一種基于光度信息和ORB特征的建圖SLAM

李晨玥， 張雪芹， 曹 濤

（1. 華東理工大學(xué)信息科學(xué)與工程學(xué)院，上海 200237；2. 上?？臻g智能控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海 201109；3. 上海航天控制技術(shù)研究所，上海 201109）

同步定位與建圖（Simultaneous Localization and Mapping，SLAM）通常是指在機(jī)器人或者其他載體上通過(guò)傳感器數(shù)據(jù)進(jìn)行采集和計(jì)算，得到對(duì)其自身位置姿態(tài)定位和場(chǎng)景地圖信息的系統(tǒng)。一個(gè)經(jīng)典的基于視覺(jué)傳感器的Visual SLAM一般包括前端視覺(jué)里程計(jì)、后端優(yōu)化、回環(huán)檢測(cè)、建圖4個(gè)模塊。前端視覺(jué)里程計(jì)模塊用于估計(jì)相鄰圖像之間相機(jī)的位姿變換并得到局部地圖；后端優(yōu)化模塊對(duì)相機(jī)位姿及局部地圖信息進(jìn)行優(yōu)化得到全局一致的軌跡和地圖；回環(huán)檢測(cè)模塊用于檢測(cè)傳感器是否又回到之前的位置，優(yōu)秀的回環(huán)檢測(cè)可以有效減少累計(jì)漂移誤差；建圖模塊則根據(jù)之前得到的跟蹤全局地圖建立所需要的地圖。

經(jīng)典的視覺(jué)里程計(jì)采用的方法主要有基于特征的方法和直接法?；谔卣鞯姆椒ㄍㄟ^(guò)提取特征以及特征匹配得到圖像幀間的幾何對(duì)應(yīng)關(guān)系，優(yōu)化重投影誤差來(lái)估計(jì)傳感器位姿。早期，基于特征的方法主要側(cè)重于特征點(diǎn)的提取與匹配。其中，由Mur-Artal等[1]提出的ORB-SLAM2是一個(gè)同時(shí)支持單目、雙目及深度相機(jī)的基于特征點(diǎn)的SLAM系統(tǒng)，它使用三線程結(jié)構(gòu)取得了很好的跟蹤和建圖效果，一定程度上保證了軌跡與地圖的全局一致性。由于基于特征點(diǎn)的方法不足以提供有效的約束且在低紋理場(chǎng)景中容易失敗，不少學(xué)者開(kāi)始嘗試結(jié)合線、平面、邊緣等其他特征。Pumarola等[2]提出了一個(gè)同時(shí)結(jié)合了點(diǎn)和線特征的SLAM系統(tǒng)，該系統(tǒng)在低紋理環(huán)境下表現(xiàn)穩(wěn)定。Hsiao等[3]提出的KDP-SLAM(Keyframebased Dense Planar SLAM)是一種基于關(guān)鍵幀密集平面匹配的SLAM系統(tǒng)，顯著地降低了漂移誤差。Li等[4]提出了利用點(diǎn)、線、面的結(jié)構(gòu)特性包括線與線之間的平行性和相交性、點(diǎn)線之間的共面性來(lái)跟蹤相機(jī)運(yùn)動(dòng)，并在低紋理環(huán)境下得到了更高的系統(tǒng)穩(wěn)定性和較為精確的跟蹤結(jié)果。

直接法通過(guò)最小化圖像中像素之間的光度誤差來(lái)估計(jì)傳感器的運(yùn)動(dòng)信息，一方面能夠彌補(bǔ)基于特征的方法在某些特征缺失場(chǎng)景下失敗的問(wèn)題，另一方面能夠直接得到稠密的地圖顯示。LSD-SLAM(Large-Scale Direct Monocular SLAM)[5]是Engel等提出的第一個(gè)不需要計(jì)算特征點(diǎn)且能構(gòu)建半稠密地圖的單目SLAM系統(tǒng)，但該系統(tǒng)對(duì)相機(jī)內(nèi)參及曝光非常敏感，在快速運(yùn)動(dòng)時(shí)容易丟失。他們后期又提供了一個(gè)更為穩(wěn)健、準(zhǔn)確度更高的包含光度校準(zhǔn)的直接法視覺(jué)里程計(jì)[6]，但這個(gè)系統(tǒng)不包括回環(huán)檢測(cè)，無(wú)法降低累積誤差。Gao等[7]在這個(gè)直接視覺(jué)里程計(jì)的基礎(chǔ)上加入基于詞袋的回環(huán)檢測(cè)功能，減少了累積誤差。

