在SLAM系統(tǒng)中增加更多的相機可以提高魯棒性和準確性，但會使視覺前端的設計變得非常復雜。因此，文獻中的大多數(shù)系統(tǒng)是為特定的相機配置定制的。在這項工作中，我們的目標是一個適用于任意多相機設置的自適應SLAM系統(tǒng)。為此，我們重溫了可視化SLAM中的幾個常見構建塊。特別是，我們提出了一個自適應初始化方案，一個傳感器無關的信息論的關鍵幀選擇算法，和一個可擴展的基于體素的地圖。這些技術對實際的相機設置做了很少的假設，并且更喜歡基于理論的方法而不是啟發(fā)式方法。通過這些修改，我們采用了最先進的視覺里程計，實驗結果表明，修改后的流水線可以適應各種各樣的攝像機設置(例如，一個實驗中有2到6個攝像機)，而不需要傳感器特定的修改或調整。

貢獻

自適應初始化方案。

與傳感器無關的信息論關鍵幀選擇算法。

可擴展的基于體素的地圖管理方法。

多相機系統(tǒng)在感知算法方面實現(xiàn)了卓越的性能，并被廣泛應用于現(xiàn)實世界的應用中，如全向測繪、自主無人機和虛擬現(xiàn)實耳機。為了便于在SLAM中使用這種系統(tǒng)，我們提出了幾個通用設計來自動適應任意多相機系統(tǒng)。

圖2 兩個攝像機之間立體重疊檢查的圖示，Ci和Cj。藍星是相機I像面上的采樣點，綠星是成功投影到相機j的3D點，紅星是從像面上掉下來的點。

圖3 EuRoC MH 01中3次運行的負熵演化。每次運行的E(T)以不同的顏色顯示，紅點表示某幀被選為關鍵幀的位置。插入關鍵幀后，E(T)增加，隨著傳感器遠離地圖，e(T)減少。

圖4 運行平均E(T)和關鍵幀選擇。運行平均過濾器(黃色)跟蹤自最后一個關鍵幀以來的定位質量。當當前幀的負熵(藍色)低于運行平均值的某個百分比(綠色虛線)時，將選擇一個新的關鍵幀(紅點)，并重置運行平均值過濾器。

圖5 模擬環(huán)境中的模擬圖8軌跡。該軌跡是通過用5個攝像機運行調整后的VIO管道來估計的。單目設置丟失軌跡的部分用紅色標記。品紅色點是SLAM系統(tǒng)跟蹤的地標。

圖6 5次運行模擬中的總體相對平移誤差。

圖7 針對不同的相機配置(2到5個攝像機)，將建議的體素圖與標準關鍵幀進行比較。左:VIO前端總時間。中間:從地圖中檢索匹配的地標。右側:指向地標位置的引用/指針的數(shù)量。

圖8 含BA的EuRoC數(shù)據(jù)集的相對平移誤差百分比。

表1 EuRoC數(shù)據(jù)集的RMSE中值(米)超過5次。以粗體突出顯示的最低誤差。

表2 EuRoC序列中5次運行的關鍵幀平均數(shù)。

圖3 單目和立體設置的不同關鍵幀選擇標準的關鍵幀平均數(shù)。

表4科學園日序列中多相機管道的不同軌跡誤差度量。第一行包含完整軌跡的絕對RMSE(547.488米)

圖9 科學園日序列中FRB配置的估計軌跡和基本軌跡的俯視圖。

原文標題：任意多相機系統(tǒng)的SLAM重設計

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq