[论文解读] Submap-based Pose-graph Visual SLAM: A Robust Visual Exploration and Localization System

Weinan Chen, Lei Zhu+3 more|arXiv (Cornell University)|Jul 3, 2018

Robotics and Sensor-Based Localization参考文献 7被引用 5

一句话总结

该论文提出了一种基于子图的位姿图视觉SLAM系统，通过多约束前端和基于子图的后端，在纹理缺失、运动模糊等具有挑战性的视觉条件下显著提升了鲁棒性。系统通过子图切换和回环闭合合并实现连续跟踪，在重定位任务中实现了65.8%的跟踪率和0.312的ATE RMSE，优于现有最先进方法在易出错场景下的鲁棒性和精度表现。

ABSTRACT

For VSLAM (Visual Simultaneous Localization and Mapping), localization is a challenging task, especially for some challenging situations: textureless frames, motion blur, etc.. To build a robust exploration and localization system in a given space or environment, a submap-based VSLAM system is proposed in this paper. Our system uses a submap back-end and a visual front-end. The main advantage of our system is its robustness with respect to tracking failure, a common problem in current VSLAM algorithms. The robustness of our system is compared with the state-of-the-art in terms of average tracking percentage. The precision of our system is also evaluated in terms of ATE (absolute trajectory error) RMSE (root mean square error) comparing the state-of-the-art. The ability of our system in solving the `kidnapped' problem is demonstrated. Our system can improve the robustness of visual localization in challenging situations.

研究动机与目标

• 解决单目VSLAM在纹理缺失、运动模糊或低光照条件下视觉跟踪失败的挑战。
• 通过在跟踪丢失时仍保持连续运行，提升重复室内探索中的定位鲁棒性。
• 通过一种新颖的探索终止条件构建稠密、拓扑完整的地图，实现在“被劫持”场景后的可靠重定位。
• 通过将多种约束（跟踪与回环闭合）整合到基于子图的位姿图后端中，提升精度与图优化性能。
• 开发一种能够实现高完整度与鲁棒性的稠密探索系统，适用于实际的室内导航应用。

提出的方法

• 采用多约束前端，结合视觉里程计（VO）与基于词袋（BoW）模型的场景识别，生成跟踪边与回环闭合边。
• 采用基于子图的后端，维护多个局部子图而非单一全局图，即使全局跟踪失败，仍可在子图中保持跟踪。
• 在回环闭合边中引入可切换因子，提升子图合并时的鲁棒性并减少优化误差。
• 提出一种基于顶点密度的探索终止条件，确保拓扑完整性并防止无限探索。
• 利用基于特征的相对位姿估计与基于BoW的场景识别，构建高关键帧密度的稠密、全局一致地图。
• 在包含多种约束的位姿图上执行图优化，以精炼相机位姿估计并提升轨迹精度。

实验结果

研究问题

• RQ1 基于子图的后端是否能在纹理缺失墙壁和运动模糊等具有挑战性的视觉条件下，显著提升单目VSLAM的跟踪鲁棒性？
• RQ2 前端中整合多种约束（跟踪与回环闭合）对视觉SLAM系统的精度与稳定性有何影响？
• RQ3 所提出的系统在利用稠密、子图结构化地图的情况下，能在多大程度上从跟踪失败或“被劫持”场景中恢复？
• RQ4 所提出的探索终止条件是否能有效平衡稠密探索过程中的地图完整度与计算效率？
• RQ5 在与ORB-SLAM等最先进VSLAM系统相同的评估条件下，该系统在ATE RMSE和跟踪率方面的表现如何？

主要发现

• 所提系统在重定位数据集上实现了65.8%的跟踪率和0.312的ATE RMSE，尽管帧率较低，仍优于ORB-SLAM在鲁棒性方面的表现。
• 系统在跟踪失败后通过切换至新子图仍能保持连续运行，展现出对跟踪丢失的强韧性。
• 基于子图的后端在子图规模增大时未导致性能下降，不同子图数量下的RMSE值保持稳定，表明系统具有良好的可扩展性。
• 多约束前端增加了优化边的数量，相比单约束系统，显著提升了精度并降低了ATE RMSE。
• 系统通过使用所提出的终止条件构建的拓扑稠密地图，成功解决了“被劫持”问题，支持从任意视角实现重定位。
• 平均帧率为3.0 fps，低于ORB-SLAM，主要因回环检测耗时较长，但基于特征的前端确保了在直接跟踪失败时仍能持续跟踪。