Paper reading 3 LSD-SLAM: Large-Scale Direct Monocular SLAM

标题:LSD-SLAM:基于直接法的大范围单目即时定位和地图构建方法

类似于特征点法中的ORB-SLAM,单目直接法的是LSD-SLAM.

核心贡献是:将直接法应用到了半稠密的单目SLAM中,不需要计算特征点,还能构建半稠密的地图(梯度明显的像素位置)

缺点是:对相机内参和曝光非常敏感,且相机快速运动时容易丢失;回环检测部分,仍然使用特征点法,不能摆脱特征点。

Paper reading 3 LSD-SLAM: Large-Scale Direct Monocular SLAM_第1张图片

摘要:

本文提出一种基于直接法单目SLAM算法,和现有直接法相比,能够创建大尺度,全局一致性的环境地图。

除了基于直接匹配图像得出的高精度位姿估计,还能够将3D地图环境实时重构为关键帧位姿图和对应的半稠密的深度图。通过大量像素点对之间的基线立体匹配结果滤波后得到,

提出计算尺度飘移的公式,即时在大范围移动的挑战场景下也能实现。

 

引言:

单目SLAM相机挑战:

1、尺度不确定性,场景的尺度随着时间漂移。但是可以对不同规模大小环境空间切换

2、深度或立体视觉相机提供的深度信息是有限的,所以不如单目相机尺度灵活性好

主要贡献:

1、提出一种基于(相似变换空间对应的李代数)sim3的直接跟踪方法,很明确的检测尺度飘移

2、使用一种概率方法,对图像跟踪过程中,处理噪声对深度图像信息的影响。

算法流程:

Paper reading 3 LSD-SLAM: Large-Scale Direct Monocular SLAM_第2张图片

 算法分为三部分:图像跟踪,深度图优化、地图优化。

  • 图像跟踪:估算参考关键帧和新图像帧之间刚体变换se3;
  • 深度图估计:深度更新是基于像素小基线立体配准的滤波方式,同时耦合对深度地图的正则化。
  • 地图优化:一旦关键帧被当前图像替代,它的深度信息将不会被进一步优化,而是通过地图优化模块插入到全局地图中。

实验结果:

你可能感兴趣的:(paper,reading)