用於自動駕駛車輛視覺定位的地圖存儲：ORB-SLAM2的一種拓展

用於自動駕駛車輛視覺定位的地圖存儲：ORB-SLAM2的一種拓展

Persistent Map Saving for Visual Localization for Autonomous Vehicles : An ORB-SLAM 2 Extension

摘要：

​ 電動汽車和自動駕駛汽車是目前汽車領域的熱門研究方向。這兩個課題在實現車輛更安全和更環保的方向上是相互促進的。自動駕駛汽車的一個基本組成要素是構建環境地圖並在地圖上定位自己的能力。在本文中，我們使用一個雙目視覺傳感器來感知環境並創建地圖。因為沒有真值數據用作參考且誤差會隨着時間累積，所以SLAM存在錯誤定位的可能。因此，我們首先使用我們的ORB-SLAM2的拓展版本在汽車低速行駛的情況下構建並保存具有環境視覺特征的地圖。在第二次運行時，我們重新加載地圖，然后在之前構建的地圖上定位。對構建好的地圖進行加載和定位可以提高自動駕駛車輛的連續定位精度。此地圖的保存功能是原始的ORB-SLAM 2所缺少的。

​ 我們使用KITTI數據集的場景來評估已建成SLAM地圖的定位精度。此外，我們用自己的小型電動模型車記錄的數據對構建的地圖進行了定位精度測試。測試結果表明，在特征豐富的環境中，對於直線速度平均為36 m/s行駛的車輛而言，定位的相對平移誤差可以保持在1%以下。與完全SLAM相比，該定位模式擁有更好的定位精度和更低的計算負荷。我們對ORB-SLAM2拓展的源代碼將在以下網址公開：[https://github.com/TUMFTM/orbslam map-saving-extension](https://github.com/TUMFTM/orbslam map-saving-extension)

索引詞：SLAM，定位，重定位，自動駕駛，地圖，ORB-SLAM2

介紹

​ 掌握自動駕駛技術對於汽車行業和學術界是一個持續性的挑戰。為了導航的安全性，自動駕駛汽車需要建立一個環境的准確模型，並具備估計自身位置的能力。在這項工作中，我們的目標是實現在已經行駛過並建立地圖的路徑上准確定位車輛（在地圖上的）位置的功能。作為應用程序的中間開發環節，它目前作為一種定位方法用於車輛比賽場景。在這些場景下，車輛需要能夠精確定位自身位置的能力，保證其可以高速行駛。

​ 使用全球導航衛星系統(GNSS)估計自主車輛的位置是一種有效的方法。然而，這些系統的精度是有限的。大氣條件、信號反射和時鍾誤差都會產生噪聲。實時動態(RTK)定位系統可以通過使用固定校正基站的校正信號來減少這些誤差。但是，此類系統依賴於更多的基礎設施，會帶來額外的成本。

​ 有別於GNSS或RTK的定位方式，汽車使用激光、相機和雷達傳感器感知環境。基於這些傳感器，我們可以計算出當前環境的地圖模型。同時，車輛可以定位自身相對於此地圖的位置(SLAM)。當這些局部地圖被保存在一個固定的全球導航衛星系統(GNSS)中，行駛在已經建圖區域上的車輛只需定位自己在上述地圖中的位置，就可以得到自身的全球位置估計。在SLAM的過程中，錯誤的定位會導致地圖的不連續，從而阻礙進一步的定位或重新定位。純定位模式可以節省計算資源，並能夠在發生錯誤定位時進行重定位。

​ 下面，我們對ORB-SLAM2算法進行了改進，以適應這種只進行兩階段定位場景的需要。第一步，我們在低速行駛條件下使用SLAM創建了一個環境地圖。第二步，我們加載地圖並以更高的速度在地圖上定位車輛。結果表明，這種純定位策略可以有效降低計算量和定位誤差。在第二節中，我們簡要地介紹了相關的研究和我們所建立的算法。在第三節中，我們討論了我們對於ORB-SLAM2的拓展工作。在第四節中，我們評估了我們的拓展版本在不同場景下的性能，並得出了我們的結論。

