【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
程序员Linc18 分钟前
写给新人的深度学习扫盲贴:向量与矩阵
人工智能·深度学习·矩阵·向量
补三补四1 小时前
机器学习-聚类分析算法
人工智能·深度学习·算法·机器学习
荷包蛋蛋怪2 小时前
【北京化工大学】 神经网络与深度学习 实验6 MATAR图像分类
人工智能·深度学习·神经网络·opencv·机器学习·计算机视觉·分类
贤小二AI2 小时前
贤小二c#版Yolov5 yolov8 yolov10 yolov11自动标注工具 + 免python环境 GPU一键训练包
人工智能·深度学习·yolo
意.远2 小时前
在PyTorch中使用GPU加速:从基础操作到模型部署
人工智能·pytorch·python·深度学习
Uzuki8 小时前
AI可解释性 II | Saliency Maps-based 归因方法(Attribution)论文导读(持续更新)
深度学习·机器学习·可解释性
snowfoootball13 小时前
基于 Ollama DeepSeek、Dify RAG 和 Fay 框架的高考咨询 AI 交互系统项目方案
前端·人工智能·后端·python·深度学习·高考
odoo中国13 小时前
深度学习 Deep Learning 第15章 表示学习
人工智能·深度学习·学习·表示学习
橙色小博14 小时前
长短期记忆神经网络(LSTM)基础学习与实例:预测序列的未来
人工智能·python·深度学习·神经网络·lstm
船长@Quant14 小时前
PyTorch量化进阶教程:第六章 模型部署与生产化
pytorch·python·深度学习·transformer·量化交易·sklearn·ta-lib