Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLA

用户1150922

发布于 2020-09-10 18:20:15

7190

发布于 2020-09-10 18:20:15

文章被收录于专栏：计算机视觉life

Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLAM

论文：https://arxiv.org/abs/2001.00714

代码：

单目https://github.com/ivalab/GF_ORB_SLAM

双目https://github.com/ivalab/gf_orb_slam2

摘要

—在VO或VSLAM系统中保持性能（精确度和鲁棒性）和效率（延迟）的取舍是一个重要的课题。基于特征的系统展现了良好的性能，但由于显式的数据关联有更高的时延；直接和半直接系统低时延，但在一些场景不适用，比基于特征的系统精度低。本论文旨在为基于特征的视觉SLAM提高性能效率，提出了一个主动的地图到图像帧的特征匹配算法：特征匹配和一个需要评分的子矩阵选择联系起来，经过仿真，用Max-logDet矩阵评分有最好的表现。对于实时的适用性，调研了线性时间选择（deterministic selection）和随机加速（randomized acceleration）的组合。本文提出的算法用于了基于特征点的单目和双目SLAM系统。在多个数据集的表现可量化地表明不降低鲁棒性前提下可减少时延。

本文的主要结果如上图所示，左图描述了四种VO/VSLAM系统在EuRoC MAV数据集上时延和精度对比，本文提出的GF-ORB-SLAM在左下区域，相比SVO和DSO有着较高精度，且平均延迟比ORB-SLAM低。GF-ORB-SLAM和ORB-SLAM相比，特征提取时间相同，但是它极大减少了特征匹配和接下来的模块的耗时，在四个系统中延迟最低。本文主要贡献：

最小二乘位姿优化误差模型的研究，将位姿优化性能和带权重的雅各比矩阵的谱性质联系起来。
将度量指标的探索和位姿优化的最小二乘条件结合起来，选择Max-logDet值最为最优度量。
以Max-logDet为度量提出的高效特征选择算法比现有特征选择算法快一个数量级。
提出高效的且适用于基于特征点的VO/VSLAM的将特征选择和主动特征匹配结合起来的普适特征匹配算法
将提出的特征匹配算法在基于特征的VSLAM系统上用不同数据集，传感器配置和计算平台进行综合分析。结果证明精度和鲁棒性不变下延迟降低。单目和双目版本实现已开源。

在ORB-SLAM上应用该特征匹配算法被称作GF-ORB-SLAM或简称GF，相比于ORB-SLAM它可以减少时延，同时跟踪精度提高（在计算机上）或保持不变（在低功率设备上），鲁棒性不变（如避免跟踪失败）。下图一些单目VO/SLAM系统在EuRoC三个数据集上的时延和精确度关系图，GF的时延和SVO差不多，但精确度比SVO和DSO高一个数量级，精确度保留可以从和ORB-SLAM的其他两个变种Rnd和Long对比看出，GF的曲线更低更平坦。