vitamin 【泡泡图灵智库】VITAMIN-E:极密集特征点的视觉跟踪和建图（CVPR）

泡泡图灵智库，带你精读机器人顶级会议文章

标题:维生素E:视觉跟踪和极密集的特征点映射

汇编:万

欢迎个人转发朋友圈；如果其他机构或自媒体需要转载，在后台留言申请授权

抽象的

大家好，今天带给大家的文章是《维生素e:特征点极其密集的视觉跟踪与制图》，发表于《CVPR 2019》。

本文提出了一种新的间接单目SLAM算法“维生素E”，该算法跟踪非常密集的特征点，具有较高的准确性和鲁棒性。典型的间接方法很难重建密集的几何图形，因为它们需要仔细选择特征点来实现精确匹配。与传统方法不同，该方法通过跟踪优势流估计得到的局部曲率极值来处理大量特征点。由于这可能导致波束调整过程中的高计算成本，我们提出了一种新的优化技术“子空间高斯-牛顿法”，通过部分更新变量可以显著提高波束调整的计算效率。同时，我们从重建的点生成网格，并将它们合并到整个三维模型中。在SLAM基准数据集EuroC上的实验结果表明，该方法在轨迹估计的准确性和鲁棒性方面优于DSO、ORB-SLAM和LSDSLAM等SLAM方法。该方法只需一个CPU，就可以从密集的特征点实时生成非常详细的三维几何图形。

主要贡献

1.提出了一种基于主流估计和曲率极值跟踪的密集特征点跟踪算法。

这使得维生素E能够处理大量的特征点；然而，同时维护这些特征点的需要可能导致高计算成本。

2.我们还介绍了一种新的优化方法，即亚[/k0/]高斯-牛顿法，用于光束调整。优化技术通过部分更新变量来提高光束调整的效率。

3.维生素E从重建的特征点生成网格，并将其与截断的有符号距离函数(TSDF)相结合。与传统的间接方法和最先进的直接方法相比，维生素E只需一个CPU就能实时提供非常详细的三维几何图形。

算法流程

1.总体结构描述

但在每帧保持数千个特征点的情况下，就像维生素E中的密集极值跟踪一样，矩阵H的大小基本不够小，因为变量消去只适用于与当前帧无关的旧变量，以达到稳定。此外，舒尔补矩阵的大小与特征点的数量成正比。因此，在H尺寸为10万× 10万以上的几万个点进行波束调整的计算成本太高，无法实时进行波束调整。

为了解决H尺寸的爆炸问题，我们提出了一种新的优化技术——亚[/k0/]内高斯-牛顿法。

3.密集重建

由于密集的极值跟踪和前一章描述的亚[/k0/]高斯-牛顿法，维生素E实时生成大量精确的3D点。这不仅生成点云，而且重构密集的几何图形，这是传统间接方法无法实现的。

1.在具有挑战性的环境中与其他算法进行比较

表1实验结果点成败、定位精度、定位成功率和初始化重试次数

泡泡机器人SLAM的原创内容是泡泡机器人的成员花了很大力气做出来的。希望大家珍惜我们的劳动成果。请注明来源于【泡泡机器人SLAM】微信微信官方账号，否则追究侵权！同时，我们也欢迎大家转载到自己的朋友圈，让更多的人进入SLAM领域，让我们一起为推动SLAM在中国的事业而努力！

如需业务合作和转载，请联系liufuqiang_robot@hotmail.com