[论文解读] FastORB-SLAM: a Fast ORB-SLAM Method with Coarse-to-Fine Descriptor Independent Keypoint Matching

Qiang Fu, Hongshan Yu+4 more|arXiv (Cornell University)|Aug 22, 2020

Robotics and Sensor-Based Localization被引用 6

一句话总结

FastORB-SLAM 提出了一种与描述符无关、分两阶段的粗到精关键点匹配方法，利用稀疏光流加速 ORB-SLAM2，消除了非关键帧之间的描述符计算。该方法在 TUM 和 ICL-NUIM 数据集上实现了最先进水平的精度和约 2 倍的加速，仅对关键帧计算描述符。

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

研究动机与目标

• 解决 ORB-SLAM2 在跟踪过程中描述符计算带来的高计算成本问题。
• 实现在不进行关键帧选择的情况下跨帧复用描述符，提升效率。
• 开发一种快速、与描述符无关的关键点匹配方法，适用于实时视觉 SLAM。
• 在不同环境下保持高精度的同时减少处理时间。
• 在标准 RGBD SLAM 基准测试中实现精度和速度的最先进性能。

提出的方法

• 使用均匀加速度运动模型预测相邻帧之间的初始关键点对应关系。
• 应用基于金字塔的稀疏光流方法，稳健地建立初始对应关系。
• 在第二轮精化阶段，利用运动平滑性和基础几何约束优化匹配结果。
• 仅对关键帧计算 ORB 描述符，避免在非关键帧中进行冗余计算。
• 利用粗到精的匹配策略提升鲁棒性并降低计算负载。
• 以最小的架构改动将该方法集成到 ORB-SLAM2 框架中，确保兼容性与效率。

实验结果

研究问题

• RQ1 是否可以在不牺牲精度的前提下，消除相邻帧之间跟踪过程中的描述符计算？
• RQ2 基于光流的两阶段粗到精关键点匹配策略在减少 SLAM 计算时间方面有多高效？
• RQ3 仅对关键帧计算描述符在多大程度上能维持跟踪的鲁棒性和精度？
• RQ4 该方法在标准基准测试中与现有 RGBD SLAM 系统相比，在速度和精度方面表现如何？
• RQ5 运动平滑性和基础几何约束是否能显著提升无描述符跟踪中的关键点匹配可靠性？

主要发现

• FastORB-SLAM 在 TUM 和 ICL-NUIM 数据集上的运行速度约为 ORB-SLAM2 的两倍。
• 该方法保持了最先进水平的精度，在定量评估中优于九种现有的 RGBD SLAM 方法。
• 描述符计算被限制在仅关键帧，显著降低了跟踪过程中的计算开销。
• 基于稀疏光流的粗到精匹配策略提升了对应关系的鲁棒性与跟踪稳定性。
• 定性结果证实了在多样化环境中轨迹估计的一致性与准确性。
• 该方法在 TUM 和 ICL-NUIM 数据集上均表现出色，验证了其泛化能力与高效性。