(jié)點(diǎn)之間的相對旋轉(zhuǎn)固定且相互影響，因此可以逆向的再次優(yōu)化各節(jié)點(diǎn)的旋轉(zhuǎn)。在此過程中，可以使得求得的各幀的旋轉(zhuǎn)的誤差攤平，使得誤差的變化更平滑，本文把這個過程稱為回環(huán)濾波（Loop Filter）。

2 實(shí)驗(yàn)結(jié)果及分析

本文在KITTI數(shù)據(jù)集[8]上測試所提出的算法，實(shí)驗(yàn)環(huán)境的操作系統(tǒng)為ubuntu 18.04，配置為i7-4770 CPU，4G RAM。

為了說明回環(huán)校正的有效性，本文在表1中給出了閉環(huán)前后相機(jī)旋轉(zhuǎn)誤差的方差、均值、中值以及最大值和最小值的變化。從表中數(shù)據(jù)可知，回環(huán)校正后相機(jī)旋轉(zhuǎn)誤差的方差、均值、中值以及最大值均減小，因此回環(huán)校正可以提升相機(jī)位姿估計(jì)的精度。

圖2所示中描述了回環(huán)校正后相機(jī)旋轉(zhuǎn)誤差分布，從圖中可知，相機(jī)旋轉(zhuǎn)的誤差分布更加集中并且最大值明顯減小，圖中誤差的分布跟旋轉(zhuǎn)誤差統(tǒng)計(jì)量的變化一致，因此本文算法通過閉環(huán)能有效的減小累積誤差。

3 結(jié)語

本文針對視覺SLAM中閉環(huán)校正問題提出了一種新的閉環(huán)校正策略。實(shí)驗(yàn)結(jié)果表明，本文算法能有效的減小累積誤差進(jìn)而提升相機(jī)位姿估計(jì)的精確性。

參考文獻(xiàn)

[1] Cadena C，Carlone L，Carrillo H，et al.Past，Present，and Future of Simultaneous Localization and Mapping： Toward the Robust-Perception Age[J].IEEE Transactions on Robotics，2016，32（6）：1309-1332.

[2] Newcombe R，Lovegrove S，Davison A J，et al.DTAM： Dense tracking and mapping in real-time[C].international conference on computer vision，2011：2320-2327.

[3] Engel J，Schops T，Cremers D，et al.LSD-SLAM：Large-Scale Direct Monocular SLAM[C].european conference on computer vision， 2014：834-849.

[4] Engel，Jakob，Vladlen Koltun，and Daniel Cremers.Direct sparse odometry[J].IEEE transactions on pattern analysis and machine intelligence，2018，40（3）：611-625.

[5] Badino H，Yamamoto A，Kanade T，et al.Visual Odometry by Multi-frame Feature Integration[C].international conference on computer vision，2013：222-229.

[6] Fanfani M，Bellavia F，Colombo C，et al.Accurate keyframe selection and keypoint tracking for robust visual odometry[J]. machine vision applications，2016，27（6）： 833-844.

[7] Mur-Artal R，Tardos J D.ORB-SLAM2：An open-source SLAM system for monocular，stereo，and RGB-D cameras[J].IEEE Transactions on Robotics，2017，33（5）：1255-1262.

[8] Newcombe R，Lovegrove S，Davison A J，et al.DTAM：Dense tracking and mapping in real-time[C].international conference on computer vision，2011：2320-2327.