CVPR2019丨VI-SLAM新方案SEVIS，精度高、漂移少，更节省算力！

计算机视觉领域顶级峰会之一的CVPR 2019即将于6月16-19日在美国洛杉矶举办，目前CVPR 2019的论文接受结果已经公布，共有1300篇论文被接受，囊括检测、分割、分类识别、跟踪导航、人脸检测、姿态估计等二十余个计算机视觉领域底层技术和前沿研究方向。其中《An Efficient Schmidt-EKF for 3D Visual-Inertial SLAM》介绍了一种新的视觉惯性SLAM算法方案，为我们提供了一种新思路。

SEVIS简介

《An Efficient Schmidt-EKF for 3DVisual-Inertial SLAM》作者为特拉华大学的Patrick Geneva、James Maley、Guoquan Huang，文章主要介绍了一种高效高精度的视觉惯性SLAM算法方案——Schmidt-EKF VI-SLAM（简称为：SEVIS），该方案通过IMU数据与视觉图像紧耦合来提供低误差的3D运动追踪，可为移动设备、可穿戴计算设备、微型飞行器（MAVs）提供厘米级导航定位应用。

方案亮点

SEVIS方案采用Schmidt-EKF（可扩展卡尔曼滤波器）筛选运动过程提取到的特征点，来降低计算量，达到节省算力的目的，为更多低算力平台提供长期稳定的实时同步估计与闭环检测。

提出了一种关键帧辅助2D到2D的匹配方案，减少了大量3D到2D的特征匹配，解决了2D视觉测量与3D地图特征匹配的特征关联问题，同时还保障了长期闭环和重定位的稳定性。

方案核心

作者团队通过对EKF-SLAM方案的改进，进而设计了SEVIS方案。

众所周知，EKF-SLAM中随着特征点的增加，计算量是成倍增长的，使得SLAM随着运行时间的增长，计算成本成倍增加，进而导致了它无法长期实时运行。为了解决这一问题，论文作者团队提出了一种用于VI-SLAM算法的新型Schmidt-EKF-SLAM，通过对获取到的数据做预处理，筛选可用特征点，从而降低计算量，达到适用更多低算力平台的目的。

VIO功能

对于那些滑动窗口之外不参与优化的特征点执行标准MSCKF更新，特别是对BA过程中计算jacobian Hf（见图下公式14），然后通过rk（见下图公式13）、Hf公式计算特征估计的残差。

SLAM特性

SEVIS方案对于SLAM原有的BA方式进行改良，使用Schmidt方式边缘化滑动窗口以外的点，节省算力。

地图特征

SEVIS方案在建图方面主要优化了两个方面，即：i）降低了特征点数增加和特征点匹配的计算量；ii）使用新的方式检测提取到的特征是否与已有特征匹配。

论文作者团队指出：采用线性的方式来进行边缘化，虽然会节省算力成本，但精度会有所牺牲；计算所有的特征点虽然可以得到精准稳定的效果，但计算量过大。

SEVIS方案通过采用稀疏点环境映射建图，在保持定位导航精准稳定漂移少的同时通过SKF更新提升计算效率。

关键帧辅助2D到2D匹配

作者团队提出了的一种2D到2D的关键帧辅助匹配方案，通过检索与当前帧相近的关键帧，对当前帧进行预处理，确保可以在当前帧与关键帧之间计算旋转关系，提取当前帧与关键帧的匹配特征，进而使当前帧的定位追踪与关键帧的地图功能相匹配，减少漂移误差，提升算法精准度。

结果验证

计算复杂性

实际测试结果

通过对基础VIO、完整VI-SLAM、SEVIS方案以及VINS Mono四种方案在一个跨度1.2KM的空间中导航定位的绝对轨迹错误（ATE）和相对错误（RE）对比，体现SEVIS的精度与计算效率。

具体结果如下：

结论

论文中提出了一种适用于SKF公式的高精度、高效率的SEVIS方案。该方案通过关键帧辅助实现当前测量的2D到2D的特征匹配，极大方便了地图信息的获取；通过实际测试证明，SEVIS方案在保持导航定位精准度的同时实现了降低算力的目的，值得我们参考借鉴。

论文链接：https://arxiv.org/abs/1903.08636
论文作者：Patrick Geneva、James Maley、Guoquan Huang，由INDEMIND翻译整理。