改進(jìn)位姿估計(jì)環(huán)節(jié)的ORB-SLAM稠密建圖算法

劉暢, 黨淑雯, 陳麗

(上海工程技術(shù)大學(xué)航空運(yùn)輸學(xué)院, 上海 201600)

同時(shí)定位與地圖構(gòu)建(simultaneous localization and mapping, SLAM)[1-3]是指在未知環(huán)境下機(jī)器人根據(jù)傳感器采集的數(shù)據(jù)實(shí)時(shí)構(gòu)建目標(biāo)環(huán)境地圖的同時(shí)進(jìn)行定位的新技術(shù)[4]。視覺SLAM(visual SALM,VSLAM)采用視覺傳感器為數(shù)據(jù)源,成本比雷達(dá)等其他SLAM技術(shù)更低,是當(dāng)前SLAM研究的熱點(diǎn)方向之一[5]。

現(xiàn)有研究中,Davison[6]率先設(shè)計(jì)出使用單目相機(jī)的實(shí)時(shí)單目VSLAM系統(tǒng);Georg等[7]提出了并行追蹤與建圖(parallel tracking and mapping, PTAM)方法,其實(shí)現(xiàn)了并行化跟蹤與建圖過程和非線性優(yōu)化,對(duì)傳統(tǒng)濾波器(如卡爾曼濾波[8]、粒子濾波[9]和組合濾波[10])作為后端的算法方案進(jìn)行了改善。文獻(xiàn)[11]研究了以PTAM作為基礎(chǔ)的支持單目、雙目、RGBD三種相機(jī)的SLAM系統(tǒng),而ORB-SLAM2[12]是一種使用ORB(oriented fast and rotated brief)貫穿所有階段的輕量級(jí)ORB-SLAM[13]定位方法,其將整個(gè)SLAM過程劃分為三個(gè)線程(定位、局部建圖和回環(huán)檢測(cè)),但由于特征追蹤存在不斷積累的誤差,使得后面幀和實(shí)際的位姿之間的距離不斷增加,進(jìn)而降低系統(tǒng)整體精度。在SLAM與曼哈頓主方向計(jì)算的應(yīng)用方面,Zhou等[14]利用連續(xù)幀間的曼哈頓主方向信息來(lái)匹配相對(duì)位姿并增量式地構(gòu)建地圖,有效利用室內(nèi)場(chǎng)景下的結(jié)構(gòu)特點(diǎn)輔助視覺里程計(jì)應(yīng)用,揭示了曼哈頓世界(Manhattan word,MW)假說對(duì)室內(nèi)SLAM及定位的輔助價(jià)值。Yunus等[15]提出的ManhattanSLAM是一種在MW和非MW環(huán)境中提供魯棒跟蹤的新RGB-D SLAM系統(tǒng),利用室內(nèi)場(chǎng)景中的結(jié)構(gòu)信息,在CPU上進(jìn)行精確跟蹤和高效密集映射。

因此,現(xiàn)從提高位姿估計(jì)精度和生成易進(jìn)行二次加工的地圖這兩個(gè)角度出發(fā),在位姿估計(jì)階段提出一種融合迭代最近點(diǎn)擬合(iterative closest point, ICP)算法和MW假說的改進(jìn)位姿估計(jì)方法并在建圖方面加入稠密建圖線程,從而實(shí)現(xiàn)精準(zhǔn)定位及稠密建圖。此外,利用慕尼黑工業(yè)大學(xué)(technische universit?t münchen, TUM)數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn),并通過與ORB-SLAM2進(jìn)行對(duì)比,驗(yàn)證所提方法對(duì)提高位姿估計(jì)精度和稠密建圖的有效性。

1 系統(tǒng)概述

ORB-SLAM2系統(tǒng)包括追蹤線程、局部建圖線程和回環(huán)檢測(cè)線程,能夠?qū)崿F(xiàn)地圖重用、回環(huán)檢測(cè)以及重新定位等。本方法在ORB-SLAM2的基礎(chǔ)上進(jìn)行改進(jìn),并增加了稠密建圖線程,整體框架如圖1所示。

