论文笔记_S2D.45_ORBSLAM-Atlas: 一个稳健和精确的多建图系统
目录
基本情况
ORBSLAM的不足之处:
贡献
原文翻译
摘要
1. INTRODUCTION
2. RELATED WORK
3. ORBSLAM-A TLAS MULTI - MAP REPRESENTATION
A. Multi-map representation
B. New map creation criteria
C. Camera pose observability
D. Relocalization in multiple maps
IV. SEAMLESS MAP MERGING
基本情况
- 题目: ORBSLAM-Atlas: a robust and accurate multi-map system (ORBSLAM-Atlas:一个稳健和精确的多建图系统)
- 作者: Richard Elvira, Juan D. Tardós and J.M.M. Montiel
- 出处: Elvira, R., Tardós, J. D., & Montiel, J. M. M. (2019). ORBSLAM-Atlas: a robust and accurate multi-map system. arXiv preprint arXiv:1908.11585.
ORBSLAM的不足之处:
- ORBSLAM:ORBSLAM的突出鲁棒性和精确性是因为它能够检测关键帧之间的宽基线(wide-baseline)匹配,利用这些匹配做非线性优化,但它只能处理单个地图,如果跟踪丢失,将导致探索性轨迹完全失败,并停止多个建图。
- ORBSLAM2:以处理单目情况下的多个地图。它们对多个子图的整合不如我们的紧密,因为它们的子地图作为单独存在保存,每个都有自己的DBoW2数据库。此外,它们的合并操作计算子映射之间的链接,但不会用合并的子地图替换被合并的子地图。
贡献
提出了一个能够处理无限数量不连通子地图的ORBSLAM-Atlas,该系统包括一个健壮的地图融合算法,能够检测出具有公共区域的子地图,并将其无缝融合
- 我们称之为atlas的多地图表示,它处理无限数量的子地图。该图集有一个唯一的DBoWs数据库,其中包含所有子地图的关键帧,这允许高效的多地图位置识别。
- 所有多建图操作的算法:创建新的建图、在多个建图中重新定位和合并建图。我们设计了如何将基本建图阶段交织在一起,以稳健、准确、高效地执行多重建图操作。在系统的各个组成部分中,地图合并过程是一个相关的过程,它将两个地图与一个公共区域进行无缝融合。合并后,两个合并地图将完全替换为新的合并地图。我们建议在跟踪丢失后创建一个新的地图。它可以防止探索性轨迹中出现问题,在这种情况下,重新定位无法恢复相机跟踪损失。
- 一个新的原则,以宣布跟踪丢失的情况下,能够观察到不良的相机姿态。它能够防止在包含高度不确定相机位姿的闭环中出现错误的位姿图优化。
原文翻译
摘要
1. INTRODUCTION
- 我们称之为atlas的多地图表示,它处理无限数量的子地图。该图集有一个唯一的DBoWs数据库,其中包含所有子地图的关键帧,这允许高效的多地图位置识别。
- 所有多建图操作的算法:创建新的建图、在多个建图中重新定位和合并建图。我们设计了如何将基本建图阶段交织在一起,以稳健、准确、高效地执行多重建图操作。在系统的各个组成部分中,地图合并过程是一个相关的过程,它将两个地图与一个公共区域进行无缝融合。合并后,两个合并地图将完全替换为新的合并地图。我们建议在跟踪丢失后创建一个新的地图。它可以防止探索性轨迹中出现问题,在这种情况下,重新定位无法恢复相机跟踪损失。
- 一个新的原则,以宣布跟踪丢失的情况下,能够观察到不良的相机姿态。它能够防止在包含高度不确定相机姿势的闭环中出现错误的位姿图优化。
2. RELATED WORK
3. ORBSLAM-A TLAS MULTI - MAP REPRESENTATION
我们称之为新的多重地图表示atlas,从现在起,我们将使用名称map来指定每个地图集子地图。下一小节详细介绍了地图集结构和确定何时创建新地图的标准。
Fig. 1: ORBSLAM-Atlas multi-map representation and workflow.
A. Multi-map representation
B. New map creation criteria
C. Camera pose observability
D. Relocalization in multiple maps
IV. SEAMLESS MAP MERGING
- 两个地图之间公共区域的检测。位置识别提供了两个匹配的关键帧K a K_aKa和K s K_sKs以及两个地图M a M_aMa和M s M_sMs中的点之间的一组假定匹配
- 对准变换的估计。正是这种变换,立体中的S E ( 3 ) SE\left(3\right)SE(3)或单目中的S i m ( 3 ) Sim\left(3\right)Sim(3),将两个合并地图的全局参照对齐。我们结合Horn方法[21]和RANSAC,从M a M_aMa和M s M_sMs地图点之间的假定匹配计算初始估计。我们将估计的变换应用于K s K_sKs的引导匹配阶段,在K s K_sKs中匹配M a M_aMa的点,最后通过对重投影误差的非线性优化来估计T W a , W s \mathbf{T}_{W_a,W_s}TWa,Ws。
- 合并合并的地图。我们将T W a , W s \mathbf{T}_{W_a,W_s}TWa,Ws应用于M s M_sMs中的所有关键帧和地图点。然后,我们检测出重复的地图点并将其融合,从而得到从M s M_sMs和M a M_aMa中的关键帧观测到的地图点。然后,我们将所有M s M_sMs和M a M_aMa关键帧合并,并将点映射到M m M _mMm。此外,我们还将M s M_sMs和M a M_aMa生成树以及可测图合并到M m M _mMm的生成树和可测图中。
- 焊接区域的局部BA。根据M m M _mMm共视图,它包含了与K − a K-aK−a共视的所有关键帧。为了固定轨距自由度,在M a M_aMa中固定的关键帧在局部BA中保持固定,而其余关键帧在非线性优化过程中自由移动。我们应用第二个重复点检测和融合阶段更新M m M_mMm可见度图。
- 位姿图优化。最后,我们对M m M_mMm展开了位姿图优化
参考: 【SLAM论文翻译】ORBSLAM-Atlas a robust and accurate multi-map system
论文笔记_S2D.45_ORBSLAM-Atlas: 一个稳健和精确的多建图系统相关推荐
- 论文笔记_2011_RAS_使用特征稳定性直方图FSH的移动机器人的建图和定位(上)
基本情况 出处:Bacca B, Salvi J, Cufí X. Appearance-based mapping and localization for mobile robots using ...