基于特征的方法在特征豐富的區(qū)域準(zhǔn)確率較高且計(jì)算代價(jià)較小，但在特征點(diǎn)缺失的無(wú)紋理場(chǎng)景下容易失敗。而直接法不需要特征點(diǎn)，可以在特征缺失的場(chǎng)合下使用，但依賴于灰度不變性，易受光照影響。因此，有不少學(xué)者嘗試將這兩種方法結(jié)合以得到對(duì)環(huán)境更為魯棒的系統(tǒng)。Younes等[8]提出了FDMO(Feature Assisted Direct Monocular Odometry)方法，它在直接法出現(xiàn)故障的場(chǎng)景,如大基線時(shí)使用ORB特征進(jìn)行位姿估計(jì)，提升了直接法系統(tǒng)的魯棒性。Lee等[9]提出了一種半直接法，以直接法跟蹤局部每幀的相機(jī)運(yùn)動(dòng)，以基于ORB特征的圖優(yōu)化方法優(yōu)化跟蹤關(guān)鍵幀的相機(jī)運(yùn)動(dòng)，得到了一個(gè)準(zhǔn)確性和魯棒性且速度上都有提高的SLAM系統(tǒng)。這兩種SLAM系統(tǒng)都是單目的混合SLAM系統(tǒng)，無(wú)法得到稠密的三維地圖。Nicola等[10]提出以libviso2特征法作為雙目LSD-SLAM的運(yùn)動(dòng)估計(jì)先驗(yàn)，得到了一個(gè)精度較高且較為穩(wěn)定的雙目SLAM系統(tǒng)，但它使用特征法作為SLAM系統(tǒng)的前端位姿估計(jì)，在特征缺失的環(huán)境中可能會(huì)跟蹤失敗。

在環(huán)境勘探工程中，機(jī)器人常在較空曠環(huán)境及非光滑表面行進(jìn)，通過(guò)雙目或深度相機(jī)對(duì)環(huán)境進(jìn)行勘探，并需要通過(guò)采集到的圖片及視頻對(duì)三維地形進(jìn)行重建。針對(duì)SLAM系統(tǒng)因?yàn)橄鄼C(jī)抖動(dòng)、非勻速的運(yùn)動(dòng)、快速的旋轉(zhuǎn)及場(chǎng)景結(jié)構(gòu)單一、紋理簡(jiǎn)單等問(wèn)題而導(dǎo)致跟蹤失敗的情況，本文提出了一個(gè)魯棒的具有建圖功能的R-ORB SLAM系統(tǒng)。該系統(tǒng)的創(chuàng)新點(diǎn)主要體現(xiàn)在兩方面：（1）該系統(tǒng)基于ORB-SLAM2系統(tǒng)，同時(shí)采用一種輕量級(jí)的位姿估計(jì)作為特征視覺(jué)里程計(jì)的先驗(yàn)，在跟蹤失敗的情況下，將先驗(yàn)位姿的結(jié)果參與位姿估計(jì)；（2）通過(guò)相機(jī)模型計(jì)算得到關(guān)鍵幀點(diǎn)云，通過(guò)對(duì)每個(gè)關(guān)鍵幀點(diǎn)云進(jìn)行拼接得到全局點(diǎn)云地圖，使用VoxelGrid濾波器[11]進(jìn)行下采樣，得到稠密三維點(diǎn)云地圖；使用Poisson算法[12]實(shí)現(xiàn)表面重建，得到三維Mesh地圖。該系統(tǒng)充分利用了圖片的光度和深度信息，提高了系統(tǒng)的準(zhǔn)確率和魯棒性。

1 ORB-SLAM2系統(tǒng)

1.1 系統(tǒng)流程

ORB-SLAM2系統(tǒng)是基于ORB特征的特征法SLAM。前端通過(guò)高斯金字塔模型提取均勻的ORB特征點(diǎn)，保證ORB特征的旋轉(zhuǎn)不變性和尺度不變性。

