本文主要是介绍Paper Share_ NID-SLAM_ Robust Monocular SLAM using Normalised Information Distance,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
【写在前面】
一直都有写博客的意愿,但是一直都没有实际行动。尝试了几次也都没有坚持下来。这次打算逼自己一下,坚持下去。
这次决心坚持写博客也是出于记录平时自己日常所学的考虑。平时有时间或者需要会去看论文,但是一篇论文当时看的时候似乎是懂了,但是过几天就没什么印象了。感觉这样效果很不好。所以打算写博客记录自己所看的论文。其一是加深自己的理解,其二是记录分析的内容和过程,方便日后查看与巩固。也希望能与广大博友分享知识,相互交流学习。博客小白,深感表达能力不足。如有不足之处,还望大家多多指点。
【NID-SLAM: Robust Monocular SLAM using Normalised Information Distance】
熟悉视觉SLAM的朋友都知道从图像的处理方式来分,目前主流V-SLAM系统主要有两种:间接法与直接法。
间接法:从图像中提取稀疏特征点,然后为每一个特征点计算一个描述子用于特征点匹配。描述子一般具有尺度、旋转不变的特性。(具体有哪些描述子可以上网搜索一下)。典型的例子是ORB-SLAM。
直接法:利用图像像素的光度信息直接进行匹配,主要用到的方式是最小化光度误差的方法。一般分为稠密和半稠密法。半稠密法主要是使用图像中梯度明显的像素,而不是所有像素。典型的例子是LSD-SLAM。
在这篇NID-SLAM中,作者分析了目前直接法与间接法的缺点和局限性,即直接法与间接法在室内这种静态场景或者室外短时间的场景下才能正常工作,而对与室外长时间的环境变化,天气变化,甚至是季节气候的变化则表现较差。而互信息(Mutual Information- MI) 是一种对环境变化具有一定鲁棒性的metric。因此本文采用与MI如出一辙的方法NID,将其应用到直接法当中替代光度信息,从而提高SLAM的鲁棒性。
因此 【Abstract】本文提出了一种基于归一化信息距离(Normalized Infomation Distance - NID)匹配方法的直接单目slam算法。归一化信息距离的匹配方法是一种基于信息论的匹配方法(information-theoretic)(提到信息论肯定第一时间就会想到熵,没错NID就是利用信息熵来计算的, MI也是利用信息熵)。与当前最好的基于光度误差最小化的直接法相比,在面对光照变化,天气变化,环境结构变化等条件,NID匹配方式能够提供更强的鲁棒性。实验中在人工合成的有光照变化的室内场景与存在天气变化的室外真实场景下本文算法都能成功进行定位与建图。该算法使用OpenGL运行在消费级的GPU上,最终实现的定位精度与当前最好的光度误差最小化法(应该是LSD-SLAM)相当,但是面对场景变化时的鲁棒性要比直接法语基于特征的方法高很多。
本文的主要工作有以下3点:
- 使用NID进行鲁棒的直接跟踪。
- 采用直方图金字塔进行多分辨率的跟踪 。
- 直接采用NID对深度图进行修正。
先来看一下NID-SLAM的整体流程图:
上图中粉色方块是本文采用的NID匹配跟踪算法,替代了绿色方块的光度误差跟踪方法。其他部分还是与经典框架比较类似。
接下来介绍一下NID Tracking。 tracking的思路与SLD-SLAM中类似。利用参考帧与当前帧之间的相对pose,将参考帧上的像素点变换到当前帧下。从而计算两帧上对应点的intensity的误差。
上式中 pi p i 是参考帧中的像素点坐标, Dr(pi) D r ( p i ) 是像素点 pi p i 对应的逆深度, ξ ξ 是两帧之间的相对pose. ξ ξ 的求取是一个最小二乘问题:
式中 采样函数 I(.) I ( . ) 返回亚像素位置的intensity的标量值。权重函数 w(i) w ( i ) 是与深度不确定性相关的一个加权系数, 鲁棒核函数 ||.||δ | | . | | δ 是降低外点的影响。(例如Huber 范数)。
以上公式是采用的光度残差。本文的是采用NID。所以在本文中最小二乘问题是两帧图像对应点的NID最小化。即
这篇关于Paper Share_ NID-SLAM_ Robust Monocular SLAM using Normalised Information Distance的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!