導(dǎo)讀

視覺傳感器體積小重量輕、價(jià)格相對低廉，同時(shí)能夠提供豐富的信息供定位、感知等算法模塊使用，因此在機(jī)器人和自動(dòng)駕駛系統(tǒng)中的得到了廣泛應(yīng)用。作為視覺定位系統(tǒng)的重要組成部分，基于視覺傳感器的同時(shí)定位和建圖算法（SLAM）應(yīng)用廣泛，在學(xué)術(shù)界和工業(yè)界都得到了很多關(guān)注。具體來說，在自動(dòng)駕駛系統(tǒng)中，視覺SLAM可以在地圖不可靠、GPS不穩(wěn)定情況下（例如城區(qū)輔助駕駛）提供可靠的位姿估計(jì)和周圍環(huán)境信息。同時(shí)，相對于激光雷達(dá)等傳感器，相機(jī)價(jià)格較低，配合視覺定位和感知算法，可以以低成本實(shí)現(xiàn)智能駕駛功能。

但是，視覺SLAM系統(tǒng)經(jīng)常被人詬病的一點(diǎn)是魯棒性?；谝曈X的位姿估計(jì)的基本原理是追蹤匹配圖像中明顯的視覺特征，因此過曝、弱紋理、運(yùn)動(dòng)模糊等問題一直是視覺SLAM系統(tǒng)實(shí)際應(yīng)用中的痛點(diǎn)。在研究和工程實(shí)踐中，多傳感融合、相機(jī)參數(shù)控制等手段都可以用來提高視覺SLAM系統(tǒng)的魯棒性；另一方面，目前的自動(dòng)駕駛系統(tǒng)往往都配備了多個(gè)相機(jī)形成環(huán)視視覺系統(tǒng)，而合理利用多相機(jī)系統(tǒng)可以很大程度上提升SLAM系統(tǒng)的性能，因此本文將著重介紹在多相機(jī)SLAM系統(tǒng)的原理、和一般單目/雙目系統(tǒng)的區(qū)別及其在自動(dòng)駕駛系統(tǒng)中的應(yīng)用。

一、從單相機(jī)到多相機(jī)的拓展

自2004年視覺里程計(jì)技術(shù)被正式提出以來，視覺SLAM技術(shù)經(jīng)過長期發(fā)展，其基礎(chǔ)理論已經(jīng)相對完善（如立體幾何、非線性優(yōu)化和濾波等）。在工程實(shí)踐方面，研究者也總結(jié)出一套相對通用的系統(tǒng)框架：粗略來說，視覺SLAM系統(tǒng)通常被劃分為前端和后端，其中前端負(fù)責(zé)建立不同時(shí)刻圖像之間的匹配關(guān)系并進(jìn)行局部估計(jì)，保證系統(tǒng)的實(shí)時(shí)位姿輸出，后端則負(fù)責(zé)在相對大范圍內(nèi)進(jìn)行優(yōu)化，保證系統(tǒng)的精度和全局地圖一致性。從具體系統(tǒng)實(shí)現(xiàn)上來說，大部分工作都是針對單目或者雙目相機(jī)進(jìn)行的，因此我們最熟悉的一些技術(shù)實(shí)踐不可避免是針對這兩種相機(jī)配置進(jìn)行設(shè)計(jì)的。

將單目/雙目SLAM系統(tǒng)拓展到多相機(jī)SLAM系統(tǒng)時(shí)，前端-后端的系統(tǒng)框架一般可以沿用，但是需要對原有針對單目/雙目的具體算法模塊進(jìn)行改進(jìn)，使其適用于多相機(jī)配置，下面以MultiCol-SLAM為例進(jìn)行說明。MultiCol-SLAM基于ORB-SLAM設(shè)計(jì)了多相機(jī)SLAM，在基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)上將關(guān)鍵幀Keyframe的概念拓展到Multi-Keyframe（MKF），即不同相機(jī)在同一時(shí)刻觀測的集合：

MultiCol-SLAM中的多相機(jī)

因此這里我們關(guān)注的不再是某個(gè)相機(jī)的位姿，而是圖中body-frame的位姿，多個(gè)相機(jī)的觀測都可以為估計(jì)body-frame的位姿服務(wù)。其他算法模塊也需要針對MKF進(jìn)行適配，首先需要通過非線性優(yōu)化求解位姿的模塊（例如Tracking中相對局部地圖的定位、局部Bundle Adjustment）需要將body-frame的位姿作為求解變量并更改相應(yīng)的cost，其次，一些常用的位姿求解器需要替換為支持多相機(jī)的版本，例如在重定位中使用Generalized P3P和PnP算法替代EPnP求解位姿初值。

從單相機(jī)絕對位姿估計(jì)（左）到多相機(jī)絕對位姿估計(jì)（右），其中f代表視覺觀測。圖取自O(shè)penGV文檔。

從MultiCol-SLAM的例子可以看出，將適用于單目/雙目的SLAM系統(tǒng)拓展到多目整體來看是比較自然的：需要估計(jì)的位姿不再和相機(jī)綁定而是通過外參關(guān)聯(lián)到多個(gè)相機(jī)，相應(yīng)的算法模塊也都可以比較容易地拓展到多相機(jī)系統(tǒng)。更一般地，從SLAM理論基礎(chǔ)的角度來說，非線性優(yōu)化和濾波的理論和工具相當(dāng)靈活，可以方便地根據(jù)多相機(jī)配置進(jìn)行適配，同時(shí)，針對多相機(jī)的幾何視覺研究也相對成熟，常見的位姿求解問題基本都可以找到相應(yīng)的工具。

但是，如果我們不僅僅滿足于讓多相機(jī)SLAM系統(tǒng)“跑起來”，而是想要實(shí)現(xiàn)一個(gè)魯棒、泛用的多相機(jī)SLAM系統(tǒng)，就需要進(jìn)一步考慮各個(gè)模塊中引入多相機(jī)所帶來的額外問題，而這些問題往往會(huì)對系統(tǒng)的整體性能有明顯影響。下面對多目SLAM系統(tǒng)中的幾個(gè)難點(diǎn)進(jìn)行說明。

二、多相機(jī)SLAM中的難點(diǎn)

初始化

視覺SLAM初始化的目的是建立初始的3D點(diǎn)地圖用于后續(xù)跟蹤，直接影響SLAM系統(tǒng)的精度指標(biāo)。對于單目和雙目系統(tǒng)，分別通過5點(diǎn)法/planar homography和雙目三角化進(jìn)行初始化已經(jīng)成為事實(shí)上的標(biāo)準(zhǔn)方法。但是，對于多目相機(jī)，由于相機(jī)的配置不確定，一套通用的初始化方法應(yīng)當(dāng)如何設(shè)計(jì)仍不明確。顯然，相機(jī)的具體配置，尤其是相機(jī)之間是否有overlap，決定了合適的初始化流程。MultiCol-SLAM對多相機(jī)組中的每個(gè)相機(jī)都計(jì)算相對位姿、從中選擇質(zhì)量最好的一組得到粗略的3D點(diǎn)，再將這些3D點(diǎn)投影到其他相機(jī)中并利用所有觀測進(jìn)行聯(lián)合優(yōu)化，這種方法只適用于相機(jī)之間有overlap的情況。也有一些工作嘗試通過分析相機(jī)之間的overlap情況來決定初始化的策略，可以對不同的多相機(jī)配置實(shí)現(xiàn)一定程度上的自適應(yīng)，但是整體來說，通用魯棒的多目相機(jī)初始化仍是一個(gè)開放的問題。

在線外參估計(jì)

和多傳感融合算法一樣，多相機(jī)SLAM算法也需要精確的相機(jī)間外參才能正常工作。離線標(biāo)定雖然可以得到十分精確的結(jié)果，但是在系統(tǒng)運(yùn)行過程中由于碰撞、震動(dòng)等不可避免會(huì)出現(xiàn)外參的變化，尤其是對自動(dòng)駕駛汽車來說，由于相機(jī)之間距離較大，外參甚至可能隨著車體運(yùn)動(dòng)、負(fù)載狀況的不同發(fā)生變化，因此系統(tǒng)在正常運(yùn)行環(huán)境中（不依賴標(biāo)定設(shè)備）對相機(jī)外參進(jìn)行標(biāo)定的能力比較重要，學(xué)界對此也有很多研究工作。一類工作是利用多個(gè)相機(jī)（單目或者雙目組合）單獨(dú)運(yùn)行SLAM/SfM算法，再對不同相機(jī)的地圖進(jìn)行匹配融合，最后再通過聯(lián)合優(yōu)化得到外參；另一類工作是利用SLAM本身已有的非線性濾波或優(yōu)化求解過程，將外參作為額外待估參數(shù)加入求解器進(jìn)行估計(jì)，可以實(shí)時(shí)估計(jì)外參變化（激勵(lì)充分時(shí)），例如有的提出一種MSCKF框架下的多相機(jī)、多IMU視覺慣性里程計(jì)，實(shí)現(xiàn)了對相機(jī)和IMU外參的在線估計(jì)；而針對自動(dòng)駕駛平臺上的多相機(jī)系統(tǒng)，也有人將相機(jī)之間的外參加入視覺SLAM的局部BA中進(jìn)行估計(jì)。

原理上來說，上述方法和構(gòu)建一般的狀態(tài)估計(jì)問題差異不大，但是相較于離線標(biāo)定問題，在線標(biāo)定受限于系統(tǒng)的運(yùn)行狀況，需要額外注意當(dāng)前數(shù)據(jù)是否足以準(zhǔn)確估計(jì)外參（即系統(tǒng)是否有足夠的激勵(lì)，相應(yīng)待估參數(shù)是否可觀）。相關(guān)地，也有工作從數(shù)據(jù)的角度出發(fā)，自動(dòng)選擇信息量更大的數(shù)據(jù)對多相機(jī)外參進(jìn)行估計(jì)。

特征選擇

多個(gè)相機(jī)帶來更多的觀測數(shù)據(jù)，理論上來說總能帶來更好的定位建圖結(jié)果，但是也帶來了更大的計(jì)算量。因此實(shí)際中經(jīng)常需要面對的問題是，如何對丟棄一定的觀測以減小計(jì)算量，同時(shí)對定位精度有較小的影響？啟發(fā)式的方法可以起到一定的效果（例如視覺SLAM中經(jīng)常用到的特征在圖像上平均分布的技巧），但是往往不是最優(yōu)的。因此一些研究工作提出了基于信息論的方法，粗略來說，是以一種數(shù)學(xué)上更嚴(yán)格的方法衡量丟棄觀測后對系統(tǒng)的影響，例如利用Hessian矩陣的信息度量對多個(gè)相機(jī)中的特征進(jìn)行選擇，或者通過對特征分布的合理假設(shè)，簡化Hessian矩陣的計(jì)算和多個(gè)相機(jī)的特征選擇問題。本質(zhì)上來說，特征選擇是一種在盡量不影響求解結(jié)果的約束下，通過更改問題結(jié)構(gòu)減小計(jì)算量的方法，這一方向的研究工作仍處于SLAM后端優(yōu)化的研究前沿。

HUIXI TECH

三、多相機(jī)SLAM在自動(dòng)駕駛中的應(yīng)用

自動(dòng)駕駛平臺上的多個(gè)相機(jī)往往覆蓋車身周圍360°的視角，能夠利用全方向的視覺信息，因此如果能夠充分利用這些相機(jī)，多相機(jī)視覺SLAM系統(tǒng)可以實(shí)現(xiàn)不同外部條件下魯棒準(zhǔn)確的位姿估計(jì)。在論文“Towards Robust Visual Odometry with a Multi-Camera System”中，作者設(shè)計(jì)了一種基于光度一致性的多目視覺SLAM系統(tǒng)，在配備有前、后、左、右四組雙目相機(jī)的平臺上進(jìn)行測試，結(jié)果表明，如果能夠利用全部四組雙目相機(jī)，系統(tǒng)可以在不同光照條件下（白天、夜晚）穩(wěn)定地工作，并保持較高的位姿估計(jì)精度?！癛OVO: Robust Omnidirectional Visual Odometry for Wide-baseline Wide-FOV Camera Systems”一文則針對包含4個(gè)魚眼相機(jī)的環(huán)視系統(tǒng)設(shè)計(jì)了基于特征點(diǎn)的視覺SLAM系統(tǒng)，實(shí)驗(yàn)結(jié)果表明在多相機(jī)SLAM系統(tǒng)中加入在線外參估計(jì)對系統(tǒng)性能有明顯提升。

H. Seok and J. Lim, IROS 2018中的傳感器配置和SLAM效果

在自動(dòng)駕駛平臺上應(yīng)用多相機(jī)SLAM系統(tǒng)同時(shí)也需要考慮自動(dòng)駕駛汽車的特性。例如，自動(dòng)駕駛汽車的運(yùn)動(dòng)自由度有限，并存在大量速度變化不大情況，這對某些參數(shù)的在線標(biāo)定有一定影響，這一點(diǎn)在結(jié)合IMU搭建SLAM系統(tǒng)的時(shí)候需要尤其注意。另一方面，也可以利用車輛特有的性質(zhì)減小狀態(tài)估計(jì)的難度，例如通過離線實(shí)驗(yàn)識別出相機(jī)外參變化的可能模式（由具體相機(jī)安裝方式?jīng)Q定），隨后在在線外參標(biāo)定中將這些模式作為約束，提高了在線標(biāo)定的效率和精度，又如車道線作為結(jié)構(gòu)性很強(qiáng)的特征，可以作為外參在線標(biāo)定的重要線索。

自動(dòng)駕駛平臺上的感知系統(tǒng)往往也充分利用了多相機(jī)系統(tǒng)，可以提供豐富的語義信息，例如車道線和分割結(jié)果等，這些信息和傳統(tǒng)視覺特征互為補(bǔ)充，可以作為多相機(jī)SLAM系統(tǒng)的重要輸入。例如有的利用IPM圖上提取的車道線信息構(gòu)建地下車庫的地圖，為自動(dòng)泊車提供定位功能，或者利用環(huán)視相機(jī)生成BEV視角下的分割結(jié)果，直接將該結(jié)果作為SLAM系統(tǒng)的輸入，實(shí)現(xiàn)相鄰幀的位姿估計(jì)和回環(huán)檢測等功能。另外，特斯拉在AI Day 2022上也提到，在FSD中集成了多目視覺-慣性-輪速里程計(jì)，利用了神經(jīng)網(wǎng)絡(luò)輸出的多種結(jié)果（特征、全景分割、地面等），實(shí)現(xiàn)了100Hz、漂移率在1%左右的位姿估計(jì)，該里程計(jì)輸出的位姿和3D結(jié)構(gòu)為下游自標(biāo)注系統(tǒng)提供了輸入。

Tesla AI Day 2022展示的多目視覺慣性里程計(jì)

四、總結(jié)

在視覺SLAM系統(tǒng)中引入多相機(jī)可以有效提高系統(tǒng)的魯棒性和精度，具體到自動(dòng)駕駛汽車，環(huán)視相機(jī)系統(tǒng)可以利用全方向的視覺信息，為視覺SLAM系統(tǒng)提供了很好的傳感器配置。從具體算法來說，雖然視覺SLAM的理論基礎(chǔ)相對成熟，但是實(shí)現(xiàn)一套效果優(yōu)秀的多相機(jī)SLAM系統(tǒng)仍需要解決若干痛點(diǎn)，例如外參自標(biāo)定、如何平衡計(jì)算量和精度等，這里既有工程上的挑戰(zhàn)，也有待研究的問題。另外，自動(dòng)駕駛汽車感知系統(tǒng)提供的語義信息可以作為多相機(jī)視覺SLAM系統(tǒng)的重要輸入，如何將神經(jīng)網(wǎng)絡(luò)輸入的語義信息和傳統(tǒng)的非線性優(yōu)化濾波有效結(jié)合（例如如何衡量語義輸出的幾何不確定度）仍是一個(gè)開放的問題。

審核編輯：劉清