基於ORB-SLAM2可持續儲存地圖的擴充套件方案

阿新 • • 發佈：2020-10-16

點雲PCL免費知識星球，點雲論文速讀。

文章：Persistent Map Saving for Visual Localization for Autonomous Vehicles: An ORB-SLAM 2 Extension

作者：Felix Nobis∗, Odysseas Papanikolaou, Johannes Betz and Markus Lienkamp

翻譯：particle

本文僅做學術分享，如有侵權，請聯絡刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

論文閱讀模組將分享點雲處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力於理解三維視覺領域相關內容的乾貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯絡微信

[email protected]。

●論文摘要

自動駕駛汽車的一個基本組成部分是能夠繪製環境地圖並在地圖上進行自我定位。本文利用使用實時同步定位和製圖（SLAM）立體相機感測器來感知環境並生成地圖。由於沒有使用地面真實地圖作為參考，並且誤差會隨著時間的推移而累積，因此存在錯誤定位的風險。因此，我們首先建立並儲存一張低行駛速度下環境視覺特徵的地圖，並將其擴充套件到ORBSLAM 2軟體包中。在第二次執行中，我們重新載入地圖，然後在先前構建的地圖上進行定位。在先前構建的地圖上載入和定位可以提高自動駕駛車輛的連續定位精度。這個建圖儲存功能在最初的ORB-SLAM 2實現中是沒有的。我們根據建立的SLAM地圖來評估KITTI資料集場景的定位精度。此外，我們還用自己的小型電動模型車對資料進行了定位測試。在特徵豐富的環境中，對於平均縱向速度為36m/s的車輛，定位的相對平移誤差小於1%。定位模式具有更好的定位精度和更低的計算量。我們對ORB-SLAM2的貢獻原始碼將在以下網址公開：https://github.com/TUMFTM/orbslam-map-saving-extension。

●相關工作與介紹

該工程是支援ROS的，定位模式時需要提供一個map檔案，其中包含ORB SLAM類的物件：map、MapPoint、Keyframe和KeyframeDatabase，以及每個關鍵幀的DBoW2 BoWVector和FeatureVector。因此，我們建立了一個SaveMap方法，它在SLAM程序結束時將此資訊儲存在二進位制檔案中。對於連續執行時，使用者可以通過設定檔案指定是否載入地圖檔案。如果使用者決定使用儲存的地圖，則在系統啟動時呼叫LoadMap方法，該方法載入儲存的地圖和KeyframeDatabase，並將系統設定為定位模式。定位模式是自動完成的，使用者無需線上手動更改系統模式。SaveMap和LoadMap方法都整合在ORB-SLAM 2的系統類中，該類處理所有主要功能。圖1顯示了Orbslam2擴充套件版本的流程圖。

專案的依賴項：

opencv

eigen3

boost

以及基於ROS的octomap

●實驗和結果

使用了KITTI公開資料集進行系統的評估，且對比了室內和室外的兩種場景進行對比各種場景下的建圖和定位的精度。

室外提取ORB特徵點的示意圖

室內提取特徵點的示意圖

TUM資料集上快速駕駛和快速回放速度的比較（ localization fails (Lost Track)）

SLAM 與真值比較的準確性

我們還試驗了提高大滿貫的行駛速度。圖4顯示了快速和慢速SLAM的結果軌跡。對於高速執行，SLAM模式下降不再能夠完成建圖功能，因為特徵匹配失敗。這在圖中用紅色標記。真值（灰色虛線），8m/s（藍色）和20m/s（黑色）的撞擊軌跡。更快的SLAM軌跡偏離地面的距離更遠，在紅色標記的位置跟蹤失敗。

相對地圖的定位精度

●總結

這項工作提出了一個基於ORB-SLAM2擴充套件，通過一個地圖儲存功能的視覺SLAM系統。在原始的功能的基礎上進行了擴充套件功能，使系統可以作為一個SLAM模組在慢速駕駛條件下建圖。而後在更高的速度下進行定位，從而獲得更精確的軌跡估計。（低速建圖，快速可定位的SLAM功能）可用於室外和室內環境中的定位。實驗結果表明，在特徵豐富的環境中，以36m/s的速度進行定位是可行的。定位模組所需的計算資源比SLAM建圖模組少，但特徵計算和匹配要求較高。

資源

三維點雲論文及相關應用分享

【點雲論文速讀】基於鐳射雷達的里程計及3D點雲地圖中的定位方法

3D目標檢測：MV3D-Net

三維點雲分割綜述（上）

3D-MiniNet: 從點雲中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT新增VTK外掛實現點雲視覺化GUI

JSNet：3D點雲的聯合例項和語義分割

大場景三維點雲的語義分割綜述

PCL中outofcore模組---基於核外八叉樹的大規模點雲的顯示

基於區域性凹凸性進行目標分割

基於三維卷積神經網路的點雲標記