经典论文回顾 - RGB-D SLAMv2 : 3D Mapping with an RGB-D Camera

前言

本文属于 RGB-D SLAM v2 的论文，2013年发表于机器人领域顶级期刊 TRO。

一作Felix Endres，导师团都是大牛：弗莱堡大学 Wolfram Burgard 教授， 也是书籍《概率机器人》的作者； Daniel Cremers则是 慕尼黑工业大学机器人实验室的大佬。

鉴于该文章属于经典文章，本文不像以前文章那番做详细的翻译式分析，更多是站在当代角度，如ORBSLAM2已经大火的年代，去回顾这篇文章的早期特点，思考和讨论一些将来的发展方向。

核心内容

简要整理该系统特点如下：

特征点提取

提取特征点，并以描述子匹配，两帧之间建立联系后求解变换。对变换应用EMM模型判断有效性，满足条件则加入图优化，否则作为无效剔除。

特征点不唯一，作者验证了 ORB, Surf, SIFT等，实际是time-accuracy tradeoff。其中SIFT运算量要求最高(需要GPU)，但效果最好。ORB则最快，效果差一些。

鲁棒性考量

EMM模型，考虑在该变换下，其中一帧的点投射到另一帧，属于遮挡/可视/匹配关系。通过对每个点假设检验评估有效，统计有效比例来计算该transform是否有效。

此外鲁棒性还在图优化中体现，对于优化后误差仍然过高的边，将直接剔除并继续优化。

建图部分

使用 Voxel存储一个为移动机器人路径规划的地图。使用 OctreeMap 紧凑存储。

然而建图模块独立，应用SLAM的定位结果，建图部分并不辅助SLAM

VoxelMap的弊端： 除非从头开始重建该地图，发生回环后产生的巨大轨迹校准，无法在地图中更新。

回环检测

作者引入关键帧，以及基于图的一种随机搜索，设定3个参数来确定每帧回环的搜索范围

该模块平行运行

精度效果

简直是教科书式的细致。本文2013年SLAM还刚起来，benchmark也不完善，这个老哥身先士卒提出一些完整的评价方式，比如表格里的各种 median, max ... 然而后面大家似乎都是堆RMSE完事。

细节讨论

关于 Voxel-Map

该地图一般只用于建图。

产生大回环后， Voxel-Map 是无法实时更新的，换句话说，地图只能添加信息，不能修改已有信息。因此这一点：

1） 动态环境/变化 无法快速增删。

2） 前期不准的累积误差将一直保留在地图中,即无法在不从头重建的情况下维持"全局一致"

实验效果评估

1） 部分地区抖动比较厉害

2） 部分产生大偏移，虽然后面会回去。

其他

该代码作为号召SLAM可复现的先锋，完全开源。