Real-time Scalable Dense Surfel Mapping
Real-time Scalable Dense Surfel Mapping
- ORB_SLAM2
采用稀疏视觉SLAM系统中较优秀的ORB-SLAM2作为定位系统，在存在回路的情况下跟踪相机运动并优化位姿图。
- Surfel_Fusion
A. 超像素的提取
与其他基于surfel的逐像素表面建模方法不同，这里基于从强度和深度图像中提取的超像素来对表面进行建模。在应用于大规模场景的重建时，使用超像素可以大大减少了系统的内存负担。另外，基于提取的超像素可以减少低质量深度图中的离群点和噪声，这里采用从SLIC改进的k-means方法提取超像素。
B. 快速地图变换
如果定位系统的位姿图被更新，在surfel初始化和融合之前对所有surfel进行变形以保持全局一致性，以使每个曲面与其附加关键帧之间的相对位姿保持不变。
C. 面元的初始化
D. 局部地图的提取
重建大规模的环境可能会产生数以百万计的面元。但是，考虑到局部地图的融合不考虑重建规模且由于ORB-SLAM2系统的累积跟踪误差，融合漂移较大的面元会破坏系统，这里利用定位系统中的位姿图来识别局部地图，并且仅基于位姿图提取一个面元子集以与初始化的面元融合。
E. 面元的融合
- 创新点
（1）使用从RGB-D图像中提取的超像素来对系统中的表面进行建模。超像素的使用使得系统能够融合低质量的深度图，使用基于超像素的surfels还可以获得良好的实时性和内存效率。
（2）根据ORB-SLAM2系统的位姿图进一步组织面元，局部地图的融合时间重建规模无关。
（3）只需在CPU上运行就能够实时得到精确性较高的稠密环境地图。
- Data
Ubuntu18.04 + KITTI数据集kitti_00 + kitti publisher
- Results
（1）定位
（2）面元融合
（3）帧
（4）重建结果
6. 参考文献
K. Wang, F. Gao and S. Shen, Real-time Scalable Dense Surfel Mapping[C], 2019 International Conference on Robotics and Automation (ICRA), Montreal, QC, Canada, 2019, pp. 6919-6925.