[论文解读] Visual SLAM: What are the Current Trends and What to Expect?

Ali Tourani, Hriday Bavle+2 more|arXiv (Cornell University)|Oct 19, 2022

Robotics and Sensor-Based Localization被引用 5

一句话总结

本综述回顾了视觉SLAM（VSLAM）的最新进展，按新颖性领域、目标、算法和语义层级对45篇关键论文进行了分类。研究识别出深度学习、语义分割、回环闭合优化以及应对复杂环境是主要趋势，同时指出了计算权衡和漂移误差作为持续存在的挑战。

ABSTRACT

Vision-based sensors have shown significant performance, accuracy, and efficiency gain in Simultaneous Localization and Mapping (SLAM) systems in recent years. In this regard, Visual Simultaneous Localization and Mapping (VSLAM) methods refer to the SLAM approaches that employ cameras for pose estimation and map generation. We can see many research works that demonstrated VSLAMs can outperform traditional methods, which rely only on a particular sensor, such as a Lidar, even with lower costs. VSLAM approaches utilize different camera types (e.g., monocular, stereo, and RGB-D), have been tested on various datasets (e.g., KITTI, TUM RGB-D, and EuRoC) and in dissimilar environments (e.g., indoors and outdoors), and employ multiple algorithms and methodologies to have a better understanding of the environment. The mentioned variations have made this topic popular for researchers and resulted in a wide range of VSLAMs methodologies. In this regard, the primary intent of this survey is to present the recent advances in VSLAM systems, along with discussing the existing challenges and trends. We have given an in-depth literature survey of forty-five impactful papers published in the domain of VSLAMs. We have classified these manuscripts by different characteristics, including the novelty domain, objectives, employed algorithms, and semantic level. We also discuss the current trends and future directions that may help researchers investigate them.

研究动机与目标

• 提供基于摄像头传感器的视觉SLAM系统最新进展的全面综述。
• 识别并分析当前VSLAM研究中的趋势与开放性挑战，尤其关注特征提取、语义理解与计算效率方面。
• 根据方法论、环境、语义层级与算法方法，对45篇具有影响力的VSLAM论文进行分类。
• 突出尚未充分探索的研究方向，如深度学习集成、实时性能权衡，以及在低纹理环境中的鲁棒性。
• 通过阐明关键开放问题，如漂移校正、回环闭合可扩展性与语义感知地图构建，为未来研究提供指导。

提出的方法

• 对45篇具有影响力的VSLAM论文进行了深入文献调研，重点关注其技术方法与贡献。
• 根据关键特征对论文进行分类：新颖性领域、目标、所采用的算法（例如，直接法与间接法），以及地图的语义层级。
• 分析直接法与间接法VSLAM的作用，包括间接法中的基于特征的跟踪，以及直接法中的光度误差最小化。
• 评估混合VSLAM架构，该架构结合了特征提取（间接法）与像素级优化（直接法），以提升鲁棒性。
• 回顾深度学习在VSLAM中的集成，特别是卷积神经网络（CNNs）在特征提取、语义分割与目标检测中的应用。
• 评估回环闭合检测中的挑战，包括高计算成本与地图规模扩展性问题，并探讨基于视觉词汇的检索技术。

实验结果

研究问题

• RQ1 当前视觉SLAM研究中的主导趋势是什么，特别是在深度学习与语义理解的集成方面？
• RQ2 在不同环境中，直接法、间接法与混合VSLAM方法在精度、鲁棒性与计算成本方面如何比较？
• RQ3 回环闭合检测中的关键挑战是什么？在大规模与长期SLAM应用中，如何缓解这些挑战？
• RQ4 语义分割在哪些方面能够提升VSLAM系统的位姿估计、地图一致性与轨迹规划？
• RQ5 VSLAM系统如何在保持实时性能的同时，平衡信息丰富度与计算负载，尤其是在密集表示与稀疏表示之间？

主要发现

• 基于深度学习的特征提取器，特别是卷积神经网络（CNNs），在复杂或动态场景中显著提升了特征检测与匹配性能。
• 语义分割通过实现基于物体的理解，增强了VSLAM系统，支持更优的回环闭合检测与轨迹优化。
• 直接VSLAM方法通过利用全部像素数据，在三维重建中实现了更高精度，但面临大规模优化与计算负载的挑战。
• 间接（基于特征）方法对光照变化具有鲁棒性，但需要计算成本较高的特征提取与匹配阶段。
• 结合基于特征的初始化与直接优化的混合VSLAM方法在纹理缺失或动态环境中表现出更高的精度与鲁棒性。
• 由于地图规模增大导致计算成本上升，回环闭合检测仍是主要瓶颈，而基于视觉词汇的检索是一种有前景但仍有挑战的解决方案。