专栏首页计算机视觉lifeGood Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLA

Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLA

Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLAM

论文:https://arxiv.org/abs/2001.00714

代码

单目https://github.com/ivalab/GF_ORB_SLAM

双目https://github.com/ivalab/gf_orb_slam2

摘要

—在VO或VSLAM系统中保持性能(精确度和鲁棒性)和效率(延迟)的取舍是一个重要的课题。基于特征的系统展现了良好的性能,但由于显式的数据关联有更高的时延;直接和半直接系统低时延,但在一些场景不适用,比基于特征的系统精度低。本论文旨在为基于特征的视觉SLAM提高性能效率,提出了一个主动的地图到图像帧的特征匹配算法:特征匹配和一个需要评分的子矩阵选择联系起来,经过仿真,用Max-logDet矩阵评分有最好的表现。对于实时的适用性,调研了线性时间选择(deterministic selection)和随机加速(randomized acceleration)的组合。本文提出的算法用于了基于特征点的单目和双目SLAM系统。在多个数据集的表现可量化地表明不降低鲁棒性前提下可减少时延。

本文的主要结果如上图所示,左图描述了四种VO/VSLAM系统在EuRoC MAV数据集上时延和精度对比,本文提出的GF-ORB-SLAM在左下区域,相比SVO和DSO有着较高精度,且平均延迟比ORB-SLAM低。GF-ORB-SLAM和ORB-SLAM相比,特征提取时间相同,但是它极大减少了特征匹配和接下来的模块的耗时,在四个系统中延迟最低。 本文主要贡献:

  • 最小二乘位姿优化误差模型的研究,将位姿优化性能和带权重的雅各比矩阵的谱性质联系起来。
  • 度量指标的探索和位姿优化的最小二乘条件结合起来,选择Max-logDet值最为最优度量。
  • 以Max-logDet为度量提出的高效特征选择算法比现有特征选择算法快一个数量级。
  • 提出高效的且适用于基于特征点的VO/VSLAM的将特征选择和主动特征匹配结合起来的普适特征匹配算法
  • 将提出的特征匹配算法在基于特征的VSLAM系统上用不同数据集,传感器配置和计算平台进行综合分析。结果证明精度和鲁棒性不变下延迟降低。单目和双目版本实现已开源。

在ORB-SLAM上应用该特征匹配算法被称作GF-ORB-SLAM或简称GF,相比于ORB-SLAM它可以减少时延,同时跟踪精度提高(在计算机上)或保持不变(在低功率设备上),鲁棒性不变(如避免跟踪失败)。下图一些单目VO/SLAM系统在EuRoC三个数据集上的时延和精确度关系图,GF的时延和SVO差不多,但精确度比SVO和DSO高一个数量级,精确度保留可以从和ORB-SLAM的其他两个变种Rnd和Long对比看出,GF的曲线更低更平坦。

下图展示了GF算法延迟的减少,它最大特征点数量设为800,和ORB-SLAM相比延迟有更小的方差。

以下为单目算法量化数据对比

下图为在EuRoC双目数据集上运行的延迟和精度曲线

下表为双目算法量化对比

以下表格分别显示在低功率设备上运行时算法的精度和时延数据

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association

    EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association

    用户1150922
  • 从零开始一起学习SLAM | 为什么要学SLAM?

    在《零基础小白,如何入门计算机视觉?》中我提到过,计算机视觉的研究目前主要分为两大方向:基于学习的方法和基于几何的方法。其中基于学习的方法最火的就是深度学习,而...

    用户1150922
  • 基于图像语义的视觉同步定位和建图综述:面向应用的移动机器人自主导航解决方案

    论文名称: A survey of image semantics-based visual simultaneous localization and map...

    用户1150922
  • 浅谈机器学习业务方面使用R+Hadoop 是否可靠

    众所周知,R 在解决统计学问题方面无与伦比。但是 R 在数据量达到 2G 以上速度就很慢了,于是就催生出了与 hadoop 相结合跑分布式算法这种解决方案,但是...

    企鹅号小编
  • HDUOJ---2110

    Crisis of HDU Time Limit: 3000/1000 MS (Java/Others)    Memory Limit: 32768/3276...

    Gxjun
  • 想跨端开发小程序?这个最流行的跨端框架一定要学习!

    从最早发布的微信小程序,到后来的支付宝小程序、字节跳动小程序、百度小程序、QQ小程序,还有最近发布的360小程序,面对这么多套的代码,开发者该如何开发呢?

    极乐君
  • 机器学习将走向何方?这里有 5 个关于它未来的预测

    机器学习目前是 IT 领域最热门的话题之一,这是因为它在看似无限的应用场景中都能发挥自身的作用。从检测欺诈网站到自动驾驶汽车,再到识别你的“金牌会员”身份以进行...

    企鹅号小编
  • go新手容易犯的三个致命错误

    最近因为以前一些重要且古老的go项目基本没有人专职维护了,所以被安排去熟悉这些项目的代码,所以看了大量go的代码。历史原因,这些代码中或多或少有一些刚刚从PHP...

    用户1093396
  • 你了解Spring从Spring3到Spring5的变迁吗?

    **随着互联网技术的发展,Spring也在不断的进化,从最早轻量级的支持J2EE到现在对高并发,多线程异步程序的支持,spring也不断的更新自己走在技术的最前...

    Java周某人
  • 从头到尾解析Hash 表算法

    问题描述 百度面试题: 搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来,每个查询串的长度为1-255字节。 假设目前有一千万个记...

    后端技术探索

扫码关注云+社区

领取腾讯云代金券