BA(bundle adjustment)為光束法平差圖1 算法流程圖Fig.1 Algorithm flowchart

1.1 追蹤線程

在跟蹤線程,由于本方法在ORB-SLAM2的框架下二次開發(fā),因此仍采用恒速運(yùn)動(dòng)模型計(jì)算初始位姿,之后再通過特征匹配和結(jié)構(gòu)約束完成位姿優(yōu)化。首先通過ORB特征點(diǎn)法、最小顯著性差異(least-significant difference, LSD)算法[16]和聚集層次聚類(agglomerative hierarchical clustering, AHC)方法進(jìn)行點(diǎn)、線、面特征的提取,其中點(diǎn)、線特征跟上一幀匹配,面特征在全局地圖中匹配。然后采用基于surfel的稠密建圖策略將圖像劃分為非平面與平面區(qū)域,其中非平面采用ICP算法計(jì)算位姿,平面區(qū)域則通過面與面之間的正交關(guān)系確定曼哈頓世界從而使用不同的位姿估計(jì)策略,曼哈頓世界場(chǎng)景通過位姿解耦實(shí)現(xiàn)基于曼哈頓幀觀測(cè)的無(wú)漂移旋轉(zhuǎn)估計(jì),而曼哈頓世界場(chǎng)景下的平移以及非曼哈頓世界場(chǎng)景位姿采用追蹤到的點(diǎn)、線、面特征進(jìn)行估計(jì)和優(yōu)化。最后判斷新關(guān)鍵幀是否插入。

1.1.1 特征檢測(cè)和匹配

(1)點(diǎn)特征提取與匹配。點(diǎn)特征選擇與傳統(tǒng)ORB-SLAM2算法相同的ORB特征。ORB特征基于FAST關(guān)鍵點(diǎn)檢測(cè)器和BRIEF描述器,使用P=(X,Y,Z)表示三維坐標(biāo),而二維坐標(biāo)用Pobs=(u,v)表示。通過將三維點(diǎn)投射到圖像上并利用各自描述符之間的漢明距離找到最接近的觀測(cè)值來(lái)確定匹配度。

(2)線特征提取與匹配。改進(jìn)算法使用LSD檢測(cè)器和LBD(line banddiscriptor)描述符檢測(cè)和描述線特征。三維線和二維觀測(cè)端點(diǎn)都使用(pl,start,pl,end)表示,同時(shí)觀測(cè)的規(guī)范化二維線函數(shù)表達(dá)式為

(1)

為了確定三維線和二維觀測(cè)之間的匹配,三維線的兩個(gè)端點(diǎn)被單獨(dú)投影,并使用LBD描述符進(jìn)行匹配。

(3)面特征提取與匹配。面特征使用AHC方法提取,該方法為每個(gè)平面提供平面系數(shù)(n,d)和點(diǎn)云中的支持點(diǎn)。針對(duì)位姿優(yōu)化,使用平面的最小表示法表示為

(2)

式(2)中:q(π)為用于優(yōu)化的平面π的最小化參數(shù);Φ、Ψ為平面法線的方位角和仰角。平面匹配是通過比較法線間的角度和平面的點(diǎn)面距離來(lái)確定的。

(3)

SVD(RCiMk)=UDVT

(4)

(5)

式中:U、V為正交矩陣;D為奇異值組成的對(duì)角矩陣。

此外,建立曼哈頓地圖G存儲(chǔ)檢測(cè)到的曼哈頓幀,并且地圖G與當(dāng)前幀F(xiàn)i檢測(cè)到的曼哈頓幀通過匹配估計(jì)無(wú)漂移旋轉(zhuǎn)矩陣,而Fi與具有相同曼哈頓幀的幀F(xiàn)j的匹配通過檢查組成平面與地圖平面之間的匹配關(guān)系實(shí)現(xiàn)。

1.1.2 改進(jìn)位姿估計(jì)方法

針對(duì)實(shí)現(xiàn)相鄰兩幀圖像間的位姿估計(jì),設(shè)計(jì)了融合ICP算法和曼哈頓世界假說的改進(jìn)位姿估計(jì)方法。由于在非平面區(qū)域求得3D點(diǎn)的相機(jī)坐標(biāo)即可將3D-2D點(diǎn)轉(zhuǎn)換為3D-3D對(duì)應(yīng)點(diǎn),因此采用3D-3D匹配點(diǎn)對(duì)的ICP優(yōu)化。而關(guān)于平面區(qū)域,利用室內(nèi)的曼哈頓結(jié)構(gòu)約束實(shí)現(xiàn)無(wú)漂移旋轉(zhuǎn)估計(jì),借助恰當(dāng)?shù)穆D幀檢測(cè)方法生成的曼哈頓地圖來(lái)追蹤曼哈頓幀的觀測(cè)值,且在不滿足曼哈頓世界假設(shè)的環(huán)境中實(shí)現(xiàn)曼哈頓幀和特征追蹤之間位姿估計(jì)的無(wú)縫切換。

