RGB-D dense SLAM with keyframe-based method

RGB-D dense SLAM with keyframe-based method

    目前，基于特征的视觉SLAM方法趋于成熟阶段。基于特征的视觉SLAM系统通常在不产生稠密表面的情况下计算相机位姿，而稠密SLAM系统同时输出相机位姿以及重建区域的稠密表面。本文结合了基于特征的视觉SLAM和稠密SLAM的两者的优势，基于ORB-SLAM2及ElasticFusion，提出了一种新的RGB-D稠密SLAM系统。

    系统框图：

    系统流程描述：

    （1）通过最小化重投影误差和稠密几何误差的组合来计算相机位姿，在g2o中构造了一种新的边，在图的优化中加入了用稠密几何误差建立的额外约束，利用GPU将代价函数从粗到细地最小化，有助于提高系统帧率，促进相机机大幅度运动的收敛。

    （2）利用surfel模型对RGB-D流进行融合，实时生成稠密表面模型，生成稠密表面，为用户提供扫描表面的反馈信息。在系统进行必要的图优化和BA后，用嵌入的变形图更新稠密模型中的曲面，使其与优化后的相机位姿保持一致。

    （3）当用户结束重建时，通过将流与优化后的相机位姿重新合并，获得更好的三维模型。

1. Tracking

    重投影误差（The reprojection error）：

    几何误差（point-to-plane distance errors）：

    在单位矩阵旁线性化几何误差：

    总的代价函数：

2. Loop Closing

    和ORB-SLAM2一样，使用DBoW2来检测回环候选关键帧。当找到回环时，执行本质图优化和全局的BA。为了与更新后的相机位姿和特征位置保持一致，使用变形图更新生成的稠密表面中面元的位置和法线。

3. Dense Mapping

    和ElasticFusion一样，使用surfel模型表示曲面。每个surfel存储位置、法线、颜色、半径和时间戳信息。

4. 实验结果

    数据集：TUM RGB-D benchmark datasets、ICL-NUIM
benchmark datasets

    评估：absolute trajectory error (ATE)

    the accuracy of camera tracking：

    the reconstruction surface accuracy：

5. 展望

    将IMU测量集成到系统中。