[论文解读] Good Graph to Optimize: Cost-Effective, Budget-Aware Bundle Adjustment in Visual SLAM

Yipu Zhao, Justin S. Smith+1 more|arXiv (Cornell University)|Aug 23, 2020

Robotics and Sensor-Based Localization参考文献 65被引用 7

一句话总结

本文提出 Good Graph，一种预算感知、成本效益高的方法，通过在动态大小约束下选择条件最大化子图，优化视觉 SLAM 中的局部捆绑调整（BA）。通过利用子模优化以保持数值条件性，该方法在计算资源受限条件下提升了精度与鲁棒性，减少了跟踪失败并稳定了独立 SLAM 与闭环导航系统中的性能表现。

ABSTRACT

The cost-efficiency of visual(-inertial) SLAM (VSLAM) is a critical characteristic of resource-limited applications. While hardware and algorithm advances have been significantly improved the cost-efficiency of VSLAM front-ends, the cost-efficiency of VSLAM back-ends remains a bottleneck. This paper describes a novel, rigorous method to improve the cost-efficiency of local BA in a BA-based VSLAM back-end. An efficient algorithm, called Good Graph, is developed to select size-reduced graphs optimized in local BA with condition preservation. To better suit BA-based VSLAM back-ends, the Good Graph predicts future estimation needs, dynamically assigns an appropriate size budget, and selects a condition-maximized subgraph for BA estimation. Evaluations are conducted on two scenarios: 1) VSLAM as standalone process, and 2) VSLAM as part of closed-loop navigation system. Results from the first scenario show Good Graph improves accuracy and robustness of VSLAM estimation, when computational limits exist. Results from the second scenario, indicate that Good Graph benefits the trajectory tracking performance of VSLAM-based closed-loop navigation systems, which is a primary application of VSLAM.

研究动机与目标

• 为解决基于 BA 的 VSLAM 后端中持续存在的高计算成本瓶颈，尤其是在资源受限环境下的问题。
• 在不牺牲估计精度或鲁棒性的前提下，提升局部捆绑调整（BA）的成本效益。
• 开发一种动态、预算感知的方法，用于选择尺寸缩减、条件良好的子图，以优化局部 BA。
• 提升在实时、资源受限应用场景（如 AR 头戴设备和微型无人机）中 VSLAM 的性能。
• 为现有基于 BA 的 SLAM 系统（如 ORB-SLAM）提供一种通用、开源的增强方案。

提出的方法

• Good Graph 使用子模优化，选择一组状态（相机位姿与 3D 点），以相对于完整问题最大化局部 BA 问题的条件性。
• 根据实时计算约束和未来估计需求，动态分配局部 BA 图的大小预算。
• 通过保持海塞矩阵的条件数，确保数值稳定性，最小化优化子问题中的病态性。
• 结合 SLAM 特定启发式方法（如共视性与时间接近性），在保持优化质量的同时指导子图选择。
• 该方法可实时运行，实现高效的局部 BA 更新，无需进行完整的全局优化。
• 设计为可插入现有基于 BA 的 VSLAM 后端的增强模块，开源代码可供集成。

实验结果

研究问题

• RQ1 如何在资源受限条件下，通过降低计算成本，优化 VSLAM 中的局部捆绑调整，同时保持高精度？
• RQ2 应采用何种标准选择尺寸缩减的子图，以保留数值条件性与收敛鲁棒性？
• RQ3 动态、预算感知的子图选择如何影响实时 SLAM 系统中的跟踪稳定性与轨迹精度？
• RQ4 基于条件保持与子模优化的选择方法，是否能在鲁棒性与一致性方面超越启发式窗口法或基于共视性的方法？
• RQ5 在不同计算资源与传感器噪声条件下，Good Graph 对闭环导航系统性能的提升程度如何？

主要发现

• 在独立 SLAM 系统中，Good Graph 在计算资源受限条件下显著减少了跟踪失败并提升了鲁棒性，GF+GG 在 36 次测试中仅出现 1 次失败，而 GF 与 MSC 分别出现 3 次与 4 次失败。
• GF+GG 变体表现出更一致的误差结果，均方根误差（RMSE）为 0.285 ± 0.140，显著优于 GF 的 0.304 ± 0.197 与 MSC 的 0.522 ± 0.162。
• 在高端 IMU 条件下，GF+GG 的 RMSE 仅从 0.19 上升至 0.26，而 GF 的 RMSE 从 0.15 上升至 0.34，表明其在速度变化下具备更好的稳定性。
• 在低端 IMU 条件下，GF+GG 尽管存在噪声，仍保持一致性能，误差一致性与失败率均优于 GF 与 MSC。
• 视觉上，GF+GG 生成的轨迹最一致且最准确，表现出最小的发散与漂移，表明其位姿估计具有更优的稳定性。
• 该方法展现出良好的泛化能力，在路径类型、速度与 IMU 噪声等多样化场景中均提升性能，证明其对运行时条件具备良好适应性。