在ORB-SLAM2系統(tǒng)的雙目模式和RGB-D模式中，特征關(guān)鍵點(diǎn)由3個(gè)坐標(biāo)xs=(uL,vL,uR) 表示，其中 (uL,vL) 為該特征關(guān)鍵點(diǎn)在左圖（RGB-D相機(jī)中的RGB圖像）中的像素坐標(biāo)，uR為右邊圖像中的水平像素坐標(biāo)，在RGB-D模式下，uR是一個(gè)虛擬的坐標(biāo)，可由式(1)得到。

其中：fx為相機(jī)水平焦距；b為相機(jī)基線，d為對(duì)應(yīng)像素深度信息。根據(jù)傳統(tǒng)相機(jī)模型可以將特征點(diǎn)映射到三維空間中。

其中： ρ 為魯棒Huber損失函數(shù)； Σ 為與關(guān)鍵點(diǎn)尺度相關(guān)的協(xié)方差矩陣； χ 為所有匹配點(diǎn)；投影函數(shù) π(·)可以由式(3)表示：新加入的每一個(gè)關(guān)鍵幀都要與之前的關(guān)鍵幀做回環(huán)檢測(cè)。ORB-SLAM2的回環(huán)檢測(cè)基于詞袋模型。

1.2 運(yùn)動(dòng)估計(jì)中的李代數(shù)

2 R-ORB SLAM系統(tǒng)

ORB-SLAM2系統(tǒng)在相機(jī)發(fā)生抖動(dòng)（圖1(a)）、以及特征點(diǎn)數(shù)量較少、場(chǎng)景空曠簡(jiǎn)單（圖1(b)）的情況下，極易發(fā)生跟蹤失敗的問(wèn)題，而其系統(tǒng)自帶的重定位功能在發(fā)生跟蹤失敗時(shí)，只能回到之前經(jīng)過(guò)的某個(gè)位置重新啟動(dòng)跟蹤。這樣，當(dāng)相機(jī)在新的場(chǎng)景中持續(xù)運(yùn)動(dòng)時(shí)則會(huì)徹底跟蹤失敗。針對(duì)該問(wèn)題，本文提出了一種將光度信息和幾何特征相結(jié)合的R-ORB SLAM系統(tǒng)。

2.1 系統(tǒng)流程

圖1 ORB-SLAM，系統(tǒng)易失敗場(chǎng)景Fig. 1 Failure scenarios for ORB-SLAM2 system

R-ORB SLAM系統(tǒng)框圖如圖2所示。首先對(duì)輸入的圖片序列進(jìn)行圖片矯正、金字塔分層模型及特征提取等預(yù)處理操作，然后根據(jù)重定位、運(yùn)動(dòng)模型或者本文提出的基于光度信息的輕量級(jí)位姿估計(jì)方法（Roughly Pose Estimation，RPE）得到初始位姿對(duì)前一幀進(jìn)行跟蹤，最后根據(jù)優(yōu)化得到的位姿結(jié)果生成地圖。在建圖模塊中，保留ORB-SLAM2系統(tǒng)的建圖線程用于跟蹤，另外使用點(diǎn)云拼接線程拼接每個(gè)關(guān)鍵幀點(diǎn)云得到三維點(diǎn)云地圖，對(duì)得到的點(diǎn)云地圖使用VoxelGrid濾波器進(jìn)行下采樣濾波，對(duì)濾波后的點(diǎn)云使用Poisson表面重建算法得到三維地圖模型。R-ORB SLAM算法主要適用于RGB-D深度傳感器。

2.2 輕量級(jí)位姿粗估計(jì)

RPE模型提取前一幀圖像梯度大于閾值的像素，并假設(shè)灰度不變，即假設(shè)一個(gè)空間點(diǎn)在各個(gè)視角下成像的灰度不變。將前一幀的任意一點(diǎn)通過(guò)與特征法相似的投影方法投影至當(dāng)前幀平面，此時(shí)優(yōu)化的不再是重投影誤差而是光度誤差，公式如下：

其中：K為相機(jī)內(nèi)參矩陣；Xi∈R3為與前一幀匹配成功的地圖點(diǎn)；xi為后一幀圖像平面的對(duì)應(yīng)點(diǎn)；I(·) 表示該 點(diǎn) 的光度；Z2為Xi經(jīng) 過(guò) e xp(ξ∧) 變換 后 第二幀相機(jī)坐標(biāo)系下的Z軸坐標(biāo)。

