对于RGB-D相机，视觉密集型下的SLAM算法（Dense Visual SLAM for RGB-D Cameras）

（1）密集型视觉下，实现RGB-D摄像机的SLAM，在本文中我们实现了对所有像素，最小化灰度和深度误差，对比与稀疏基于特征的方法，这使得我们能够更好的利用图片中的可用信息，获得更高的位姿精确度（相机的运动信息）。此外,我们提出一个基于熵的相似度测量关键帧选择和闭环检测。对于所有的匹配，我们通过优化使用g2o建立了一幅图。我们在广泛公开的数据集的基础上，评估我们的算法，发现在较低的场景文理和低结构下，表现良好，我们的方法显著降低了轨迹误差；

（2）许多机器人应用程序，比如导航和映射，需要对于移动摄像机精确和漂移位置的估计，以前的方法是基于视觉特征并结合束调整，或者位姿图优化。选择过程的要点是丢弃所获得图像的实质性部分，我们的目标是设计一种密集型的SLAM方法，更好的利用通过传感器获得的可用信息，实时运行，并且能够有效的消除漂移，通过全图最优化，矫正积累误差。

（3）通过帧到帧的匹配方法，实现的视觉测程法，会存在固有的漂移，最近几年，出现了密集跟踪和映射方法，这种方法的性能与基于特征方法的性能作比较，帧到模型的方法，比如。。共同估计的持久模型世界，它们也会积累漂移，仅工作在重建小型工作区，虽然这个问题也可以用更复杂的延迟成本函数，校准程序，一个更基本的方法是可取的。在本文中，我们扩展我们的密集的视觉测程法，通过几个重要的组件大大的减少了漂移，并且为全局最优映射铺平了道路，图1显示了优化轨迹，以及由此导致的一致性点云模型

（4）最近几天，提出了基于深度相机RGB-D的视觉密集型测程法。基于已有的技术，比如利用ICP算法，最小化3D点的几何误差.......（总结了前人的一些方法）........

 

                          实验结果

（3）基本思想就是在最小光度和深度误差下，从一系列拍摄所得到的图片流中，在不同的两点上，有不同的灰度图像和包含深度信息的图像，估计相机的移动状态g*,原理图

如下：

并且在光一致的条件下，在同一点在不同的图片中，对应的灰度信息应该是相等的，同样对于深度信息的测量，在起始图当给定一个点的深度信息，并且给出了这个点的运动轨迹g*之后，在终止图中，我们可以计算得到同一点的深度信息，理想情况下，我们根据g*估计出来的该点的深度信息与实际上改点的深度信息是相同的。

 

深度误差消除——ICP

灰度误差——条件概率（运动转移矩阵关于灰度误差的分布满足T分布，并且

动态的设置T分布的权重）

 

（3）新型的关键帧选取方法及基于熵的闭环检测方法

传统的选择关键帧的方法，在帧数增加的同时，会固有的积累偏移。为了消除这种偏移，我们采用关键帧基础上的位姿SLAM算法，为了限制在当前图片和关键帧图片之间的偏移，所采用的方法是——（当关键帧与当前帧足够接近的时候，我们可以认为当前图片和关键帧图片之间的偏移达到了足够小）当前帧与最近的关键帧之间的距离（用某个熵值来衡量）大于每一个阈值的时候，人为的插入关键帧，所以该方法的重点是，在什么时候插入关键帧

 

1.传统的方法：当相机的旋度信息以及相机的位置信息发生改变时，如果当前帧与关键帧的特征点数目小于阈值的时候，我们这时候会选择添加关键帧。（当然这里也有人采用当前帧与关键帧的灰度误差E，小于某一个值，将这个值作为阈值，并在此基础上添加关键帧）。

2.论文的方法：在采用灰度误差的基础上，定义了一个熵函数，该熵函数正比于In|E|.

对于以第K帧为关键帧的图片，我们计算：

如果大于某个阈值，我们将第k+j帧图片作为关键帧。

 

（3）采用熵的方法，我们也可以应用到闭环检测中，修改分母....即可...

 

 

 

 

 

本文总结：————————————1.如何减小两幅之间的灰度误差（新的概率分布方法）

 

———————————————— 2.如何减小两幅图之间的深度信息误差（ICP）

 

———————————————— 3.新的选取关键帧以及闭环检测的方法，这里引入了      一个熵的思想（关于灰度误差的熵函数）