优化良图：视觉 SLAM 中具成本效益且预算感知的束调整
计算机视觉与模式识别
2020-08-25 v1 机器人学
摘要
视觉（惯性）SLAM（VSLAM）的成本效益是资源受限应用的关键特征。尽管硬件与算法进展已显著改善 VSLAM 前端的成本效益，VSLAM 后端的成本效益仍是瓶颈。本文描述一种新颖、严谨的方法以提升基于 BA 的 VSLAM 后端中局部 BA 的成本效益。开发了一种称为 Good Graph 的高效算法，用于选择局部 BA 中优化的尺寸缩减图并保持条件。为更适配基于 BA 的 VSLAM 后端，Good Graph 预测未来估计需求，动态分配适当尺寸预算，并选择条件最大化的子图用于 BA 估计。在两个场景评估：1）VSLAM 作为独立过程；2）VSLAM 作为闭环导航系统一部分。第一场景结果表明，在存在计算限制时 Good Graph 提升了 VSLAM 估计的精度与鲁棒性。第二场景结果表明 Good Graph 有益于基于 VSLAM 的闭环导航系统的轨迹跟踪性能，而后者是 VSLAM 的主要应用。
引用
@article{arxiv.2008.10123,
title = {Good Graph to Optimize: Cost-Effective, Budget-Aware Bundle Adjustment in Visual SLAM},
author = {Yipu Zhao and Justin S. Smith and Patricio A. Vela},
journal= {arXiv preprint arXiv:2008.10123},
year = {2020}
}
备注
20 pages, 14 figures, 8 tables. Submitted to IEEE Transactions on Robotics, for the provided open-source software see https://github.com/ivalab/gf_orb_slam2