1)基于ICP算法的位姿估計(jì)方法[17]

ICP算法采用迭代優(yōu)化方式,不斷調(diào)整相機(jī)的位姿,從而獲得最小匹配點(diǎn)間的累積距離,并計(jì)算出相機(jī)運(yùn)動(dòng)的最優(yōu)旋轉(zhuǎn)矩陣R和平移矩陣t。點(diǎn)對(duì)距離平方和minF(R,t)數(shù)學(xué)模型為

(6)

式(6)中:Pi(i=1,2,…,m)為理論點(diǎn)集;Qi(i=1,2,…,m)為實(shí)測(cè)點(diǎn)集,步驟如下。

步驟1在Qi尋找Pi對(duì)應(yīng)距離最小點(diǎn)點(diǎn)集Pik(k為迭代次數(shù)),即

min=‖Qik-Pik‖

(7)

步驟2根據(jù)式(1)采用奇異值分解(SVD)方法計(jì)算R和t。

(1)計(jì)算Qi、Pi的質(zhì)心Qc、Pc:

(8)

(2)Pi、Qi去中心化獲得新點(diǎn)集Pn、Qn:

(9)

(3)計(jì)算矩陣H:

(10)

(4) SVD分解:

H=UΣVT

(11)

式(11)中:U、V為正交矩陣;Σ為對(duì)角矩陣。

(5)計(jì)算變換旋轉(zhuǎn)矩陣R0和平移矩陣t0:

(12)

步驟3Pi旋轉(zhuǎn)平移變換:

(13)

步驟4計(jì)算平均距離dk+1

(14)

步驟5重復(fù)步驟1進(jìn)行迭代,直到dk+1比τ小或次數(shù)不再低于預(yù)定閾值。

2)基于曼哈頓世界假說的位姿估計(jì)方法

基于曼哈頓世界假說的室內(nèi)SLAM算法[18-19]通過檢測(cè)曼哈頓幀Mk確定當(dāng)前場(chǎng)景是否為曼哈頓世界場(chǎng)景,不同場(chǎng)景使用不同的位姿估計(jì)方法。

相機(jī)位姿ξCW由世界坐標(biāo)W到攝像機(jī)坐標(biāo)C的旋轉(zhuǎn)矩陣RCW和平移向量tCW組成。如果曼哈頓世界假說未成立,即沒有檢測(cè)到曼哈頓幀,則通過跟蹤特征估計(jì)完整的6D位姿。在曼哈頓世界場(chǎng)景,旋轉(zhuǎn)和平移分別被解耦合估計(jì)。

(1)非曼哈頓世界場(chǎng)景下的估計(jì)。在非曼哈頓世界場(chǎng)景中,6D相機(jī)位姿可以跟蹤點(diǎn)、線和平面估計(jì)。將檢測(cè)特征與其對(duì)應(yīng)匹配3D特征之間的重投影誤差ep、el和eπ定義為

(15)

此外每個(gè)觀測(cè)平面的平行平面和垂直平面匹配,并作為結(jié)構(gòu)約束eπ‖和eπ⊥被添加到總能量函數(shù):

(16)

式(16)中:nC和nW為觀測(cè)平面法線和匹配平面坐標(biāo);R⊥是90°旋轉(zhuǎn)矩陣;qn(·)為用于優(yōu)化的平面的最小化參數(shù),qn(π)=(Φ,Ψ)。假設(shè)一個(gè)高斯噪聲模型并結(jié)合所有誤差得到最終能量函數(shù),利用列文伯格-馬夸爾特(Levenberg-Marquardt, L-M)算法進(jìn)行優(yōu)化得到最佳位姿。

(2)曼哈頓世界場(chǎng)景下的估計(jì)。在結(jié)構(gòu)曼哈頓世界場(chǎng)景中,解耦位姿估計(jì)并使用新方法估計(jì)無(wú)漂移旋轉(zhuǎn)矩陣,而特征跟蹤用于平移向量估計(jì)。旋轉(zhuǎn)矩陣估計(jì)需要首先檢測(cè)場(chǎng)景中的所有曼哈頓幀,幀F(xiàn)i中每個(gè)檢測(cè)到的曼哈頓幀Mk使用相應(yīng)旋轉(zhuǎn)矩陣RCiMk表示,然后如果在地圖中檢測(cè)到Mk,則可從地圖中得到相應(yīng)首次觀測(cè)到Mk的幀F(xiàn)j。以Fj作為參考幀,可求得Fi和Fj間的相對(duì)旋轉(zhuǎn)矩陣RWCi為

