[논문 리뷰] FastORB-SLAM: a Fast ORB-SLAM Method with Coarse-to-Fine Descriptor Independent Keypoint Matching

Qiang Fu, Hongshan Yu외 4명|arXiv (Cornell University)|2020. 08. 22.

Robotics and Sensor-Based Localization인용 수 6

한 줄 요약

FastORB-SLAM은 희박한 광학 흐름을 사용하여 기능 기반 추적을 가속화하고, 비키프레임 간 기능 기반 계산을 제거함으로써 ORB-SLAM2의 속도를 약 2배 빠르게 하며, 키프레임에서만 기능을 계산함으로써 기능 기반에 독립적이고 두 단계의 굵은-세밀한 키포인트 매칭 방법을 제안한다. 이는 TUM 및 ICL-NUIM 데이터셋에서 최고 성능의 정확도와 약 2배의 속도 향상을 달성한다.

ABSTRACT

Indirect methods for visual SLAM are gaining popularity due to their robustness to varying environments. ORB-SLAM2 is a benchmark method in this domain, however, the computation of descriptors in ORB-SLAM2 is time-consuming and the descriptors cannot be reused unless a frame is selected as a keyframe. To overcome these problems, we present FastORB-SLAM which is light-weight and efficient as it tracks keypoints between adjacent frames without computing descriptors. To achieve this, a two-stage coarse-to-fine descriptor independent keypoint matching method is proposed based on sparse optical flow. In the first stage, we first predict initial keypoint correspondences via a uniform acceleration motion model and then robustly establish the correspondences via a pyramid-based sparse optical flow tracking method. In the second stage, we leverage motion smoothness and the epipolar constraint to refine the correspondences. In particular, our method computes descriptors only for keyframes. We test FastORB-SLAM with an RGBD camera on extit{TUM} and extit{ICL-NUIM} datasets and compare its accuracy and efficiency to nine existing RGBD SLAM methods. Qualitative and quantitative results show that our method achieves state-of-the-art performance in accuracy and is about twice as fast as the ORB-SLAM2

연구 동기 및 목표

• 트래킹 중 ORB-SLAM2에서 기능 계산의 높은 계산 비용을 해결한다.
• 키프레임 선택 없이 프레임 간 기능 재사용을 가능하게 하여 효율성을 향상시킨다.
• 실시간 시각 SLAM을 위한 빠르고 기능 기반에 독립적인 키포인트 매칭 방법을 개발한다.
• 다양한 환경에서 처리 시간을 줄이면서도 높은 정확도를 유지한다.
• 표준 RGBD SLAM 벤치마크에서 정확도와 속도 양면에서 최고 수준의 성능을 달성한다.

제안 방법

• 연속 프레임 간 초기 키포인트 대응 관계를 예측하기 위해 균일한 가속도 운동 모델을 사용한다.
• 이니셜 대응 관계를 안정적으로 확립하기 위해 피라미드 기반의 희박한 광학 흐름 방법을 적용한다.
• 두 번째 정밀화 단계에서 운동의 부드러움과 에피포라 기하학 제약 조건을 사용하여 매칭을 개선한다.
• ORB 기능은 키프레임에서만 계산하여 비키프레임에서의 중복 계산을 방지한다.
• 거친-세밀한 매칭 전략을 활용하여 정확도를 향상시키고 계산 부담을 감소시킨다.
• 최소한의 아키텍처 변경으로 ORB-SLAM2 프레임워크에 통합하여 호환성과 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 정확도를 희생시키지 않고 연속 프레임 간 트래킹 중 기능 계산을 완전히 제거할 수 있는가?
• RQ2 광학 흐름 기반의 두 단계 거친-세밀한 키포인트 매칭 전략이 SLAM 계산 시간을 얼마나 효과적으로 줄일 수 있는가?
• RQ3 기능을 키프레임에서만 계산함으로써 트래킹의 안정성과 정확도를 얼마나 유지할 수 있는가?
• RQ4 기존의 RGBD SLAM 시스템과 비교할 때 표준 벤치마크에서 이 방법의 속도와 정확도는 어떠한가?
• RQ5 운동의 부드러움과 에피포라 제약 조건이 기능 기반 없이 트래킹하는 데 있어 키포인트 매칭 신뢰도를 얼마나 크게 향상시킬 수 있는가?

주요 결과

• FastORB-SLAM은 TUM 및 ICL-NUIM 데이터셋에서 ORB-SLAM2의 약 2배 빠른 속도를 달성한다.
• 메서드는 최고 수준의 정확도를 유지하며, 정량적 평가에서 9개의 기존 RGBD SLAM 방법을 능가한다.
• 기능 계산이 키프레임으로 제한되어 트래킹 중 계산 오버헤드가 크게 감소한다.
• 희박한 광학 흐름 기반의 거친-세밀한 매칭 전략은 대응 관계의 정확도를 향상시키고 트래킹 안정성을 높인다.
• 정성적 결과는 다양한 환경에서 일관되고 정확한 궤적 추정을 확인한다.
• 이 방법은 TUM 및 ICL-NUIM 데이터셋 양쪽 모두에서 뛰어난 성능을 보이며, 일반화 능력과 효율성을 입증한다.