[论文解读] Structure-SLAM: Low-Drift Monocular SLAM in Indoor Environments

Yanyan Li, Nikolas Brasch+3 more|arXiv (Cornell University)|Aug 5, 2020

Robotics and Sensor-Based Localization参考文献 34被引用 5

一句话总结

该论文提出Structure-SLAM，一种实时单目SLAM系统，通过解耦旋转与平移估计，在低纹理室内环境中有效减少漂移。该方法利用卷积神经网络（CNN）从RGB图像中预测密集的表面法向量，基于曼哈顿世界假设，通过在直线和法向量上进行球面均值漂移聚类实现无漂移的旋转估计，并结合点特征与线特征进行平移估计，在ICL-NUIM和TUM RGB-D基准测试中实现最先进性能，且在非纹理场景中表现出更强的鲁棒性。

ABSTRACT

In this paper a low-drift monocular SLAM method is proposed targeting indoor scenarios, where monocular SLAM often fails due to the lack of textured surfaces. Our approach decouples rotation and translation estimation of the tracking process to reduce the long-term drift in indoor environments. In order to take full advantage of the available geometric information in the scene, surface normals are predicted by a convolutional neural network from each input RGB image in real-time. First, a drift-free rotation is estimated based on lines and surface normals using spherical mean-shift clustering, leveraging the weak Manhattan World assumption. Then translation is computed from point and line features. Finally, the estimated poses are refined with a map-to-frame optimization strategy. The proposed method outperforms the state of the art on common SLAM benchmarks such as ICL-NUIM and TUM RGB-D.

研究动机与目标

• 解决单目SLAM系统在低纹理室内环境中长期漂移的挑战。
• 在传统基于特征的方法因纹理稀疏或缺失而失效时，提升位姿估计的鲁棒性。
• 利用几何结构（特别是表面法向量与直线）实现在平面、非纹理场景中的稳定跟踪与建图。
• 通过解耦旋转与平移估计，最小化漂移累积，尤其在纹理有限的场景中。

提出的方法

• 训练一个深度编码器-解码器CNN，实现实时从单张RGB图像预测密集表面法向量。
• 在表面法向量与线特征上应用球面均值漂移聚类，基于曼哈顿世界假设实现全局一致、无漂移的旋转估计。
• 在3自由度（3-DoF）估计框架中，结合2D点特征与2D线段估计平移。
• 通过基于稀疏点与线特征地图的帧到地图优化策略，对初始位姿估计进行细化。
• 根据特征可用性选择关键帧，以维持地图质量与计算效率。
• 当未检测到有效曼哈顿帧时，系统回退至点与线特征进行完整位姿估计，确保初始化与跟踪过程的鲁棒性。

实验结果

研究问题

• RQ1 从单张RGB图像中预测密集表面法向量，是否能提升单目SLAM在低纹理室内环境中的性能？
• RQ2 当结合预测法向量与线特征时，曼哈顿世界假设在实现无漂移旋转估计方面的有效性如何？
• RQ3 与传统方法相比，解耦旋转与平移估计是否能有效减少单目SLAM中的长期漂移？
• RQ4 在标准基准测试中，该方法与最先进单目SLAM系统相比，在鲁棒性与精度方面表现如何？

主要发现

• 在ICL-NUIM与TUM RGB-D基准测试中，Structure-SLAM优于ORB-SLAM及其他最先进单目SLAM系统，尤其在低纹理序列中表现更优。
• 在旋转估计方面，该方法的相对位姿误差（RPE）显著低于ORB-SLAM，尤其在'of-kt3'与'lr-kt2'等挑战性序列中。
• 在非纹理场景（如'of-kt3'）中，ORB-SLAM因点特征不足而无法初始化或丢失跟踪，而Structure-SLAM在第110帧左右成功初始化并完整跟踪所有帧。
• 利用CNN预测的法向量，即使在纯旋转运动中也能实现鲁棒的旋转估计，而依赖基础矩阵或本质矩阵的传统方法在此类情况下会失效。
• 由于曼哈顿世界假设带来的全局对齐，系统在环境突变区域（如走廊拐角）表现出更优的跟踪稳定性。
• 学习得到的法向量与几何特征的结合，相比仅依赖点特征或深度传感器的方法，能实现更一致且准确的轨迹估计。