- 论文笔记_S2D.77_2013_TOR_使用RGBD相机的3D建图(RGBD SLAM V2)
目录 基本情况 摘要 介绍 系统流程 特征提取 运动估计 EMM:Environment Measurement Model 回环检测 图优化 建图OctoMap 参考 基本情况 出处:Endres ...
- R2LIVE: 一个鲁棒实时的雷达-惯导-视觉紧耦合的位姿估计和建图系统
作者丨方川@知乎 来源丨https://zhuanlan.zhihu.com/p/378375542 编辑丨3D视觉工坊 标题:R2LIVE: A Robust, Rea-time, LiDAR-In ...
- 【论文笔记】Revisiting graph based collaborative Filtering:一种线性残差图图卷积网络方法
Revisiting Graph based Collaborative Filtering:A Linear Residual Graph Convolutional Network Approac ...
- 【ORB-SLAM3论文翻译】ORB-SLAM3:一个精确的视觉、视觉惯性和多地图SLAM的开源库(注:带着原文看,很多公式和变量不好输入)
文章目录 前言(非论文部分) 摘要 1. 简介 2. 相关工作 3. 系统概述 4. 相机模型 5. 视觉惯性SLAM(重点) 6. 地图合并与闭环 7. 实验结果 8. 结论 REFERENCES( ...
- DynaSLAM论文笔记
DynaSLAM: Tracking, Mapping and Inpainting in Dynamic Scenes 论文笔记 +++ 这是一种建立在ORB-SLAM2上的视觉SLAM系统,同时增 ...
- Maplab:一个用于视觉惯性建图和定位研究的开源框架
摘要 鲁棒且精确的视觉惯性估计是当今机器人领域的重要挑战.能够用先验地图(prior map)进行定位(localize)并获得准确且无漂移的姿态估计,可以推动该系统的适应性.然而,目前大多数可用的解 ...
- ORB-SLAM3 论文笔记
ORB-SLAM3 论文笔记 这篇博客 ORB-SLAM3系统 相机模型的抽象(Camera Model) 重定位的问题 图片矫正的问题 视觉惯性SLAM的工作原理 相关公式 IMU初始化 跟踪和建图 ...
- 论文笔记 A Spatial-Temporal Decomposition Based Deep Neural Network for TimeSeries Forecasting
0 abstract 空间时间序列预测问题出现在广泛的应用中,如环境和交通问题.由于存在特定的空间.短期和长期模式,以及维度的诅咒,这些问题具有挑战性. 在本文中,我们提出了一个用于大规模空间时间序列 ...
- 论文笔记:Autoregressive Tensor Factorizationfor Spatio-temporal Predictions
0 摘要 张量因子tensor factorization分解方法在时空数据分析领域很受欢迎,因为它们能够处理多种类型的时空数据,处理缺失值,并提供计算效率高的参数估计程序. 然而,现有的张量因子分解 ...
最新文章
- 牛逼了!这个私藏的前端 IDE 插件,撸码 6 的飞起,编程效率提高 30 倍!
- MapReduce的序列化案例
- 构建私有云的五个步骤
- linux 查看网络 wait
- 《深入理解Java虚拟机》笔记3——7种垃圾收集器
- git reset revert 回退回滚取消提交返回上一版本
- 主题模型LDA的实现
- pod进阶(资源管理和探针)
- CodeForces - 1459D Glass Half Spilled(dp)
- c语言大作业教室预约管理系统,C语言程序设计——教室管理系统(源代码))
- 男人别让爱你的女孩流泪
- 引用js/css时,加入时间戳解决浏览器缓存问题
- 服务器被bash服务占满_用bash脚本自动下载ftp服务器文件
- sql if语句实例
- IDEA引入JDK/jar包无效、java 文件灰色右下角橙色java图标显示等问题解决办法
- 交警罚没系统数据一致性问题
- 互联网公司裁员潮传言四起,是捕风捉影还是确有其事?
- Apache 架构师的 30 条设计原则
- 真人语音朗读软件_讯飞语音云助力移动“和阅读”,打造个性化听书应用
- MSDN值得学习的地方
热门文章
- 应用安全-安全设备-Waf系列-软Waf-云锁
- IDEA2018全局搜索中搜索jar包/lib
- springboot实现xml传参和返回值
- ExtJS4.2学习(13)基于表格的扩展插件---rowEditing
- Linux执行命令./command与直接输入命令的区别
- VS2010中使用boost正则表达式库
- .Net下二进制形式的文件(图片)的存储与读取(转载)
- 扫描软件(to be followed)
- 程序员转型架构师,推荐你读这几本书
- Kafka开发--C#生产和消费消息