ManhattanSLAM：利用曼哈顿帧混合的鲁棒平面跟踪与建图
计算机视觉与模式识别
2021-03-30 v1 机器人学
摘要
本文提出一种鲁棒的 RGB-D SLAM 系统，利用室内场景中的结构信息，可在 CPU 上实现精确跟踪与高效稠密建图。已有工作使用曼哈顿世界（MW）假设来估计低漂移相机位姿，进而限制了此类系统的应用。相比之下，本文提出一种新方法，可在 MW 与非 MW 环境中实现鲁棒跟踪。我们检查平面间的正交关系以直接检测曼哈顿帧，将场景建模为曼哈顿帧混合。对于 MW 场景，我们解耦位姿估计，并基于曼哈顿帧观测提出一种无漂移旋转估计新方法。对于 MW 场景中的平移估计以及非 MW 场景中的完整相机位姿估计，我们利用点、线、面特征在挑战性场景中实现鲁棒跟踪。%建图 此外，通过利用每帧检测到的平面特征，我们还提出一种高效的基于面元的稠密建图策略，将每幅图像划分为平面与非平面区域。平面面元由我们地图中的稀疏平面直接初始化，而非平面面元通过提取超像素构建。我们在公开基准上评估了我们的方法在位姿估计、漂移与重建精度上的表现，取得了优于其他最先进方法的性能。我们将在未来开源我们的代码。
引用
@article{arxiv.2103.15068,
title = {ManhattanSLAM: Robust Planar Tracking and Mapping Leveraging Mixture of Manhattan Frames},
author = {Raza Yunus and Yanyan Li and Federico Tombari},
journal= {arXiv preprint arXiv:2103.15068},
year = {2021}
}