結論：

​ 這篇文章通過增加地圖保存功能對視覺SLAM系統進行了拓展。和原始的功能一樣，此拓展版本依然可以使系統作為一種SLAM模塊應用於車輛的低速駕駛場景中。此外，它可以作為定位模塊應用於更快速的駕駛場景，輸出一個整體上更加精確的軌跡估計（結果）。該系統是ORB-SLAM2的一個拓展版本，可以實現室外和室內環境的定位。實驗結果表明，在特征豐富的場景中，此系統可以在36m/s的速度下實現精確的定位功能。

​ 此系統的定位模塊相較於SLAM模塊占用更少的計算資源; 但特征計算和匹配功能要求（資源）較高。我們展示了這種方法在嵌入式CPU上的局限性。

	此系統的定位能力在特征值較少的環境中表現並不好，比如KITTI的01序列。這對類似算法在特征相似的比賽場景中的應用提出了挑戰。（針對這個問題，）許多新興的方法使用深度學習技術生成的特征來提高SLAM的應用性。盡管這種方法是否能提高上述場景的定位精度仍是一個有待研究的問題。同時，與目前（主流）的視覺特征相比，這些**深度特征**可以在光照條件改變時發生更小的變化。這可以使地圖的重定位功能**在不同的場景條件**下比如白天和晚上，依然能夠實現。

​ 研發和評估后的地圖保存擴展模塊提高了原始ORB-SLAM 2方法的功能性，並使其可以適用於許多新的場景，例如模型汽車的自動駕駛比賽的應用等

論文插圖（/表格）：

圖1: ORB-SLAM2的定位(左)和完全SLAM(右)兩種工作模式流程圖。

圖2 : 室外數據集的示例圖像幀。ORB特征點的定位結果顯示為綠色。

​

圖3 : 室內數據集的示例圖像幀。ORB特征點的定位結果顯示為綠色。

表一 : TUM數據集中快速行駛和快速回放在不同速度下跟蹤丟失（LT：Lost Track）情況的比較。

​

表二 : SLAM系統與真值數據的精度對比

(t_rel : 平均相對平移；r_rel : 平均相對旋轉； t_abs ： 絕對平移均方根誤差)

圖4 : KITTI序列09。軌跡真值(灰色虛線)，8m/s行駛時的SLAM軌跡(藍色)和20m/s行駛時的SLAM軌跡(黑色)。20m/s行駛時的SLAM軌跡與真值的偏離更大，並在紅色標記的位置處定位失效。 ​

表三 : 相對於地圖的定位精度（t_rel: 平均相對平移；r_rel : 平均相對旋轉； t_abs ： 絕對平移均方根誤差； LT：跟蹤丟失； LT_t,max : 丟失跟蹤的最大連續時間）

圖5 : KITTI序列09。軌跡真值(灰色),8m/s行駛時的SLAM軌跡(藍色)和36m/s行駛時的SLAM軌跡(橙色)。SLAM和定位都與真值相近。

圖6 : KITTI序列09。軌跡真值(灰色),8m/s行駛時的SLAM軌跡(藍色)和36m/s行駛時的SLAM軌跡(橙色)。SLAM軌跡與真值有誤差。定位和SLAM的軌跡一致

圖7 : KITTI序列01。軌跡真值(灰色),10m/s行駛時的SLAM軌跡(藍色)和36m/s行駛時的定位(橙色)。SLAM軌跡與真值有誤差。定位與SLAM軌跡有一段曲線存在的額外的誤差。

圖8 : TUM數據集戶外場景。SLAM軌跡(藍色)和定位(橙色)。定位和SLAM軌跡相近

圖9 : TUM數據集室內場景。SLAM軌跡(藍色)和定位(橙色)。定位和SLAM軌跡相近。我們可以看到在兩個軌跡中都存在漂移現象，因為測試用的軌跡是矩形的，但系統形成的軌跡並非如此。

表四 : 不同計算硬件下的定位精度

(LT：跟蹤丟失； LT_t,max : 丟失跟蹤的最大連續時間)

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、檢測分割識別、三維視覺、醫學影像、GAN、自動駕駛、計算攝影、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據研究方向邀請進入相關微信群。請勿在群內發送廣告，否則會請出群，謝謝理解~
投稿、合作也歡迎聯系：[e-mail]

長按關注計算機視覺life