(17)

轉(zhuǎn)置相對(duì)旋轉(zhuǎn)矩陣即可獲得目標(biāo)旋轉(zhuǎn)矩陣。此時(shí)若需要相應(yīng)的平移向量確定完整的相機(jī)位姿,可以通過求解最小化誤差函數(shù)獲得。固定旋轉(zhuǎn)矩陣只在優(yōu)化過程中更新平移向量。

1.2 局部地圖構(gòu)建線程

在局部建圖線程,將新的關(guān)鍵幀作為新節(jié)點(diǎn)加入共視圖,并且更新與關(guān)鍵幀節(jié)點(diǎn)相連的邊和關(guān)鍵幀的生長(zhǎng)樹,并放入地圖。首先僅保留能夠滿足約束測(cè)試的地圖節(jié)點(diǎn),避免建圖受到外點(diǎn)影響。然后對(duì)關(guān)鍵幀內(nèi)ORB特征點(diǎn)進(jìn)行正向景深,視差,反投影誤差和尺度一致性進(jìn)行檢測(cè),當(dāng)檢測(cè)無(wú)誤時(shí),產(chǎn)生新的地圖點(diǎn)。此外每個(gè)特征反射的光束通過調(diào)整自身的空間位置和相機(jī)姿態(tài)匯聚到相機(jī)光心,即光束法平差[23](bundle adjustment, BA)BA過程的本質(zhì)是優(yōu)化模型,而局部BA會(huì)同時(shí)優(yōu)化關(guān)鍵幀及地圖點(diǎn),并刪除冗余關(guān)鍵幀。

1.3 回環(huán)檢測(cè)線程

在閉環(huán)檢測(cè)線程,首先計(jì)算添加該線程的候選關(guān)鍵幀與當(dāng)前關(guān)鍵幀的相似度,若有回環(huán)則融合重復(fù)地圖點(diǎn)。然后將新邊嵌入共視圖使閉環(huán)連通。最后將關(guān)鍵幀位姿與地圖點(diǎn)坐標(biāo)替換為優(yōu)化的全局位姿與地圖點(diǎn)。ORB-SLAM2作為常用的視覺SLAM系統(tǒng)之一,雖然性能強(qiáng),但其只能構(gòu)建三維稀疏特征地圖,若使機(jī)器人能夠完美完成導(dǎo)航、避障以及路徑規(guī)劃等任務(wù),必須改進(jìn)ORB-SLAM2系統(tǒng)使其能夠?qū)崿F(xiàn)三維稠密建圖。

1.4 稠密建圖線程

本文中改進(jìn)的 ORB-SLAM2系統(tǒng)框架圖如圖1所示,圖中虛線框內(nèi)為ORB-SLAM2系統(tǒng)新增的稠密建圖線程。

在跟蹤線程選擇符合關(guān)鍵幀要求的RGB圖像,然后對(duì)其進(jìn)行特征點(diǎn)二次采樣,該采樣僅進(jìn)行ORB點(diǎn)特征提取而不匹配,以用于稠密建圖。相機(jī)位姿的初始化由局部BA負(fù)責(zé)進(jìn)行,并由回環(huán)檢測(cè)和全局BA進(jìn)行更新,從而實(shí)現(xiàn)更精準(zhǔn)的點(diǎn)云拼接。稠密建圖線程結(jié)構(gòu)如圖2所示。

圖2 稠密建圖線程結(jié)構(gòu)圖Fig.2 Dense mapping thread structure diagram

稠密建圖線程的工作過程包括輸入數(shù)據(jù)、位姿估計(jì)和建圖三部分。首先輸入建圖所需的環(huán)境源數(shù)據(jù),包括RGB圖像、深度圖和ORB 特征點(diǎn);然后利用ORB-SLAM2為符合建圖需求的關(guān)鍵幀提供位姿估計(jì);最后接收?qǐng)D像數(shù)據(jù)和位姿信息,并完成三維點(diǎn)云拼接以及點(diǎn)云數(shù)據(jù)管理。

