爱站程序员基地文章目录
- 1. Introduction
- 2. SLAM Framework Based on Graph Optimization
- 3. The SLAM Framework of Low-Cost LiDAR and Vision Fusion
- 4. 2.5D Map Representation and Relocation
- 5. 实验结果
- 5.1 实验平台和环境
- 5.2 建图
- 5.3 重定位
1. Introduction
介绍了两种主流的SLAM方法：LiDAR和Visual，并介绍了其发展过程，然后提到了一些融合LiDAR和Visual的研究，当前硬件的价格和性能的矛盾，最后提出了本文的两点主要贡献：
- 提出了低成本激光视觉SLAM系统
- 对比特征地图，提出了能够快速重定位和回环检测的2.5D地图，该地图可以直接用于路径规划。
2. SLAM Framework Based on Graph Optimization
分别说明了使用视觉和LiADR各自相邻两帧之间的重投影误差构建的代价函数：
3. The SLAM Framework of Low-Cost LiDAR and Vision Fusion
论文的SLAM框架：
前端部分：
首先引入了相邻位姿下的Visual和LiDAR的联合误差函数，然后将其扩展到机器人的所有位姿，使用带有搜索域的LM算法对其进行求解。
后端部分：
使用词袋模型（BoW）进行回环检测，说明了其关键帧的选取规则。
4. 2.5D Map Representation and Relocation
首先说明了传统的栅格地图和特征地图的不足，然后提出了一种2.5D地图，即将竖直于同一栅格的特征地图信息存放在该栅格中，使栅格拥有了更多的环境信息。
最后提出了重定位算法：
- 用BoW提取当前帧的特征
- 将当前帧与先前的关键帧（带有位姿信息）匹配，选出匹配度最佳的n个关键帧
- 将这些关键帧的位姿作为粒子滤波器的初始估计值
- 应用粒子滤波算法至收敛
5. 实验结果
5.1 实验平台和环境
笔记本：Intel Core i5 处理器 and 8G内存，Ubuntu 14.04 + ROS Indigo系统
LiDAR：RPLIDAR-A2
RGB-D相机： Xtion-pro，深度测量范围为0.6-0.8m，精度为3mm，深度相机视角：水平58度，垂直45.5度。
5.2 建图
5.3 重定位
6. 总结
未来工作可以从两方面考虑：
- 开发或改进视觉激光数据关联算法使得SLAM在复杂、动态环境下表现出更好的性能。
- 将2.5D地图与场景、物体的语义信息相结合。
