（一）单目VSLAM特点介绍：
1、ORB-SLAM2
- 工作流程：
- 主要模块：
- 前端：ORB特征提取匹配，估计相机位姿；根据跟踪地图点数的减少选择关键帧；
- 后端：BA优化局部地图（关键帧和地图点），此处的局部地图是当前关键帧的Covisibility Graph（与当前关键帧有共视点的关键帧）；
- 回环检测：通过DBOW在关键帧序列中选出相似帧，计算Sim3（由于单目的尺度不确定导致尺度漂移，故采用相似变换将尺度优化也考虑进来）；检测出回环的地方进行点云地图融合，并优化Essential Graph（Covisibility Graph的Spanning Tree应该是MST）；
- 优点：
- 采用三线程结构，有非常好的跟踪和建图效果，能够保证轨迹与地图的全局一致性。
- 对特征点提取及匹配方案进行优化，如提取均匀分布特征点、循环优化减少Outlier，这使得ORB-SLAM的鲁棒性很高；
- 受车辆、行人等动态物体的影响大。
- 缺点：
- 基于特征点，每次跟踪位姿都要提取匹配特征点，较为耗时；
- 系统较为精细庞大，三线程结构对搭载平台要求较高，目前多在PC运行；
- 只能建稀疏特征点地图，无法提供导航避障功能，只能提供定位；
2、LSD-SLAM
- 工作流程：
- 主要模块：
- 前端跟踪：用之前一帧的位姿作为初始值，直接法求解跟踪获得每一新帧相对于当前关键帧的se（3）；
- 深度图估计：如果新帧跟关键帧变化较小，就通过small-baseline stereo comparison方法更新关键帧深度图；若变化较大就创建新关键帧，此新关键帧通过与最近的关键帧匹配来初始化。
- 地图优化：跟踪两两邻近关键帧间的sim（3），作为下一步全局优化的edge；位姿图优化+闭环检测（用特征点的词袋方法）+尺度漂移检测。kao
- 优点：
- 可在 CPU 上实现半稠密场景的重建；
- 考虑了像素梯度与直接法的关系,以及像素梯度与极线方向在深度估计中的角度关系；使深度估计精度有了较大提高；
- 用sim3作全局优化，可以减小尺度漂移，并可实现尺度可视化。
- 缺点：
- 对相机内参和曝光非常敏感,并且在相机快速运动时容易丢失。
- 回环检测时还是得用特征点，不是单纯的直接法SLAM。
3、SVO
- 工作流程：
- 主要模块：
- 前端跟踪：和上一帧通过光流法跟踪，求位姿初始值，然后通过局部地图在图像上的投影用直接法优化位姿；通过平移量判断是否创建新关键帧，创建关键帧后均匀提取新特征点；
- 深度滤波（地图优化）：每次跟踪完后，获得帧间位姿，然后三角化获得点云深度，然后基于均值——高斯滤波器对逆深度进行融合，以优化地图。
- 优点：
- 特征点与直接法的混合使用，使得它速度极快，在低端计算平台上也能达到实时性,而在 PC 平台上则可以达到 100 多帧每秒的速度；
- 框架简单，迁移容易。
- 缺点： <
469
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
