文章:VITAMIN-E: VIsual Tracking And MappINgwith Extremely Dense Feature Points
链接:https://arxiv.org/abs/1904.10324
视频:https://www.youtube.com/watch?v=yfKccCmmMsM
作者:Masashi Yokozuka,……,Atsuhiko Banno
机构:National Institute of Advanced Industrial Science and Technology (AIST),JSPS KAKENHI
摘要的摘要:基于经典优化SLAM框架下,改进或提升两点:
(1)Tracking的特征点数量大幅增加;
(2)BA使用Jacobi迭代法缩减求解时间和复杂度。
1. Dense Feature Point Tracking
1.1 Feature Point Tracking
VITAMIN-E tracks the local extrema of curvature () in incoming images ()。
1.2 Dominant Flow Estimation
使用光流法+匹配提供匹配点对的位置初始值,设前后帧的点匹配2D点对为和,然后最小化仿射变换的cost function:
得到一个稳定的和。
1.3 Curvature Extrema Tracking
经过1.2,可以计算特定追踪点的预测值:
再最大化evaluation function:
得到校正后的点。
2. Bundle Adjustment for Dense Tracking
2.1 Bundle Adjustment
BA原理就不说了,Model一下求解方程:
经典方法是基于稀疏矩阵的Schur消元将问题分解:
其中,下标为的为camera相关,camera相关变量为个,下标为的为point相关,point相关变量为个,然后进行Schur消元求解,具体不表了。但是文章的的size是甚至更大,这样求解的复杂度和代价很大。
2.2 Subspace Gauss–Newton Method
我理解其实就是雅克比迭代法,并不是什么子空间方法。关于这类方法之后再整理一篇笔记出来。
此时方程(8)的求解可分解为如下形式:
3. Experimental Results
ATE详见paper,看起来比DSO、ORB、LSD好不少。
时间上,在论文的CPU上:
-- Feature tracking:36 msec/frame
-- Localization & mapping :25 msec/frame
建图方面就没有细看了。