2 實(shí)驗(yàn)結(jié)果及算法對(duì)比分析

2.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證所提出方法的有效性,本文的仿真實(shí)驗(yàn)采用TUM數(shù)據(jù)集中的四組RGB-D標(biāo)準(zhǔn)數(shù)據(jù),包括兩個(gè)細(xì)節(jié)較多的場(chǎng)景圖像序列fr1-desk、fr1-xyz,兩個(gè)大范圍場(chǎng)景圖像序列fr2-desk、fr3-long_office_household[19]。實(shí)驗(yàn)平臺(tái)是搭載 Ubuntu20.04系統(tǒng),i9-12900k處理器,32 G內(nèi)存的臺(tái)式電腦。

2.2 公開數(shù)據(jù)集實(shí)驗(yàn)研究

幀與幀之間位姿的準(zhǔn)確性很大程度上決定了ORB-SLAM算法的精度,所以改進(jìn)算法對(duì)位姿估計(jì)環(huán)節(jié)改進(jìn)的有效性可以通過定位精度的提高來(lái)進(jìn)行驗(yàn)證。本文中對(duì)選取的4個(gè)TUM數(shù)據(jù)集中不同場(chǎng)景下相機(jī)的估計(jì)軌跡與真實(shí)軌跡進(jìn)行對(duì)比,比較結(jié)果如圖3所示。

圖3 真實(shí)軌跡與估計(jì)軌跡對(duì)比圖Fig.3 Real and estimated trajectory contrast

從圖3中可以看出實(shí)線與虛線有較高的重合度,說明本文方法在不同數(shù)據(jù)集上的大部分區(qū)域?qū)嵕€與虛線之間的差異都很小。而圖3(b)中存在軌跡差異較大區(qū)域的原因大概率是由于采樣相機(jī)運(yùn)動(dòng)速度較快,無(wú)法在圖像中提取到足夠的特征點(diǎn),導(dǎo)致位姿進(jìn)行優(yōu)化計(jì)算時(shí)對(duì)應(yīng)的代價(jià)函數(shù)值偏大,從而使得到的相機(jī)軌跡點(diǎn)偏差大,因此,后續(xù)研究的主要目標(biāo)是解決較快運(yùn)動(dòng)條件下的相機(jī)優(yōu)化問題,考慮采用稀疏匹配情況的解決辦法,進(jìn)而提高軌跡估算精度。

進(jìn)一步比較本文方法和原始ORB-SLAM2算法在TUM數(shù)據(jù)集上的定位精度,定位精度指估計(jì)軌跡與真實(shí)軌跡的接近程度,SLAM算法常用的性能評(píng)估指標(biāo)包括絕對(duì)軌跡誤差(absolute trajectory error, ATE)和相對(duì)軌跡誤差(relative pose error, RPE),其中絕對(duì)軌跡誤差指的是相機(jī)真實(shí)位姿和估計(jì)位姿的差值,其與定位精度存在反比關(guān)系,可以采用該數(shù)值來(lái)評(píng)估定位精度,第n幀ATE模型為

(18)

式(18)中:Qn為真實(shí)軌跡;Pn為估計(jì)的軌跡;S為通過最小二乘法求得兩者之間的變換矩陣。

ATE包含旋轉(zhuǎn)誤差和平移誤差,ATE使用RMSE 統(tǒng)計(jì),即

(19)

式(19)中:trans(Fn)為ATE中的平移部分,旋轉(zhuǎn)誤差求取公式同理,但利用平移誤差對(duì)比即可。本文方法和原始ORB-SLAM2算法的相關(guān)性能指標(biāo)如表1所示。

表1 改進(jìn)算法與ORB-SLAM2 性能對(duì)比Table 1 Performance comparison between the algorithm in this paper and ORB-SLAM2

