一种解耦非线性优化的高效VI-SLAM系统-Snake-SLAM

本文主要是介绍一种解耦非线性优化的高效VI-SLAM系统-Snake-SLAM，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

摘要

Snake-SLAM 是一种可在低功率航空设备上稳定运行的VI SLAM 自主导航系统。跟踪前端具有地图复用、闭环、重定位功能，并支持单目、立体和 RGBD 输入。该系统通过图论算法来减少关键帧并提出一种“延时地图”的方法来确保生成准确的全局地图，优化后端将 IMU 状态估计与从视觉光束法平差中进行解耦，将有约束的优化问题拆分为两个子问题，大大降低的计算复杂度，并使得Snake-SLAM 相比于现有的SLAM系统可以使用更大滑窗。我们的系统实现了一种先进的多模式VI 初始化方案，该方案使用陀螺仪数据检测视觉异常值并恢复速度、重力和尺度。我们在 EuRoC 数据集上评估 Snake-SLAM ，结果表明它在效率方面优于所有其他方法，并且实现最先进的跟踪精度。

主要工作

1.解耦优化

为了减少非线性优化的复杂度。将状态估计分为两个子问题，首先将IMU估计出来的的速度、偏差、重力方向、尺度用来构建连续帧i和i+1的误差方程，如下：
在这里插入图片描述

然后使用IMU估计的参数去计算i到i+1帧的变换关系，并将这个变换关系添加到视觉BA中，如下：
在这里插入图片描述

鲁棒性初始化

一个好的初始化对于camera tracking 和准确的尺度恢复起到至关重要的作用，目前一些方案通过将imu静止15妙来进行初始化，但是这种操作是没有必要的，重力偏差可以通过一些关键帧计算得到，无非是尺度和重力方向初始化花费一些时间而已。在 Snake-SLAM 中，跟踪以仅视觉模式开始，当一旦有8个关键帧已插入到地图，陀螺仪偏置初始化启动。为了计算全局偏差，本系统构建旋转最小化误差，如下：
在这里插入图片描述

地图简化

为了减少冗余计算，将关键帧作为图的节点，图的边为关键帧之间的匹配内点个数；这样就构建了历史关键帧和候选关键帧的图，一旦有新的关键帧插入，取图的最大生成树的最小边作为地图的质量，如果质量大于一定的阈值，丢弃该关键帧，如下图：

在这里插入图片描述

4.延时地图(deferred mapper)

利用了colmap post-triangulation 的思想，local ba 结束后再次三角化，增加地图愁密度，提高稳定性，同时避免gba 漂移。在Snake-SLAM local mapper中，延时10帧，即是当ki插入的时候，ki-10被处理

高效率和低功耗的特点使得Snake-SLAM 可以在各种移动设备，例如无人机、机器人、手机或头戴式AR设备上运行

代码运行效果

源代码地址：https://github.com/darglein/Snake-SLAM

作者上传的代码存在很多bug(不知道他是不是故意的)，且Snake-SLAM 的环境及其及其难配置。自己折腾了很久才将环境和代码的bug解决掉(目前可视化还没解决，只能看到最终结果)，但是不可否认的是，作者的代码和colmap有异曲同工之处，都具备很好的阅读性，是一款非常推荐的VIO-SLAM系统。同时Snake-SLAM的后端优化和可视化平台与是其作者自己开发的saiga平台(一款轻量级的渲染框架)，代码地址：https://github.com/darglein/saiga ，saiga可视化平台可视化效果如下：

在这里插入图片描述