圖2 R-ORB SLAM系統(tǒng)流程圖Fig. 2 Flow chart of R-ORB SLAM system

使用該式計(jì)算優(yōu)化問(wèn)題的雅可比矩陣，然后使用高斯牛頓法或者Levenberg-Marquardt方法計(jì)算增量迭代求解。

2.3 權(quán)重模型

使用RPE模型作為位姿估計(jì)模型，與運(yùn)動(dòng)模型一起為ORB-SLAM2系統(tǒng)提供先驗(yàn)。

ORB-SLAM2系統(tǒng)中的初始位姿是由運(yùn)動(dòng)模型和重定位得到的，系統(tǒng)根據(jù)該初始位姿將地圖點(diǎn)重投影至圖像平面，在投影得到的位置附近尋找匹配點(diǎn)，并在該初始位姿的基礎(chǔ)上進(jìn)行優(yōu)化。當(dāng)傳感器違背了運(yùn)動(dòng)模型做不規(guī)律的運(yùn)動(dòng)時(shí)，使用運(yùn)動(dòng)模型得到的初始位姿不能較好地為后續(xù)優(yōu)化提供先驗(yàn)，導(dǎo)致跟蹤失敗問(wèn)題。通常這樣的情況并不會(huì)發(fā)生在相機(jī)的整個(gè)運(yùn)動(dòng)路線中，而只是局部發(fā)生。針對(duì)這種情況，結(jié)合2.2節(jié)的輕量級(jí)位姿粗估計(jì)，設(shè)計(jì)了一個(gè)權(quán)重模型，將ORB-SLAM2系統(tǒng)得到的不夠準(zhǔn)確的位姿和RPR模型得到的位姿相結(jié)合，得到一個(gè)估計(jì)值，作為跟蹤失敗時(shí)當(dāng)前幀的位姿，并在此插入關(guān)鍵幀以防止后續(xù)的跟蹤失敗。

2.4 點(diǎn)云拼接建稠密地圖

ORB-SLAM2系統(tǒng)只保留一些在跟蹤過(guò)程中被反復(fù)檢測(cè)并優(yōu)化的特征三維點(diǎn)，簡(jiǎn)單增加跟蹤過(guò)程中的地圖點(diǎn)，不僅會(huì)降低跟蹤的速度，還會(huì)增加一些可能錯(cuò)誤的約束導(dǎo)致優(yōu)化失敗。本文將建圖和跟蹤分離開(kāi)來(lái)，由建圖線程單獨(dú)進(jìn)行建圖。

使用點(diǎn)云拼接的方式建立稠密的點(diǎn)云地圖。由跟蹤線程得到每個(gè)關(guān)鍵幀的位姿和與前一個(gè)關(guān)鍵幀的變換矩陣，使用該變換矩陣進(jìn)行關(guān)鍵幀點(diǎn)云的拼接。每個(gè)關(guān)鍵幀的點(diǎn)云都可由深度圖和RGB圖以及常規(guī)針孔相機(jī)模型得到，由RGB圖中任意一個(gè)二維點(diǎn)x(u,v) 得到當(dāng)前幀點(diǎn)云中點(diǎn)P(X,Y,Z,R,G,B) 的計(jì)算 公式，如式(15)所示：

其中：s是尺度因子，即深度圖里給的數(shù)據(jù)與實(shí)際距離的比例；R、G、B是該點(diǎn)的顏色信息。

由于ORB-SLAM2系統(tǒng)采用多關(guān)鍵幀的策略，如果采用每個(gè)關(guān)鍵幀的點(diǎn)云進(jìn)行拼接，會(huì)導(dǎo)致大量點(diǎn)云的冗余問(wèn)題。因此，本文使用VoxelGrid濾波器對(duì)每個(gè)關(guān)鍵幀的點(diǎn)云進(jìn)行下采樣，在保持點(diǎn)云幾何特征的同時(shí)，減少點(diǎn)的數(shù)量。該濾波器通過(guò)輸入的點(diǎn)云數(shù)據(jù)創(chuàng)建一個(gè)三維體素柵格，在每個(gè)體素內(nèi)，用體素中所有點(diǎn)的重心來(lái)表示其他點(diǎn)。

