淺談視覺里程計的起源，優勢及應用

視覺里程計（Visual Odometry，簡稱VO）是SLAM技術中非常關鍵的部分，主要側重於計算機視覺演算法。

視覺里程計的起源

視覺里程計概念來自車輪里程計視覺里程計的研究最早是從上個世紀八十年代開始的，2004年David Nister 在CVPR上發表了一篇以視覺里程計為標題的論文《Visual Odometry》，而同年，視覺里程計用於美國國家航空航天局(NASA)主導的火星漫遊者勇氣號和機遇號上。從此，視覺里程計被大眾熟知，相關的研究掀起了新的高潮。

不同時期的火星漫遊者。圖片來自美國國家航空航天局(NASA)和噴氣推進實驗室(JPL)

視覺里程計這個術語借鑒了汽車的車輪里程計的概念，還是挺貼切的。

車輪里程計原理示意圖

我們知道汽車的車輪里程計是用來測量車速、行駛距離的測量裝置。它的原理可以簡單的做如下理解：汽車的車輪直徑是已知的，那麼車輪的周長也可以計算出來，都是一個恆定的值。車輪上安裝有一個「計數器」，車輪每轉動一圈就記一次數字，兩次計數之間的時間也是可以測量的，因此根據車輪的周長和兩次計數時間差就可以得到汽車行駛速度。隨著時間的累積就能知道該汽車總共走了多少公里的路程，稱為里程，也是里程計名字的由來。以上過程用一句專業的話總結一下就是：車輪里程計通過增量式地對車輪轉過的圈數積分來估計車輛的運動狀態。

同樣的，視覺里程計是通過移動物體（如車輛、人、機器人）上搭載的單個或多個相機拍攝的連續圖像作為輸入，從而增量式地估計物體自身的運動狀態。

視覺里程計的優勢

從上面的描述看，視覺里程計貌似和車輪里程計的功能差不多，都是估計運動物體的狀態信息，只是感測器不同而已，那麼為什麼還需要視覺里程計呢，或者說它有什麼優勢呢？

1、和車輪里程計相比，視覺里程計的優勢是不受車輪在惡劣環境下（如不平整的路面、水面或沙漠）打滑的影響。

車輪在沙漠中的打滑現象

2、汽車拐彎時，左右車輪的拐彎半徑是不同的，這會增加車輪里程計的誤差。而視覺里程計可以提供更為精確的軌跡估計，相對位置誤差範圍為0.1%到2%（2012年數據）。

左右車輪拐彎時的不一致示意圖

3、視覺里程計主要應用在自主移動機器人、無人機等領域。它可以作為車輪里程計、全球衛星定位系統（GPS），慣性測量單元（IMU），和激光雷達等很多設備的有效補充。

4、視覺里程計在某些特殊場景下是非常重要且必須的，如無法使用車輪里程計的環境（如無人機）下，在GPS失效的特殊環境（如水下、外太空）下。

視覺里程計相關術語辨析

1. VO vs Structure from Motion（SfM）

Structure from Motion簡稱SfM，中文譯為運動恢復結構。是指從一組相機圖像（有序或者無序都可以）中恢復相機位置姿態和重建三維結構的一種通用方法。最終結構和相機位姿通過離線優化（比如Bundle Adjustment，譯為光束法平叉、捆集調整）演算法來進一步提升效果，它的計算時間隨圖像的數量增加而增長。

SfM的一個比較著名的項目就是《Building Rome in a Day》： 該項目利用網上搜集到的以羅馬為關鍵詞的200萬張圖片，經過一天的計算時間實現了對羅馬的三維重建。

項目網址：

http://grail.cs.washington.edu/projects/rome/index.html

Building Rome in a day

VO可以看做是SfM方法的一個特例。因為VO不能處理無序圖像集，它只能根據序列化的連續圖像來估計相機的三維運動。Bundle Adjustment也可以用來優化軌跡的局部估計，但不是必須的。VO可以做到實時處理，而SfM不行。

2. VO vs Visual SLAM

1、VO只關心軌跡的局部一致性。其工作方式是一個位姿接一個位姿地增量式地重構路徑，只優化前面若干個路徑位姿（稱為windowed bundle adjustment）。

Visual SLAM（簡稱VSLAM）關心的是全局軌跡和地圖的一致性。其最終目的是獲得一個全局的、一致性的機器人運動路徑估計。這要求機器人能夠識別它之前去過的地方，該過程稱為迴環檢測或閉環檢測(loop closure)。當迴環檢測到後，這部分獲得的信息可以用於減少地圖和相機路徑的漂移（稱為global bundle adjustment）。

VO和VSLAM對比

如果用戶只對相機路徑感興趣，但不需要環境地圖，而且對實時性要求較高，可以只使用VO來完成。因為VO不需要跟蹤相機的所有歷史信息，它犧牲了全局的一致性來獲得實時的計算性能。

3、VO和VSLAM如何選擇？

取決於三個方面：性能（如地圖精度）、一致性、易於實現。

視覺里程計應用

視覺里程計應用領域非常廣泛，涵蓋機器人、可穿戴計算、增強現實和自動駕駛等領域。下面主要以兩個例子進行說明。

1. 火星漫遊車

視覺里程計（以下簡稱VO）早期最著名的應用就是火星漫遊車了。據美國噴氣推進實驗室(JPL)的報道，勇氣號火星車從2004年著陸至2005年3月5日的一年多時間裡，有184個火星日行駛，其中52個火星日應用了VO，計算收斂成功率為97%；機遇號有172個火星日行駛，其中75個火星日應用了VO，成功率為95%。VO不成功的情況一般是沒有足夠的特徵點、特徵點分布範圍太小、火星車自身陰影的影響等。

火星車漫遊者上的設備

勇氣號和機遇號火星車所用的VO的優點是自主性強、精度較高，能改正航跡推算方法在車輪打滑和IMU漂移時的定位誤差；其缺點是計算速度慢、只能應用於局部定位，性能依賴於地形特徵。VO速度慢是由於火星車計算機的計算能力限制，現在計算機軟硬體技術都有了飛速的發展，計算能力已經可以克服。

2. 無人機

下面是蘇黎世大學機器人感知實驗室設計的全自主無人機，完全不需要人工參與，沒有GPS，沒有激光，也沒有外部定位系統，僅僅使用無人機上搭載的相機和慣性測量單元就可以「觀察世界」和自主定位。與視覺里程計相關的計算任務可以在機載的手機處理器內實時運行，相機拍攝的圖像序列無線傳輸到筆記本電腦，在電腦端可以處理後生成稠密的三維環境模型。

利用VO全自主導航的無人機

演算法非常高效，可以接近實時，因此該系統可以用於即時獲取未知環境信息，尤其是對時間要求苛刻的場合，該無人機設計的目的就是希望用於搜索救援、遠程監測等場景。比如，在地震、泥石流等重大災難後可以第一時間進入災區執行倖存者搜索任務，可以執行邊境線巡檢、高壓線路監測等超出人類視線之外的工作。

本文由 「AR智造家」撰寫，如需轉載，請註明來源、作者及出處。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！