2022-05-31-ORBSLAM3

原文链接:https://arxiv.org/abs/2007.11898

参考翻译文章:https://zhuanlan.zhihu.com/p/403299796

摘要

本文提出的ORBSLAM3,采用针孔相机和鱼眼镜头模型第一个在单目、双目以及RGBD相机上都能执行纯视觉、视觉-惯性以及多地图的SLAM系统

  1. 第一个主要的创新点是基于特征的紧耦合视觉惯性SLAM系统完全依赖于最大后验估计MAP算法,甚至在IMU初始化阶段期间。这个SLAM系统,在实时的、小型或大型、室内或室外环境中,都能鲁棒地运行系统,并且要比之前的方法精确2到5倍
  2. 第二个主要的创新点是多地图系统,依赖于一个提升召回率的新的位置识别算法。基于此,ORB-SLAM3在长期缺乏视觉信息的情况下依旧能够运行:当特征跟踪丢失时,它将会开启一个新地图,遇到建图过的区域将会无缝合并之前的地图。与那些只是用前几秒信息的视觉里程计系统相比,ORBSLAM3系统是第一个,能在每个算法阶段,复用之前的所有信息。这个允许包括在光束平差法共视关键帧阶段,其提供提升精度的高视差观测,即使在时间序列上是分隔的,或者他们来自之前的建图会话Session。

我们的实验显示,在所有的传感器配置中,ORBSLAM3和已有文献中最好的系统一样鲁棒,并且要更加精确。注意的是,我们的双目-惯性SLAM在EuRoC飞行器数据集上达到了平均3.6cm的精度,在TUM-VI(AR/VR场景代表)快速手持运动环境的室内数据集中达到了平均9mm的精度。为了社区的明天,本文开源了代码。

引言

表1给出了最具代表的视觉和视觉-惯性系统的总结,显示了用于估计和数据关联的主要技术。定性的精度对比和鲁棒性评级包括在表中,对于现代SLAM系统主要基于第7小节中介绍的对比方法,而针对经典的系统,主要基于文献【2】【52】中先前的比较。

不同SLAM系统之间的相同点与不通电

image-20220531180642864

打赏
  • 版权声明: 本博客所有文章除特别声明外,均采用 Apache License 2.0 许可协议。转载请注明出处!

扫一扫,分享到微信

微信分享二维码
  • © 2019-2022 guoben
  • PV: UV:

微信