當(dāng)全局優(yōu)化線程結(jié)束后，可得到一個(gè)全局的、經(jīng)過(guò)濾波的三維點(diǎn)云，使用Poisson表面重建算法可以得到一個(gè)mesh類型的三維模型，后續(xù)顏色的渲染可通過(guò)MeshLab軟件[14]進(jìn)行。

3 實(shí)驗(yàn)結(jié)果與分析

在兩個(gè)流行的數(shù)據(jù)集TUM RGB-D[15]和ICLNUIM[16]中開(kāi)展實(shí)驗(yàn)，評(píng)估R-ORB SLAM系統(tǒng)的性能，并將R-ORB SLAM系統(tǒng)與其他SLAM系統(tǒng)進(jìn)行比較。實(shí)驗(yàn)在內(nèi)存為8 GB，CPU為Intel? Core? i7-8 750H，攜帶了GTX 1 060的筆記本電腦上進(jìn)行。由于多線程會(huì)造成實(shí)驗(yàn)結(jié)果的非確定性，實(shí)驗(yàn)在每個(gè)視頻序列上運(yùn)行5次，得到平均軌跡精度。使用絕對(duì)軌跡均方根誤差 (Absolute Trajectory Root-Mean-Square Error，ATE RMSE)、失敗幀率 (Failure Ratio, FR)、表面重建誤差 (Surface Reconstruction Error, SRE)評(píng)估SLAM系統(tǒng)的跟蹤精度、魯棒性和重建精度。ATE RMSE通過(guò)計(jì)算估計(jì)位姿與真實(shí)位姿之間的歐式距離，得到絕對(duì)軌跡誤差的均方根誤差；FR表示跟蹤失敗的圖片幀在整個(gè)圖片序列中所占的比例；SRE由計(jì)算重建表面的每一點(diǎn)到最近真實(shí)3D模型的表面的平均距離得到。實(shí)驗(yàn)中，R-ORB SLAM系統(tǒng)中的Nthre取ORB-SLAM2系統(tǒng)中的默認(rèn)閾值。

3.1 TUM RGB-D數(shù)據(jù)集

TUM RGB-D數(shù)據(jù)集包含來(lái)自RGB-D傳感器的室內(nèi)序列，這些序列分組在幾個(gè)類別中，包括手持式采集類及機(jī)器人采集類等，以評(píng)估不同紋理，不同運(yùn)動(dòng)速度、照明和結(jié)構(gòu)條件下的SLAM方法。該公開(kāi)數(shù)據(jù)集基準(zhǔn)還提供了許多有用的工具，可用于預(yù)處理數(shù)據(jù)集和評(píng)估SLAM系統(tǒng)跟蹤結(jié)果。

本文從TUM RGB-D數(shù)據(jù)集中選擇了幾個(gè)常用的序列，并與ORB-SLAM2、DVO-SLAM[17]、RGB-D SLAM[18]、Kintinuous[19]、Elastic fusion[20]進(jìn)行了比較，結(jié)果如表1所示。實(shí)驗(yàn)結(jié)果顯示，在幾乎每個(gè)序列上，R-ORB SLAM系統(tǒng)比ORB-SLAM2系統(tǒng)的跟蹤精度都略有提高，與其他系統(tǒng)相比，僅在1個(gè)序列上略低于Elastic fusion。

在TUM RGB-D數(shù)據(jù)集中，fr2/360、fr2/slam、fr2/slam3 圖片序列通過(guò)安裝在Pioneer機(jī)器人頂部的Kinect相機(jī)拍攝采集得到。由于機(jī)器人的運(yùn)動(dòng)非勻速且較快，整個(gè)環(huán)境尺度比辦公室場(chǎng)景大，劇烈的抖動(dòng)以及尺度較大的場(chǎng)景對(duì)SLAM系統(tǒng)的穩(wěn)定性是一個(gè)挑戰(zhàn)。大多數(shù)SLAM系統(tǒng)在這幾個(gè)序列中都會(huì)出現(xiàn)跟蹤失敗，包括ORB-SLAM2。TUM RGB-D數(shù)據(jù)集中還提供了用于檢測(cè)環(huán)境結(jié)構(gòu)和紋理對(duì)SLAM系統(tǒng)影響的序列。其中，fr3/nostructure_ notexture_far記錄了攝像頭沿木制平面移動(dòng)時(shí)拍攝的圖片序列，幾乎無(wú)場(chǎng)景結(jié)構(gòu)和紋理特征；fr3/structure_notexture_far記錄了一個(gè)由木板制成的鋸齒形結(jié)構(gòu)而幾乎無(wú)紋理特征的場(chǎng)景，大部分SLAM系統(tǒng)在這兩個(gè)場(chǎng)景中都極易跟蹤失敗。