由表1可知,因?yàn)槌砻芙▓D線程的增加,改進(jìn)算法會(huì)進(jìn)行三維稠密地圖場(chǎng)景的構(gòu)建,以及實(shí)驗(yàn)計(jì)算平臺(tái)的性能較弱的原因,改進(jìn)算法的每幀耗時(shí)、合計(jì)耗時(shí)均相對(duì)于ORB-SLAM2算法較弱,并且每幀耗時(shí)的增加也會(huì)使得算法的定位精度受到一定的影響。按平均表現(xiàn)看,改進(jìn)算法的每幀平均耗時(shí)為0.095 3 s,即達(dá)到每秒10.5幀,相較于ORB-SLAM2算法的每幀處理耗時(shí)增加了4.7%,合計(jì)處理耗時(shí)增加了10.7%。對(duì)于均方根誤差RMSE,改進(jìn)算法比ORB-SLAM2平均減少了0.24 cm,說明在上述4個(gè)數(shù)據(jù)集的仿真中,改進(jìn)算法的平均定位精度相較ORB-SLAM2提高了7.17%。綜上來(lái)看,本文所提出的改進(jìn)算法能夠達(dá)到機(jī)器人在定位與建圖中對(duì)精度和速度的要求。

最后,在選取的4組RGB-D標(biāo)準(zhǔn)數(shù)據(jù)集上利用改進(jìn)的相機(jī)位姿估計(jì)和優(yōu)化方法進(jìn)行場(chǎng)景的稠密建圖測(cè)試,生成的三維稠密點(diǎn)云地圖如圖4所示。

圖4 4組數(shù)據(jù)集下的稠密建圖效果Fig.4 Effects of dense mapping in the four datasets

由圖4可知,改進(jìn)算法針對(duì)細(xì)節(jié)較多的圖4(a)fr1-desk和圖4(b)fr1-xyz等場(chǎng)景重建出的稠密點(diǎn)云地圖不存在明顯的漂移現(xiàn)象,且構(gòu)建出的場(chǎng)景相對(duì)完整,較充分地表現(xiàn)出了細(xì)節(jié)方面;而大范圍場(chǎng)景圖4(c)fr2-desk和圖4(d)fr3-long_office_household雖然因?yàn)槭艿綌?shù)據(jù)含有的噪聲點(diǎn)的影響,使桌面周圍顯得模糊不清,但是仔細(xì)觀察后相關(guān)信息仍舊能夠發(fā)現(xiàn),驗(yàn)證了本文方法針對(duì)4組數(shù)據(jù)集的稠密點(diǎn)云地圖構(gòu)建結(jié)果可以相對(duì)完美地還原場(chǎng)景的結(jié)構(gòu)信息,不會(huì)存在明顯的漂移,這進(jìn)一步體現(xiàn)了相機(jī)位姿估計(jì)的正確性,也驗(yàn)證了本文方法的有效性。

3 結(jié)論

為了提高ORB-SLAM2系統(tǒng)的定位精度以及解決無(wú)法生成稠密點(diǎn)云地圖的問題,從提高位姿估計(jì)精度和生成一種易進(jìn)行二次加工的地圖這兩個(gè)角度出發(fā)進(jìn)行了改進(jìn),最終得到以下結(jié)論。

(1)本文提出融合ICP算法與曼哈頓世界假說的位姿估計(jì)方法,在完成點(diǎn)線面特征的提取與匹配后引入基于surfel的稠密建圖策略將每幅圖像劃分為非平面和平面區(qū)域,然后非平面區(qū)域使用直接ICP算法計(jì)算位姿,平面區(qū)域使用基于曼哈頓世界假說的位姿估計(jì)方法,最終改進(jìn)算法相對(duì)ORB-SLAM2均方根誤差RMSE平均減少了0.24 cm,平均定位精度提高了7.17%,證明了位姿估計(jì)改進(jìn)的有效性。

(2)根據(jù)新關(guān)鍵幀與相應(yīng)位姿并利用新加入的稠密建圖線程完成稠密點(diǎn)云地圖的構(gòu)建,解決了ORB-SLAM2系統(tǒng)無(wú)法生成稠密點(diǎn)云地圖的問題,驗(yàn)證了改進(jìn)算法稠密建圖的可行性。

此外,改進(jìn)方法雖然在4個(gè)數(shù)據(jù)集上均取得了很好的效果,但是仍舊需要進(jìn)行進(jìn)一步改進(jìn),首先采樣相機(jī)在運(yùn)動(dòng)速度較快的情況下會(huì)導(dǎo)致位姿進(jìn)行優(yōu)化計(jì)算對(duì)應(yīng)的代價(jià)函數(shù)值偏大,使得到的相機(jī)軌跡點(diǎn)偏差大。其次進(jìn)行大范圍場(chǎng)景的稠密點(diǎn)云地圖構(gòu)建時(shí)仍然存在漂移。因此,后續(xù)的研究需要解決這些不足,進(jìn)一步改進(jìn)和完善本文方法。