[论文解读] 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 16

一句话总结

LDSO通过集成回环检测与位姿图优化，扩展了直接稀疏里程计系统DSO，以减少单目SLAM中的长期漂移。通过修改DSO的特征选择策略，优先选取具有ORB描述符的可重复角点特征，实现了基于词袋的鲁棒回环检测与几何Sim(3)位姿约束估计，其性能可与最先进的基于特征的系统相媲美，且无需全局捆绑调整。

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.

研究动机与目标

• 解决单目直接视觉里程计中的长期漂移问题，该问题会累积旋转、平移与尺度误差。
• 在传统上缺乏可重复特征以支持基于特征的回环检测的全直接里程计系统（如DSO）中实现回环检测。
• 在特征稀少环境中保持DSO的鲁棒性，同时通过策略性点选择实现可靠的回环检测。
• 将位姿图优化与几何一致性相结合，提升全局轨迹与地图精度，且无需依赖全局捆绑调整。
• 证明通过有效的回环检测，直接里程计系统可实现与当前最先进的基于特征的SLAM系统相当的性能。

提出的方法

• 调整DSO的点选择策略，优先选择可重复性高的角点特征，以确保跨视图的稳定特征匹配。
• 从选定的角点特征中提取ORB描述符，以支持传统的词袋（BoW）回环检测。
• 通过2D与3D误差最小化对回环候选进行几何验证，以估计Sim(3)相对位姿约束。
• 将检测到的Sim(3)约束与DSO滑动窗口优化中生成的相对位姿共可见性图进行融合。
• 利用融合后的约束执行位姿图优化，以校正累积的旋转、平移与尺度漂移。
• 使用Sim(3)对齐方法进行轨迹评估与与基准数据集真实值的误差计算。

实验结果

研究问题

• RQ1 能否在保持其在特征稀少环境中鲁棒性的前提下，有效扩展类似DSO的直接稀疏里程计系统以支持回环检测？
• RQ2 可重复特征选择的整合对直接SLAM系统中回环检测的准确性与一致性产生何种影响？
• RQ3 在无需全局捆绑调整的情况下，仅靠位姿图优化能在多大程度上减少单目SLAM中的全局漂移？
• RQ4 在标准基准测试中，LDSO与ORB-SLAM2等最先进的基于特征的SLAM系统相比，在精度与鲁棒性方面表现如何？
• RQ5 在DSO前端增加特征提取与回环检测带来的计算开销是多少？是否适合实时运行？

主要发现

• 在KITTI序列00上，LDSO将绝对轨迹误差（ATE）从DSO的126.7m降低至9.322m，接近ORB-SLAM2（8.27m）的性能，且无需全局捆绑调整。
• 在EuRoC MAV数据集上，LDSO在17次运行中的12次实现了比ORB-SLAM2更低的RMSE，表明其在复杂条件下具有更优的鲁棒性。
• LDSO中改进的点选择策略保持了原始DSO在特征稀少环境中的跟踪精度与鲁棒性，如性能对比所示。
• 回环检测显著减少了累积漂移，优化后轨迹与三维点云对齐效果明显提升，如TUM-Mono与KITTI序列中的可视化结果所示。
• 由于仅在关键帧上处理，LDSO中特征提取的运行时开销极低——每帧仅0.0218秒，适合实时部署。
• 结合Sim(3)约束的位姿图优化能有效校正尺度、旋转与平移漂移，即使在长序列中也能生成全局一致的地图。