VOLDOR+SLAM：稠密VO (代码开源)
文章：VOLDOR+SLAM: For the times when feature-based or direct methods are not good enough
作者：Zhixiang Min1 and Enrique Dunn
编译：点云PCL
来源：arxiv 2021
代码：https://github.com/htkseason/VOLDOR
文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。
摘要
我们提出了一个使用稠密光流作为输入的直接法的稠密SLAM系统，我们扩展了最近的概率视觉里程计模型VOLDOR，将几何先验的使用结合单目捕获的稳健的里程计估计，可以同时支持双目和/或RGB-D输入图像。我们定制的后端将中间几何估计与管理增量位姿图连通性的自适应优先级方案紧密结合，利用稠密光流方法的最新进展，在构建细粒度全局一致的稠密环境地图的同时，实现精确而稳健的相机位姿估计。我们的开源实现[https://github.com/htkseason/VOLDOR]在单个GTX1080Ti GPU上以每秒15帧的速度实时运行。
图1：重建的场景模型。从关键帧深度图生成3D点云
主要贡献
最近，视觉里程计的直接稠密（DI）方法是替代稀疏和直接法的一种很有前途的方案，DI方法将局部3D几何和相机运动估计的一致性与观测的稠密光流（OF）估计相结合，这种框架能够利用基于学习的估计器的准确性和稳健性的持续改进，同时产生高质量的稠密几何估计作为输入，为了将最近的DI推理模型VOLDOR扩展到SLAM方法中，我们开发了集成模块，这些模块根据推理过程产生的中间几何估计定制，在DI几何估计的背景下解决了全局范围3D数据关联的有效估计、管理和优化问题。我们的贡献是：
1）扩展VOLDOR的推理框架，生成和输入显式几何先验，以提高单目、双目和RGB-D图像源的估计精度；
2）用于源不可知帧间配准的鲁棒点到平面逆深度对准公式，
3）用于增量实时位姿图管理的优先级链接框架。
主要内容
A.系统概述
图2:VOLDOR+SLAM架构。1） 输入光流：通过视频和可选的几何先验计算。2） 稠密VO前端在滑动窗口上估计场景结构和局部相机位姿。3） 姿势图强制所有成对姿势估计之间的全局一致性。4） 姿势图中包含的边集基于关键帧几何分析进行优先排序，旨在识别回环并加强局部连通性。
该建立在Min等人[1]最近提出的稠密VO方法的基础上，该方法从一组稠密的输入观测估计摄像机运动、3D结构和轨迹可靠性的联合概率估计，我们提出的VOLDOR+SLAM具有VO前端和后端建图。前端在密集估计的小连续批次（即时间滑动窗口）上运行，根据为稠密SLAM系统设计的Visibility Overage指标，自适应地确定后续批次中的关键帧选择和步幅，为了在更大的几何范围内实现一致性，同时支持实时运行，后端自适应地优先考虑关键帧对之间的分析和建立姿势约束，从而平衡回环检测连接的搜索和局部关键帧连接的增强，VOLDOR+SLAM还实现了一种基于图像检索和几何验证模块的闭换检测方案[，最后，在基于sim3的位姿图中管理所有成对相机姿势约束，我们系统的模块依赖关系和数据流如图2所示，由此产生的稠密SLAM实现可以在∼在单个GTX1080Ti GPU上每秒15帧。
更多内容到知识星球下载原文：https://t.zsxq.com/bemeEaQ
实验
数据集TartanAir提供了地面真实相机位姿、深度图和光流。该数据集的特点是，在移动对象、不断变化的光线、各种天气条件下，具有挑战性的环境，具有在现实世界中很难获得的不同视点和运动模式。覆盖了室内和室外环境的9个序列进行了测试，对于所有序列，我们使使用光度一致性项，我们比较了VOLDOR+SLAM和VOLDOR+（仅VO）与ORB-SLAM3（双目和单目）和DSO（单目）的区别。
图4显示了我们的深度图质量结果
总结
VOLDOR+SLAM展示了dense indirect（DI）估计框架在大规模和非结构化环境的几何分析中的潜力，DI方法的模块化特性允许探索新的配方和辅助工具。特别是，最近提出的联合估计深度和姿势的学习方法和3D配准与我们的工作高度相关，并为DI估计和全局地图管理模块之间的更紧密耦合提供了研究途径。
参考文献
[1] Z. Min, Y. Yang, and E. Dunn, “Voldor: Visual odometry from loglogistic dense optical flow residuals,” in Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition, 2020, pp.4898–4909.
注：论文可在知识星球中下载:https://t.zsxq.com/bemeEaQ