随着基于关键帧的SLAM在机器人领域的主导地位,关键帧之间的相对帧姿态通常被牺牲以获得更快的算法来实现在线应用.本文提出了一种新的算法,用于在关键帧通过后端优化过程更新后校正关键帧之间的相对帧.使用路标之间的测量约束和机器人姿态之间的守恒导出校正模型.所提出的算法被设计成易于集成到现有的基于关键帧的SLAM系统中,同时表现出优于现有插值方法的鲁棒和精确的性能.该算法还需要低计算资源,因此对整个SLAM的负担最小.与各种向量空间中的现有插值方法相比,我们对所提出的姿态校正算法进行了评估,并且我们的方法在KITTI和EuRoC数据集上都表现出了出色的准确性.
2引言同步定位与建图一直是机器人领域众多研究的焦点.SLAM包括估计移动机器人的自我运动,同时重建周围环境.为此,视觉传感器和激光扫描仪通常用于感知周围环境.特别是视觉传感器,由于它们可以以相对较低的价格提供丰富的视觉信息,已经被广泛采用.因此,SLAM研究的很大一部分是用视觉传感器进行的,如单目、双目或RGB-D传感器.
在所有帧上运行后端优化系统,如姿态图优化(PGO)或捆绑调整(BA),可能会变得非常繁重,尤其是在大规模环境中.为了在保持性能的同时减少计算时间,大多数现代视觉SLAM算法采用基于关键帧的方法它只细化包含对SLAM有用信息的关键帧.换句话说,基于关键帧的SLAM方法有效地过滤了输入测量值,因此只有那些包含显著变化的测量值才被用于提取过程,从而缩短了计算时间并避免了局部最小值.它们允许姿态的鲁棒估计和周围地图的实时重建.
虽然基于关键帧的SLAM方法在SLAM研究中占据主导地位,但它们改进了关键帧姿态,并且没有校正关键帧之间的相对帧.因为这种系统只能利用与原始输入测量值相比相对稀疏的选定关键帧,所以它们不适用于需要高频校正姿态的应用.这时需要一种算法,能够在基于关键帧的SLAM后端每次更新关键帧姿态时校正相对帧的姿态.
在过去的工作中,已经使用分层PGO对关键帧之间的相对姿态进行了一些尝试.分层PGO包括将完整的姿势图分成子图,子图包含称为关键点的代表性关键帧。后端细化过程仅在这些选定的关键点上进行，并在层次结构中向下传播。传播通常通过优化方法或非优化方法(如插值)来完成。基于优化的校正方法[5，6，7]显示出很高的精度，但需要很长的计算时间，使得它们难以实时操作。另一方面，非优化方法[8，9，10]要么将每个子图视为刚体，要么将3D姿态转换为向量空间，并在给定空间内插值，从而允许极快的操作。然而，在这种方法中，当给定轴的变化很小时，插值因子可能变得数值敏感。此外，因为该方法不考虑姿态之间的测量约束，所以校正可能会打破这些约束。这两种方法将在第2节中进一步讨论。
提出了一种关键帧间相对帧的姿态校正算法。该算法只需要SLAM系统的估计姿态输出就可以运行，这意味着它可以很容易地集成到任何现有的基于关键帧的SLAM方法中。生成的姿态校正还保留了测量约束，如视觉特征的图像坐标，而无需使用优化，从而实现快速计算。所提出的算法与现有的基于插值的校正方法在不同的向量空间中进行了比较，并显示出优越的精度和计算时间
3相关工作本文的这一部分讨论了现有的工作,关于分层的PGO和各种向量空间的插值.如上所述,在以前的尝试中,向下分配到层次结构的较低级别的校正或者使用优化方法,或者使用非优化方法.本文将把前者称为非朴素方法,把后者称为朴素方法.
分层PGO的非朴素方法包括通过优化方法将关键帧的细化传播到相关帧。[5，6]提出将全姿态图分成顺序生成的和条件独立的子图.可以通过传播来自最近子图的误差来进行姿态校正.[7]遵循类似的方法,但独立优化每个子图.虽然优化每个分层子图可以保证产生准确的结果,但该过程需要很长的计算时间,不适合大规模的SLAM应用.此外因为实现需要对SLAM算法本身进行根本性的改变,所以很难将这些方法集成到现有的基于关键帧的SLAM算法中,而不影响算法的功能.
朴素方法简化了相对帧之间的约束,以传播校正.插值是这种简化方法最常见的例子.然而由于插值的性质,如果姿态之间的变化率很小,插值因子可能变得数值敏感,导致极值.此外这些方法的准确性也受到影响,因为插值只