【SLAM论文笔记】PL-EVIO笔记(上)

摘要

总体框架:基于关键帧的图优化。约束因子:事件相机的电线特征残差、传统相机的点特征残差、IMU预积分。

介绍

事件相机只敏感动态变化,记录像素变化信息;类似于青蛙视觉。具有微秒级低时延、高对比度、无运动模糊。

线特征能充分利用人造环境、建筑物的特征,与点特征一起能提升VSLAM、VIO等的鲁棒性。

事件相机与传统相机优势互补,前者善于从高速机动过程提取特征,而在准静态观测能力降低。

相关技术

  • 基于事件相机的表达、特征提取
    事件相机数据是异步的,作者总结了一些方法以实现与传统图像结合。
  1. 直接处理事件流。
  2. 结合图像或者用深度学习生成图像。
  3. 运动补偿事件图像,或者边缘图像。
  4. Time Surface or Surface of Active Event。像素坐标x,时刻t,最近事件的时刻 t l a s t ( x ) t_{last(x)} tlast(x)。

T ( x , t ) = exp ⁡ ( − t − t l a s t ( x ) η ) T(x,t)=\exp (-\frac{t-t_{last(x)}}{\eta}) T(x,t)=exp(−ηt−tlast(x))

  • 基于事件相机的运动估计。
    第一个基于事件相机的VO、SLAM系统:平面运动、构建天花板地图,仍依靠了传统相机。SLAM for event cameras in real time, Event-based visual odomery。
    第一个完全基于事件相机的VO。
    EVIO
    作者经常提及参考方法不能实时处理更高的分辨率事件相机,一方面是当时的设计与客观条件决定的,另一方面是工程优化问题。

核心方法

  • 前端:用归一化的TS表达,以额外的事件特征(event-corner)提取BRIEF描述子基于Hamming距离匹配实现闭环检测。用极化的TS表达完成点线特征追踪。
    TS的表达式的两种类型:
  1. 极化的, T x , t = p ⋅ e x p ( − t − t l a s t ( x ) η ) T_{x,t}=p\cdot exp(-\frac{t-t_{last_{(x)}}}{\eta}) Tx,t=p⋅exp(−ηt−tlast(x))
  2. 归一化的, T_{np(x,t)}=255\\cdot\\frac{T-T_{min}}{T_{max}-T_{min}}
  • 后端:紧耦合前端特征与IMU预积分估计位姿、闭环。
  • 实时递推,通过IMU递推高速率输出。
  • 关键帧的确定。1. 事件特征的平均视差>10;2. 事件特征个数<20。
  • 初始化,采用VINS方式,SfM与惯性松耦合;若有图像输入,则使用图像特征初始化。
  • 运动补偿,只用IMU实现。如何应用公式(3)?
  • 使用LK光流追踪已存在的事件特征,从上一帧特征 F e F_e Fe追踪到当前帧的特征 F e ′ F^\prime_e Fe′,从当前帧反追踪到上一帧F\^{\\prime\\prime}_e ,判断上一帧的两个特征的距离,小于1pixel则追踪成功;删除未成功跟踪的点;当跟踪的特征低于阈值100-250,增加新事件特征,基于Arc*算法。
  • 线特征的提取与匹配。修改OpenCV中的LSD算法,剔除较短的线特征,阈值 L m i n = 0.125 ⋅ m i n ( W , H ) L_{min}=0.125\cdot min(W,H) Lmin=0.125⋅min(W,H),使用LBD做匹配,匹配结果的提纯:距离、端点、夹角。
  • 滑窗优化,类似VINS的后端,增加了线特征的状态,相应地,线特征观测残差。

感兴趣的参考:

An efficient and robust line segment matching approach based on LBD descriptor and pairwise geometric consistency

相关推荐
BB_CC_DD20 分钟前
四. 以Annoy算法建树的方式聚类清洗图像数据集,一次建树,无限次聚类搜索,提升聚类搜索效率。(附完整代码)
深度学习·算法·聚类
Blossom.1181 小时前
人工智能在智能家居中的应用与发展
人工智能·深度学习·机器学习·智能家居·vr·虚拟现实·多模态融合
HyperAI超神经2 小时前
12个HPC教程汇总!从入门到实战,覆盖分子模拟/材料计算/生物信息分析等多个领域
图像处理·人工智能·深度学习·生物信息·分子模拟·材料计算·vasp
进来有惊喜2 小时前
深度学习:迁移学习
python·深度学习
豆芽8193 小时前
图解YOLO(You Only Look Once)目标检测(v1-v5)
人工智能·深度学习·学习·yolo·目标检测·计算机视觉
北上ing3 小时前
从FP32到BF16,再到混合精度的全景解析
人工智能·pytorch·深度学习·计算机视觉·stable diffusion
蔗理苦3 小时前
2025-04-24 Python&深度学习4—— 计算图与动态图机制
开发语言·pytorch·python·深度学习·计算图
m0_678693333 小时前
深度学习笔记22-RNN心脏病预测(Tensorflow)
笔记·rnn·深度学习
Y1nhl9 小时前
搜广推校招面经八十一
开发语言·人工智能·pytorch·深度学习·机器学习·推荐算法·搜索算法
鸿蒙布道师13 小时前
OpenAI为何觊觎Chrome?AI时代浏览器争夺战背后的深层逻辑
前端·人工智能·chrome·深度学习·opencv·自然语言处理·chatgpt