R-ORB SLAM、ORB-SLAM2和Elastic fusion系統(tǒng)在這5個(gè)序列上的失敗幀率如表2所示，表中fr3/ns_nt_far、fr3/s_nt_far分別是指fr3/nostr-ucture_notexture_far、fr3/structure_notexture_far序列。從表2可以看出，Elastic fusion和ORB-SLAM2系統(tǒng)重定位可以恢復(fù)部分跟蹤，但失敗幀率仍然較高。本文方法在這5個(gè)序列中全部跟蹤成功，魯棒性較ORBSLAM2系統(tǒng)有了顯著的提高。

圖3示出了R-ORB SLAM系統(tǒng)與ORB-SLAM2系統(tǒng)在這5個(gè)序列中的跟蹤結(jié)果。可以看到，在fr2/360序列中，ORB-SLAM2系統(tǒng)在序列開(kāi)始不久就由于輕微抖動(dòng)而跟蹤失敗，當(dāng)序列進(jìn)行至中后半段才重定位成功，而R-ORB SLAM系統(tǒng)跟蹤較穩(wěn)定，且準(zhǔn)確度較高。在fr2/slam序列中，由于較高的相機(jī)運(yùn)動(dòng)速度和高抖動(dòng)，ORB-SLAM2系統(tǒng)在部分路徑中跟蹤完全失敗，R-ORB SLAM系統(tǒng)則全部跟蹤成功，但可以看出，由于相機(jī)抖動(dòng)導(dǎo)致了一定的跟蹤誤差。

表1 TUM RGB-D數(shù)據(jù)集上的絕對(duì)軌跡均方根誤差比較Table 1 Comparison of ATE RMSE on TUM RGB-D dataset

表2 TUM RGB-D數(shù)據(jù)集的失敗幀率比較Table 2 Comparison of failure ratio on TUM RGB-D dataset

圖3 跟蹤結(jié)果比較Fig. 3 Comparison of tracking results

在fr2/slam3序列中，ORB-SLAM2系統(tǒng)在路線的后半段，因?yàn)橄鄼C(jī)的突然旋轉(zhuǎn)加速和抖動(dòng)，從而跟蹤失敗，而R-ORB SLAM系統(tǒng)全程跟蹤成功，但仍有一定程度的漂移。在fr3/nostructure_notexture_far和fr3/structure_notexture_far序列上，ORB-SLAM2系統(tǒng)運(yùn)行時(shí)，在序列開(kāi)始就由于無(wú)足夠的特征地圖點(diǎn)而導(dǎo)致初始化失敗，而R-ORB SLAM系統(tǒng)則會(huì)使用RPE得到的粗略位姿作為結(jié)果，啟動(dòng)并維持跟蹤。

圖4為ORB-SLAM2系統(tǒng)和R-ORB SLAM系統(tǒng)在fr2/360序列上的效果示例圖。圖4(a)中ORBSLAM2系統(tǒng)由于相機(jī)的輕微抖動(dòng)，已跟蹤失敗，而R-ORB SLAM系統(tǒng)仍有部分特征點(diǎn)跟蹤成功，如圖4(b)所示。

3.2 ICL-NUIM數(shù)據(jù)集

ICL-NUIM數(shù)據(jù)集[16]通常用于對(duì)RGB-D、視覺(jué)測(cè)距和SLAM算法進(jìn)行基準(zhǔn)測(cè)試，是一個(gè)對(duì)評(píng)估表面重建質(zhì)量很重要的數(shù)據(jù)集。它包括由手持深度相機(jī)拍攝的起居室和辦公室兩個(gè)場(chǎng)景，每個(gè)場(chǎng)景都提供真實(shí)測(cè)量位姿，但起居室場(chǎng)景還提供了一個(gè)真實(shí)的3D模型以供評(píng)估表面重建的質(zhì)量。

