單目VINS系統的重定位，全局優化和地圖融合

每天一分鐘，帶你讀遍機器人頂級會議文章

標題：Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM

作者：Tong Qin, Peiliang Li, and Shaojie Shen

來源：arXiv2018

播音員：SophieChu

編譯：王慧國

歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，後台留言申請授權

摘要

大家好，今天為大家帶來的文章是——單目VINS系統的重定位，全局優化和地圖融合，該文章發表於arXiv2018。

單目VINS系統包括一個相機和一個低成本的慣性測量單元，並且是估計6自由度（DOF）狀態的流行方法。然而，局部精確的視覺慣性里程計VIO很容易就會漂移並且不能提供絕對姿態估計。利用歷史信息去重定位和矯正漂移已經稱為一個火熱的話題。

這個提出的VINS系統的完整流程圖。

在這篇文章中，我們提出了一種單目視覺慣性SLAM系統（VINS），它能夠進行重定位並且得到在先前地圖中的絕對姿態。4DOF的姿態圖優化將會矯正漂移和實現全局的一致性。這個4DOF包括x,y,z和偏航角，它是視覺慣性系統的實際漂移方向。另外，提出的系統能夠通過高效的存儲和下載地圖，對地圖進行重用。當前地圖和先前的地圖能夠通過全局姿態圖優化的方式進行融合。我們在公開數據集驗證了我們系統的精度並且與其他優秀方法進行了對比。我們還評估了該系統在戶外大場景下的地圖融合能力。地圖重用的源代碼被集成到我們的公開項目代碼中，即VINS-Mono。項目鏈接：https://github.com/HKUST-Aerial-Robotics/VINS-Mono。

上圖顯示了VINS系統對相機位置進行實時定位。圖中表明它可以利用預先建立好的地圖進行重定位，得到原先地圖中的絕對位姿。

Abstract

The monocular visual-inertial system (VINS), which consists one camera and one low-cost inertial measure-ment unit (IMU), is a popular approach to achieve accurate DOF state estimation. However, such locally accurate visual-inertial odometry is prone to drift and cannot provide absolute pose estimation. Leveraging history information to relocalize and correct drift has become a hot topic. In this paper, we propose a monocular visual-inertial SLAM system, which can relocalize camera and get the absolute pose in a previous-built map. Then 4-DOF pose graph optimization is performed to correct drifts and achieve global consistent. The 4-DOF contains x, y, z, and yaw angle, which is the actual drifted direction in the visual-inertial system. Furthermore, the proposed system can reuse a map by saving and loading it in an efficient way. Current map and previous map can be merged together by the global pose graph optimization. We validate the accuracy of our system on public datasets and compare against other state-of-the-art algorithms. We also evaluate the map merging ability of our system in the large-scale outdoor environment. The source code of map reuse is integrated into our public code, VINS-Mono.

如果你對本文感興趣，想要下載完整文章進行閱讀，可以關注【泡泡機器人SLAM】公眾號。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！