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

Qiang Fu, Hongshan Yu+5 more|arXiv (Cornell University)|Aug 22, 2020

Robotics and Sensor-Based Localization参考文献 69被引用 4

一句话总结

FastORB-SLAM 提出了一种与描述符无关的关键点匹配方法，用于 RGB-D SLAM，通过在非关键帧中消除描述符计算，使 ORB-SLAM2 的速度得到提升。该方法基于稀疏光流和运动/几何约束，采用两阶段粗到精的方法，在 TUM 和 ICL-NUIM 数据集上实现了最先进水平的精度，同时运行速度约为 ORB-SLAM2 的两倍。

ABSTRACT

Indirect methods for visual SLAM are gaining popularity due to their robustness to environmental variations. ORB-SLAM2 \cite{orbslam2} is a benchmark method in this domain, however, it consumes significant time for computing descriptors that never get reused unless a frame is selected as a this http URL overcome these problems, we present FastORB-SLAM which is lightweight 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 predict initial keypoint correspondences via a simple but effective motion model and then robustly establish the correspondences via pyramid-based sparse optical flow tracking. In the second stage, we leverage the constraints of the motion smoothness and epipolar geometry to refine the correspondences. In particular, our method computes descriptors only for keyframes. We test FastORB-SLAM on extit{TUM} and extit{ICL-NUIM} RGB-D datasets and compare its accuracy and efficiency to nine existing RGB-D SLAM methods. Qualitative and quantitative results show that our method achieves state-of-the-art accuracy and is about twice as fast as the ORB-SLAM2.

研究动机与目标

• 通过在非关键帧中消除冗余的描述符计算，减少 ORB-SLAM2 的计算开销。
• 在连续帧中采用无描述符匹配的情况下，仍能保持高跟踪精度。
• 开发一种轻量化、高效的视觉 SLAM 系统，适用于实时部署。
• 利用运动平滑性和对极几何约束，无需描述符即可优化关键点对应关系。
• 在标准 RGB-D SLAM 基准测试中，实现精度和速度的最先进性能。

提出的方法

• 提出一种两阶段粗到精的关键点匹配流水线：首先，利用运动模型预测初始对应关系。
• 通过基于金字塔的稀疏光流跟踪对初始匹配进行优化，以增强对运动和光照变化的鲁棒性。
• 在第二阶段应用运动平滑性和对极几何约束，进一步优化对应关系。
• 仅在关键帧中计算描述符，显著降低跟踪过程中的计算负载。
• 该方法依赖稀疏光流和几何约束，在非关键帧中无需描述符计算即可保持精度。
• 在 TUM 和 ICL-NUIM RGB-D 数据集上，使用标准精度和效率指标对系统进行了评估。

实验结果

研究问题

• RQ1 是否可以在不降低视觉 SLAM 跟踪精度的前提下，避免在非关键帧中进行描述符计算？
• RQ2 结合运动模型与稀疏光流，在初始关键点对应关系预测中效果如何？
• RQ3 运动平滑性和对极几何约束在无描述符跟踪中，能在多大程度上提升匹配的鲁棒性？
• RQ4 无描述符的方法是否能实现最先进精度，同时显著提升相比 ORB-SLAM2 的速度？
• RQ5 与九种现有 RGB-D SLAM 方法相比，所提出方法在精度和效率方面表现如何？

主要发现

• FastORB-SLAM 在 TUM 和 ICL-NUIM RGB-D 数据集上实现了最先进精度，优于九种现有 RGB-D SLAM 方法。
• 由于在非关键帧中消除了描述符计算，该方法的运行速度约为 ORB-SLAM2 的两倍。
• 仅在关键帧中进行描述符计算，显著降低了整体计算成本，同时保持了跟踪的稳定性。
• 两阶段匹配流水线（结合运动模型和基于金字塔的光流）提供了鲁棒的初始对应关系。
• 运动平滑性和对极几何的几何约束显著提升了最终关键点匹配的精度。
• 定性和定量结果均表明，无描述符方法在多样化环境中仍能保持高精度。