本文從ICL-NUIM數(shù)據(jù)集中選擇了4個(gè)序列，并將R-ORB SLAM系統(tǒng)與其他SLAM系統(tǒng)的跟蹤精度進(jìn)行比較，結(jié)果如表3所示。

圖4 fr2/360序列上的效果示例圖Fig. 4 Effect diagrams on fr2/360 sequence

從表3可以看出，雖然R-ORB SLAM系統(tǒng)的ATE RMSE誤差在4個(gè)序列中并不總是最低，但其平均誤差最小，仍然具有較高的精度和穩(wěn)定性。

為了進(jìn)一步考察表面重建的精度，在ICL-NUIM的起居室數(shù)據(jù)集上，將本文系統(tǒng)和其他系統(tǒng)進(jìn)行了比較，結(jié)果如表4所示。

實(shí)驗(yàn)中，將VoxelGrid濾波器網(wǎng)格設(shè)置為0.05×0.05×0.05。表4中Ours+TSDF表示將R-ORB SLAM系統(tǒng)得到的定位結(jié)果，使用TSDF（Truncated Signed Distance Function）[21]算法進(jìn)行重建。在實(shí)驗(yàn)中TSDF中的體素也劃分為0.05×0.05×0.05。

表3 ICL-NUIM數(shù)據(jù)集上的ATE RMSE比較Table 3 Comparison of ATE RMSE on the ICL-NUIM dataset

表4 ICL-NUIM數(shù)據(jù)集的表面重建誤差（SRE）比較Table 4 Comparison of surface reconstruction error on the ICLNUIM dataset

從表4可以看出，R-ORB SLAM系統(tǒng)的重建模塊在kt1、kt2序列中并不是效果最好的，但在kt0和kt3序列中得到了很好的重建精度，平均表面重建精度最小。而簡(jiǎn)單地應(yīng)用TSDF算法并沒(méi)有得到很好的重建結(jié)果。圖5示出了本文方法在kt0序列上重建的結(jié)果。圖5(a)為kt0序列真實(shí)3D模型中的一個(gè)表面；圖5(b)為未使用Poisson表面重建算法時(shí)RORB SLAM系統(tǒng)得到的稠密點(diǎn)云；圖5(c)為使用Poisson表面重建算法的重建結(jié)果；圖5(d)為使用Ours+TSDF的重建結(jié)果。由于視角和設(shè)定的坐標(biāo)問(wèn)題，重建的表面看起來(lái)與真實(shí)模型是鏡像的。從圖5可以看到，使用TSDF算法可以得到更光滑且平整的表面，但由于使用了體素劃分，在本應(yīng)圓滑的表面，如枕頭、臺(tái)燈表面，卻無(wú)法顯示原本的弧度，丟失了部分細(xì)節(jié)，如右下角的盆栽，而本文提出的直接融合點(diǎn)云的方法則能夠得到貼近物體原型的重建模型。

4 結(jié)束語(yǔ)

本文針對(duì)RGB-D 傳感器提出了一個(gè)使用光度信息和ORB特征相結(jié)合的R-ORB SLAM系統(tǒng)，可以有效減少系統(tǒng)因?yàn)橄鄼C(jī)抖動(dòng)、非勻速運(yùn)動(dòng)、快速旋轉(zhuǎn)以及場(chǎng)景結(jié)構(gòu)單一、紋理簡(jiǎn)單等問(wèn)題而導(dǎo)致的跟蹤失敗的情況。同時(shí)，通過(guò)在系統(tǒng)中加入拼接、濾波等點(diǎn)云處理，并采用Poisson表面重建算法實(shí)現(xiàn)了地圖三維重建。在公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，RORB SLAM系統(tǒng)在跟蹤和重建上都有較好的精度和穩(wěn)定性。在本文的重建部分，由ORB-SLAM2得到的稀疏地圖僅用于跟蹤，而實(shí)際上該地圖上的點(diǎn)擁有更準(zhǔn)確的位置信息。未來(lái)，考慮將這些地圖點(diǎn)的信息利用起來(lái)得到更精確的重建效果。

圖5 kt0序列的某一角度重建結(jié)果Fig. 5 Reconstruction results of kt0 sequence from one perspective