[論文レビュー] LDSO: Direct Sparse Odometry with Loop Closure

Xiang Gao, Rui Wang+2 more|arXiv (Cornell University)|Aug 3, 2018

Robotics and Sensor-Based Localization参考文献 15被引用数 16

ひとこと要約

LDSOは、単眼SLAMにおける長期的ドリフトを低減するために、直接スパースオドメトリのシステムDSOにループクロージャ検出とポーズグラフ最適化を統合することで拡張している。DSOの点選択を繰り返し可能なコーナー特徴に最適化し、ORB記述子を用いることで、堅牢なバッグオブワーズベースのループ検出と幾何的Sim(3)ポーズ制約推定を可能にした。グローバルバンドル調整を用いずに、最先端の特徴ベースシステムと同等の性能を達成した。

ABSTRACT

In this paper we present an extension of Direct Sparse Odometry (DSO) to a monocular visual SLAM system with loop closure detection and pose-graph optimization (LDSO). As a direct technique, DSO can utilize any image pixel with sufficient intensity gradient, which makes it robust even in featureless areas. LDSO retains this robustness, while at the same time ensuring repeatability of some of these points by favoring corner features in the tracking frontend. This repeatability allows to reliably detect loop closure candidates with a conventional feature-based bag-of-words (BoW) approach. Loop closure candidates are verified geometrically and Sim(3) relative pose constraints are estimated by jointly minimizing 2D and 3D geometric error terms. These constraints are fused with a co-visibility graph of relative poses extracted from DSO's sliding window optimization. Our evaluation on publicly available datasets demonstrates that the modified point selection strategy retains the tracking accuracy and robustness, and the integrated pose-graph optimization significantly reduces the accumulated rotation-, translation- and scale-drift, resulting in an overall performance comparable to state-of-the-art feature-based systems, even without global bundle adjustment.

研究の動機と目的

• 単眼直接ビジュアルオドメトリにおける長期的ドリフト問題（回転、並進、スケール誤差の蓄積）に対処すること。
• 従来、繰り返し可能な特徴を欠くため特徴ベースのループ検出が困難な、DSOのような完全に直接的なオドメトリシステムに、ループクロージャ検出を可能にすること。
• 特徴が乏しい環境でもDSOの頑健性を維持しつつ、戦略的な点選択により信頼性の高いループクロージャを実現すること。
• 幾何的整合性を保ったまま、ポーズグラフ最適化を統合して、グローバルバンドル調整に依存せずに、全体の軌道および地図の精度を向上させること。
• 直接オドメトリシステムが、効果的なループクロージャにより、最先端の特徴ベースSLAMシステムと同等の性能を達成できることを示すこと。

提案手法

• DSOの点選択戦略を、再現性の高いコーナー特徴を優先するように変更し、視点間での一貫した特徴マッチングを確保する。
• 選択されたコーナー特徴からORB記述子を抽出し、従来のバッグオブワーズ（BoW）ループクロージャ検出を可能にする。
• 2次元および3次元の誤差最小化を用いて、幾何的検証によりSim(3)相対ポーズ制約を推定する。
• DSOのスライディングウィンドウ最適化から得られる相対ポーズの共可視性グラフと、検出されたSim(3)制約を統合する。
• 統合された制約を用いてポーズグラフ最適化を実行し、回転、並進、スケールのドリフトを蓄積的に是正する。
• ベンチマークデータセットにおける真値との比較で、トラジェクトリ評価および誤差計算にSim(3)アライメントを用いる。

実験結果

リサーチクエスチョン

• RQ1 DSOのような直接スパースオドメトリシステムに、特徴が乏しい環境でも頑健性を保ちつつ、ループクロージャを効果的に拡張できるか？
• RQ2 繰り返し可能な特徴選択の統合が、直接SLAMシステムにおけるループクロージャ検出の精度と一貫性に与える影響はいかほどか？
• RQ3 グローバルバンドル調整を用いずに、ポーズグラフ最適化のみで、単眼SLAMにおけるグローバルドリフトをどの程度低減できるか？
• RQ4 標準ベンチマークにおいて、ORB-SLAM2などの最先端の特徴ベースSLAMシステムと比較して、LDSOの精度と頑健性はどの程度か？
• RQ5 DSOのフロントエンドに特徴抽出とループクロージャを追加した際の計算オーバーヘッドはどの程度で、リアルタイム動作に耐えうるか？

主な発見

• KITTIシーケンス00において、LDSOはDSOの絶対軌道誤差（ATE）を126.7mから9.322mに低減し、グローバルバンドル調整を用いずにORB-SLAM2（8.27m）に近い性能を達成した。
• EuRoC MAVデータセットでは、17回中12回でORB-SLAM2よりも低いRMSEを達成し、困難な条件下でも優れた頑健性を示した。
• LDSOにおける点選択戦略の変更により、特徴が乏しい環境でも元のDSOと同等のトラッキング精度と頑健性が維持された。
• ループクロージャにより、蓄積されたドリフトが顕著に低減され、TUM-MonoおよびKITTIシーケンスの可視化結果から、最適化後には軌道と3次元点群がはるかに整合していることが確認された。
• LDSOにおける特徴抽出のランタイムオーバーヘッドは非常に小さく、キーフレームごとに0.0218秒で、リアルタイムデプロイメントに適している。
• Sim(3)制約を用いたポーズグラフ最適化により、スケール、回転、並進のドリフトが効果的に是正され、長時間のシーケンスでもグローバルに整合性のある地図が得られた。