【泡泡一分钟】VIP-SLAM：一种高效的紧耦合RGB-D视觉惯性平面SLAM

每天一分钟，带你读遍机器人顶级会议文章

标题：VIP-SLAM: An Effificient Tightly-Coupled RGB-D Visual Inertial Planar SLAM

作 者：Danpeng Chen, Shuai Wang, Weijian Xie, Shangjin Zhai, Nan Wang, Hujun Bao, Guofeng Zhang

来源：2022 IEEE International Conference on Robotics and Automation (ICRA)

编译：罗行健

审核：Zoe，王靖淇

这是泡泡一分钟推送的第 980 篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

在本文中，我们提出了一个融合了RGB、深度、IMU和结构平面信息的紧耦合SLAM系统。传统的基于稀疏点的SLAM系统总是保持大量的地图点来建模环境。大量的地图点给我们带来了很高的计算复杂性，使其难以部署在移动设备上。另一方面，平面是人造环境中常见的结构，特别是在室内环境中。我们通常可以使用少量的平面来表示一个大的场景。因此，本文的主要目的是降低基于稀疏点的SLAM的高复杂性。我们建立了一个由几个平面和地图点组成的轻量级后端建图，以实现具有相同或更好精度的高效捆集调整（BA）。在优化过程中，利用单应性约束消除了多个平面点的参数，降低了BA的复杂性。对单应性约束和点到平面约束中的参数和测量值进行分离，并对测量部分进行压缩，进一步有效地提高BA的速度。我们还将平面信息集成到整个系统中，以实现鲁棒的平面特征提取、数据关联和全局一致的平面重建。最后，我们进行了消融实验，并将我们的方法与模拟和真实环境数据中的类似方法进行了比较。我们的系统在精度和效率方面具有明显的优势。即使优化涉及平面参数，我们也利用平面结构有效地简化后端建图。全局捆集调整（BA）比基于稀疏点的SLAM算法快接近2倍。

• 我们首先提出了一个完整的紧耦合的多传感器融合SLAM系统，以融合RGB、深度、IMU和结构化平面信息。将所有信息集成到一个统一的非线性优化框架中，共同优化关键帧姿态、IMU状态、点和平面的参数；

• 我们引入平面信息来减少地图点的数量，加快BA的优化。我们使用单应性去除优化过程中该点的状态，并将多个约束同时压缩为一个约束。这些措施减少了优化时间，图4(a)和图4(b)显示了这个过程；

• 将平面信息集成到整个SLAM系统中，实现高精度跟踪。我们使用纯几何单帧点到平面约束来提高无纹理场景平面估计的精度和稳定性。此外，我们将平面点的重投影转换为单应性约束，以建立多帧与平面之间的关系，以进一步纠正漂移。

图1. 02序列的轨迹和重建平面。左上角是深度图像，左下角是RGB图像。右图：灰色区域为水平面。粉色、绿色和蓝色的区域是不同的垂直平面。黑色、粉色和黄色的轨迹是地面真值，我们的VIP-SLAM和正常的VI-SLAM。

图2.提出算法系统的框架。

图3.平面检测：(a)2D网格。(b)3D网格，其中红色和蓝色区域分别表示水平网格和垂直网格。(c)垂直平面为黄色，水平平面为灰色。

图4.我们的优化问题。(a)和(b)是压缩单应性约束前后的因子图。(c)是我们的全局BA问题。

表1.无/有回环检测方法的ATE RMSE(cm)

表2.无/有回环检测方法的ATE RMSE(cm)

表3.针对不同变体算法的GBA的耗时和相应精度

图5.我们算法变体的GBA时间。

Abstract

In this paper, we propose a tightly-coupled SLAM system fused with RGB, Depth, IMU and structured plane information. Traditional sparse points based SLAM systems always maintain a mass of map points to model the environment. Huge number of map points bring us a high computational complexity, making it diffificult to be deployed on mobile devices. On the other hand, planes are common structures in man-made environment especially in indoor environments. We usually can use a small number of planes to represent a large scene. So the main purpose of this article is to decrease the high complexity of sparse points based SLAM. We build a lightweight backend map which consists of a few planes and map points to achieve effificient bundle adjustment (BA) with an equal or better accuracy. We use homography constraints to eliminate the parameters of numerous plane points in the optimization and reduce the complexity of BA. We separate the parameters and measurements in homography and point-to-plane constraints and compress the measurements part to further effectively improve the speed of BA. We also integrate the plane information into the whole system to realize robust planar feature extraction, data association, and global consistent planar reconstruction. Finally, we perform an ablation study and compare our method with similar methods in simulation and real environment data. Our system achieves obvious advantages in accuracy and effificiency. Even if the plane parameters are involved in the optimization, we effectively simplify the back-end map by using planar structures. The global bundle adjustment is nearly 2 times faster than the sparse points based SLAM algorithm.

如果你对本文感兴趣，请点击点击阅读原文下载完整文章，如想查看更多文章请关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

百度网盘提取码：52x8

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/bbs/

商业合作及转载请联系[email protected]

商业合作及转载请联系[email protected]