BAD SLAM：捆绑束调整直接RGB-D SLAM
BAD SLAM: Bundle Adjusted Direct RGB-D SLAM
论文地址：
源码链接：www.eth3d.net
摘要
同时定位与映射（SLAM）系统的一个关键组成部分是估计的3D地图与摄像机轨迹的联合优化。束调整（BA）是这方面的金标准。由于稠密RGB-D SLAM中存在大量的变量，以往的工作主要集中在BA的近似上。相比之下，本文提出了一种新的快速直接BA公式，并将其应用于实时密集RGB-D SLAM算法中。证明了直接RGB-D SLAM系统对卷帘快门、RGB和深度传感器同步以及校准误差高度敏感。为了促进对直接RGB-D SLAM的最新研究，提出了一种新颖的、经过良好校准的基准，该基准使用同步的全局快门RGB和深度相机。它包括一个训练集，一个没有公共背景真相的测试集，以及一个在线评估服务。与现有方法相比，该数据集上方法的排序发生了变化，提出的算法优于所有其他评估的SLAM方法。
主要贡献
i） 在RGB-D SLAM系统中实现了一种新的快速直接BA算法，其性能优于现有方法。
ii）一个经过良好校准的RGB-D SLAM基准数据集，但也包括单目和立体视觉惯性SLAM。 与以前的数据集不同，本文使用同步全局快门相机，不需要对滚动快门等效果建模。与现有数据集相比，RGB-D SLAM方法在该数据集上的排名发生了变化。
iii）本文基准和SLAM系统作为开源的排行榜，可参考www.eth3d.net。
本文证明了在密集的RGB-D数据上使用单一GPU直接交替BA是实时可行的。提出了一种新颖实用的BA算法，该算法经过精心设计，能够在如图1所示的场景中实时运行。
Direct RGB-D Bundle Adjustment
与SLAM算法一样，由前端和后端组成（c.f.图2）。前端实时跟踪RGB-D相机的运动。提供了摄像机姿态和场景几何的初始估计。后端以较低的频率运行[32]，重新定义相机轨迹和几何图形，以构建一致的三维地图。本文的核心技术贡献是一种新的用于后端的直接RGB-D SLAM的Bundle调整（BA）策略。下面，我们将详细描述这个策略。
BA策略基于一组关键概念：
同时使用基于记录深度图像的几何约束和光度约束。后者使用渐变而不是原始像素强度来对光度变化保持鲁棒性。为了实现有效的优化，在重新确定3D地图和相机姿态之间进行交替，以最小化每个时间点考虑的参数数量。本方法是第一个为RGB-D SLAM的密集BA方法，可以在较小的场景中实时运行。首先描述数据表示，然后详细说明优化的成本函数和优化过程本身。
优化方案，如Alg1所述。执行多次迭代直到达到最大值或收敛。在每个迭代中，交替的步骤优化等式1中的成本并更新surfels。每一步的细节如下。
Benchmark Dataset
作为记录新的RGB D SLAM基准的动机，讨论了流行的TUM RGB-D数据集的结果[61]。表2显示了一些常用序列上不同SLAM方法的绝对轨迹误差（ATE）结果（如[61]中所用；越小越好）。可选的内部函数和深度失真优化极大地改善了这些数据集上的结果。
对于异步帧，使用最坏的情况，因为彩色图像是在两个连续深度图像之间的中间时间点渲染的。所有其他偏移都会产生时间上更接近的深度/颜色对。结果显示在表3中。与TUM-RGB-D结果相比，在这些数据集上优于所有其他方法，表明需要模拟更多的效果，例如深度失真，以获得真实的结果。
通过对两台红外摄像机进行立体深度估计，该立体算法同时利用了主动照明和环境红外光。地面真实姿态主要由运动捕捉系统记录。一些训练数据集被记录在这个系统之外以获得更多的多样性。根据基准摄像机和钻机上的附加摄像机的运动结构，以及多次覆盖数据集序列的视频，给出了这些数据的基本真相。这些数据集被保存在一个单独的类别中，可能不太准确。本SLAM基准包括61个训练和35个测试数据集。图3示出了来自本数据集的示例图像。所有序列都显示在补充视频中。
比较了最新的（非惯性）RGB-D SLAM方法的源代码是可用的。对于所有方法，参数仅在训练数据集上调整。图6示出了累积结果，而图7示出了所有数据集上的单个结果。将数据集划分为简单、中等或硬：简单数据集由大多数算法求解，而硬数据集则不由任何算法很好地求解。剩下的是中等难度的。训练数据集的“SfM”类别包含具有SfM地面真值的数据集。
图4显示了BA方案的不同部分在基准测试的示例数据集上的运行时间。里程计所用的时间可以忽略不计。关键帧姿势和几何优化占用的时间最多。
在图5中评估关键帧的创建频率，其中每个关键帧的帧数是为每个图形指定的。在该评估中，选择更频繁的关键帧总是比选择较少的关键帧执行得更好，尽管可能会减少实时设置中的BA迭代次数。但是，内存使用也随着更多关键帧而线性增加。用于surfel创建的单元大小在图5中计算。较小的单元大小可以产生更密集的场景重建，从而提高内存使用率。它可以提高精度，因为更多的几何考虑，但也增加了计算要求。