[论文解读] Probabilistic Combination of Noisy Points and Planes for RGB-D Odometry

Pedro F. Proença, Yang Gao|arXiv (Cornell University)|May 18, 2017

Robotics and Sensor-Based Localization被引用 4

一句话总结

本文提出了一种针对RGB-D相机的基于概率的视觉里程计方法，通过建模深度传感器不确定性并将其传播至几何特征提取过程，结合3D点与平面基元，利用不确定性加权残差优化相机位姿。与仅使用点的方法相比，该方法在低纹理环境中的鲁棒性显著提升——在fr3/structure_notexture_far序列上，相对平移误差降低了30%。

ABSTRACT

This work proposes a visual odometry method that combines points and plane primitives, extracted from a noisy depth camera. Depth measurement uncertainty is modelled and propagated through the extraction of geometric primitives to the frame-to-frame motion estimation, where pose is optimized by weighting the residuals of 3D point and planes matches, according to their uncertainties. Results on an RGB-D dataset show that the combination of points and planes, through the proposed method, is able to perform well in poorly textured environments, where point-based odometry is bound to fail.

研究动机与目标

• 解决基于点的视觉里程计在特征点稀疏的低纹理或易模糊的室内环境中失效的问题。
• 通过建模并传播从原始传感器数据到几何基元提取过程中深度测量的不确定性，提升位姿估计精度。
• 在统一的概率框架中结合3D点与平面基元，根据其不确定性对残差进行加权。
• 证明当通过不确定性进行加权时，基于平面的特征可增强结构光RGB-D里程计的鲁棒性。
• 通过使用不确定性驱动的加权方法，为ICP风格配准提供一种优于欧氏距离最小化的合理替代方案。

提出的方法

• 在RGB图像中使用SURF特征进行2D点检测，随后利用标定后的深度值和已知的深度不确定性模型（σZ = 1.425×10⁻⁶Z² mm）将点反投影至3D空间，适用于结构光相机。
• 应用一种融合深度不确定性的加权最小二乘平面拟合方法，以估计平面参数（法向量与原点距离）。
• 提出一种新型的平面到平面距离度量，作为传统点到平面距离的替代方案，用于位姿优化。
• 通过迭代重加权最小二乘法优化相机位姿，其中点与平面的残差均按其各自不确定性进行缩放，以最小化整体误差。
• 引入可调参数α，用于在代价函数中平衡平面残差相对于点残差的影响。
• 通过一阶误差传播和雅可比矩阵，推导从深度测量到3D点与平面估计的不确定性传播过程。

实验结果

研究问题

• RQ1 在概率框架中结合3D点与平面基元，是否能提升低纹理环境中视觉里程计的性能？
• RQ2 对深度传感器不确定性进行建模，如何影响RGB-D里程计中的位姿估计精度？
• RQ3 在不确定性加权残差的框架下，点与平面特征之间的最优平衡点是什么？
• RQ4 对几何特征进行不确定性感知加权，是否能减少漂移并提升在具有挑战性序列中的鲁棒性？
• RQ5 与传统点到平面方法相比，新型平面到平面距离度量是否能提升位姿估计的稳定性和准确性？

主要发现

• 所提出的不确定性加权点基里程计在fr1/desk序列上，将相对平移误差从43 mm/s降低至38 mm/s，证明了不确定性建模的优势。
• 在fr1/360序列（具有高运动模糊和低特征密度）中，不确定性加权点基里程计将误差从109 mm/s降低至86 mm/s。
• 在fr1/desk序列中，通过α = 10的点与平面联合方法，将平移误差降低至26 mm/s，优于现有最佳单目方法（26 mm/s vs. 43 mm/s）。
• 在fr3/structure_notexture_far序列中，点基里程计失效，而联合方法实现了50 mm/s的误差，相比最先进水平的43 mm/s提升了30%。
• 在fr3/cabinet序列中，通过在低纹理条件下利用平面特征，方法实现了17%的精度提升（从80 mm/s降至73 mm/s）。
• 最优α值为10，能有效平衡点与平面的贡献；更高的α值在低纹理场景中更倾向于平面，更低的α值在纹理丰富场景中更倾向于点。