目前室內(nèi)RGB-D SLAM的sota方法有哪些呢？

由于室內(nèi)場(chǎng)景的稠密三維重建是一個(gè)非?；馃岬难芯款I(lǐng)域了，到目前為止出現(xiàn)了許許多多好的研究工作，恕能力和時(shí)間的限制，不能進(jìn)行一一介紹，所以對(duì)目前一些比較常用的RGB-D SLAM解決方案進(jìn)行介紹。

1.BundleFusion

BundleFusion是一種稠密的實(shí)時(shí)室內(nèi)場(chǎng)景三維重建算法框架。輸入為RGB-D相機(jī)采集的并且是對(duì)齊好的RGB圖像和深度圖的數(shù)據(jù)流。輸出為重建好的稠密三維場(chǎng)景模型。

整個(gè)算法流程如下圖所示：

其優(yōu)點(diǎn)在于重建效果在所有RGB-D SLAM中靠前，支持在GPU上實(shí)時(shí)魯棒跟蹤，可以在跟蹤失敗時(shí)移動(dòng)到重建成功的地方進(jìn)行重定位，匹配上后繼續(xù)跟蹤。

但是缺點(diǎn)在于由于成像傳感器存在噪音，稀疏關(guān)鍵點(diǎn)匹配可能產(chǎn)生小的局部誤匹配。這些誤匹配可能會(huì)在全局優(yōu)化中傳播，導(dǎo)致誤差累積。實(shí)際重建時(shí)效果和所使用深度相機(jī)的性能、待重建場(chǎng)景的紋理豐富程度關(guān)系很大。

論文獲取地址：http://arxiv.org/pdf/1604.01093.pdf

項(xiàng)目地址：https://graphics.stanford.edu/projects/bundlefusion/

源碼獲取地址：https://github.com/niessner/BundleFusion

2.InfiniTAM

InfiniTAM是牛津大學(xué)于2016年發(fā)表的稠密SLAM方案，目前已經(jīng)發(fā)展到了v3版本，該方案基于KinectFusion和體素塊哈希表發(fā)展而來。首先，InfiniTAM方案在建圖部分利用TSDF模型（截?cái)喾?hào)距離場(chǎng)）進(jìn)行建模，只是在建模的時(shí)候，不是對(duì)整個(gè)空間都劃分等大小的網(wǎng)格，而是只在場(chǎng)景表面的周圍劃分網(wǎng)格，且只為待重建的表面上的體素塊分配顯存，并使用哈希表這一結(jié)構(gòu)來管理GPU對(duì)體素塊的內(nèi)存分配和數(shù)據(jù)訪問。通過這樣的方法，InfiniTAM 大大減小了稠密建圖對(duì) GPU 的內(nèi)存消耗，提升了算法效率。

算法流程如下圖所示：

項(xiàng)目地址：https://www.robots.ox.ac.uk/~victor/infinitam/index.html

代碼獲取地址：https://github.com/victorprad/InfiniTAM

3.RTAB-Map

RTAB-Map（基于外觀的實(shí)時(shí)映射）是一種基于RGB-D、立體和激光雷達(dá)的SLAM算法框架，它以基于外觀的增量閉環(huán)檢測(cè)為基礎(chǔ)。閉環(huán)檢測(cè)使用詞袋法來確定新圖像來自先前位置或新位置的可能性。當(dāng)閉環(huán)檢測(cè)假設(shè)被接受時(shí)，一個(gè)新的約束將被添加到地圖的圖形中，然后圖形優(yōu)化器將地圖中的誤差最小化。RTAB-Map可單獨(dú)與手持Kinect、立體攝像頭或3D激光雷達(dá)配合使用，用于6DoF地圖繪制；也可與配備激光測(cè)距儀的機(jī)器人配合使用，用于3DoF地圖繪制。

算法流程如下圖所示：

其優(yōu)點(diǎn)在于定位精度很準(zhǔn)，支持視覺、激光傳感器，支持跨平臺(tái)、ROS，在線處理

缺點(diǎn)在于魯棒性不是很好，如果建圖時(shí)間和重定位時(shí)間間隔得比較久，或者光線變化都很明顯的話，重定位會(huì)失敗。而且點(diǎn)云網(wǎng)格化用possion重建，不是主流的TSDF，速度會(huì)慢。

項(xiàng)目地址：https://introlab.github.io/rtabmap/

代碼獲取地址：https://github.com/introlab/rtabmap

4.ORB-SLAM3

在前作ORB-SLAM2的基礎(chǔ)上，大佬于2020年7月開源了ORB-SLAM3的論文和源碼。ORB-SLAM3支持的設(shè)備和功能更多，支持單目、雙目、RGB-D相機(jī)，針孔、魚眼，視覺慣性里程計(jì)，多地圖等，幾乎覆蓋了視覺SLAM各個(gè)分支?？傮w來說，ORB-SLAM3基本框架、代碼結(jié)構(gòu)都是ORB-SLAM2的延伸，但是加入了很多新的方法，實(shí)現(xiàn)了更好的效果。

主要系統(tǒng)架構(gòu)如下圖所示：

論文獲取地址：https://arxiv.org/pdf/2007.11898.pdf

審核編輯：黃飛