论文笔记：RGB-D SLAM with Structural Regularities
《RGB-D SLAM with Structural Regularities》
-
一、Introduction
-
二、Proposed Framework
-
- 多特征
- 解耦姿态估计与refinement
-
三、Tracking
-
- 旋转估计
- 平移估计
- Pose refinement
-
四、Mapping
一、Introduction
1、针对结构化环境；
2、追踪：基于MW（曼哈顿世界假设）研究多种特征间的几何关系，提出基于点线面的decoupling-refinement方法；
3、建图：提出一种基于实例化网格划分策略，通过独立地对平面实例进行网格划分来构建稠密地图。
4、一个实时RGB-D SLAM框架
二、Proposed Framework
多特征
1、ORB点特征
2、线特征
注：depth map有时不准确，如object boundary；利用RANSAC剔除outliers
3、法线与平面
-
面特征从深度图中提取，平面检测见《Efficient Organized Point Cloud Segmentation with Connected Components》
-
法线计算：Smooth normals are computed
by averaging the tangential vectors from the depth image inside a patch of 10 × 10 pixels using integral images -
阈值匹配：《Point-plane SLAM using supposed planes for indoor environments》
-
平面之间平行、垂直增加额外约束
解耦姿态估计与refinement
- 为了减小帧间误差
1、旋转
use optimized lines
基于MW假设，利用《Structure-slam: Low-drift Monocular SLAM in Indoor Environments》的框架
2、平移
use planes for translation estimation
本次设计利用局部地图中的平面和平面间的几何关系提供约束以提升精度
三、Tracking
- 将传统的6D位姿解耦为旋转和平移
旋转估计
为了无漂移旋转估计，将室内环境建模为MW，估计每帧与曼哈顿坐标之间的Rcm
此处矩阵计算方法：sphere mean-shift method
参考：《Divide and Conquer: Efficient Density-based Tracking of 3D Sensors in Manhattan Worlds》
《Visual Odometry with Drift-free Rotation Estimation Using Indoor Scene Regularities》
平移估计
1、点重投影误差函数
2、线函数
2.1 归一化线函数
2.2 线误差函数
参考：《PL-SLAM: Real-time Monocular Visual SLAM with Points and Lines》
3、平面
3.1 平面的最小参数化
法线的方位角：
法线的仰角：
3.2 面误差函数
4、总误差函数
Pose refinement
map to frame：参考《ORB-SLAM2》
局部地图中的平面与当前帧中平面的约束关系
平行
垂直
四、Mapping
1、planar instance-wise meshing
不使用surfel或TSDF，平面区域视为包含少量且固定元素的实例，这些元素与平面大小无关。
平面中的点：kd-tree数据结构
build an instance-wise mesh: GST
参考：《On Fast Surface Reconstruction Methods for Large and Noisy Datasets》