0. 引言

基于特征點法的視覺SLAM系統(tǒng)很難應(yīng)用于稠密建圖，且容易丟失動態(tài)對象。而基于直接法的SLAM系統(tǒng)會跟蹤圖像幀之間的所有像素，因此在動態(tài)稠密建圖方面可以取得更完整、魯棒和準確的結(jié)果。本文將帶大家精讀2022 CVPR的論文："基于學習視覺里程計的動態(tài)稠密RGB-D SLAM"。該論文提出了一種基于直接法的動態(tài)稠密SLAM方案，重要的是，算法已經(jīng)開源。

1. 論文信息

摘要

我們提出了一種基于學習的視覺里程計(TartanVO)的稠密動態(tài)RGB-D SLAM系統(tǒng)。TartanVO與其他直接法而非特征點法一樣，通過稠密光流來估計相機姿態(tài)。而稠密光流僅適用于靜態(tài)場景，且不考慮動態(tài)對象。同時由于顏色不變性假設(shè)，光流不能區(qū)分動態(tài)和靜態(tài)像素。

因此，為了通過直接法重建靜態(tài)地圖，我們提出的系統(tǒng)通過利用光流輸出來解決動態(tài)/靜態(tài)分割，并且僅將靜態(tài)點融合到地圖中。此外，我們重新渲染輸入幀，以便移除動態(tài)像素，并迭代地將它們傳遞回視覺里程計，以改進姿態(tài)估計。

3. 算法分析

圖1所示是作者提出的具有基于學習的視覺里程計的動態(tài)稠密RGB-D SLAM的頂層架構(gòu)，其輸出的地圖是沒有動態(tài)對象的稠密全局地圖。 算法的主要思想是從兩個連續(xù)的RGB圖像中估計光流，并將其傳遞到視覺里程計中，以通過匹配點作為直接法來預(yù)測相機運動。然后通過利用光流來執(zhí)行動態(tài)分割，經(jīng)過多次迭代后，移除動態(tài)像素，這樣僅具有靜態(tài)像素的RGB-D圖像就被融合到全局地圖中。



圖1 基于學習的視覺里程計的動態(tài)稠密RGB-D SLAM頂層架構(gòu)

3.1 分割算法

為了利用來自TartanVO的光流輸出來分類動態(tài)/靜態(tài)像素，作者提出了兩種分割方法：一種是使用2D場景流作為光流和相機運動之間的差值。另一種是提取一幀中的像素到它們匹配的核線的幾何距離。圖2和圖3所示分別為兩種方法的算法原理。



圖2 使用基于2D場景流的分割的稠密RGB-D SLAM架構(gòu)



圖3 基于運動一致性檢測的稠密RGB-D SLAM架構(gòu)

在圖2中，作者首先使用來自TartanVO的匹配網(wǎng)絡(luò)從兩個連續(xù)的RGB圖像中估計光流，隨后使用姿態(tài)網(wǎng)絡(luò)來預(yù)測相機運動。然后通過從光流中減去相機自身運動來獲得2D場景流，并通過對2D場景流進行閾值處理來執(zhí)行動態(tài)分割。 同時，靜態(tài)背景被前饋到網(wǎng)絡(luò)，以實現(xiàn)相機運動的迭代更新。

經(jīng)過幾次迭代后，動態(tài)像素被移除，僅具有靜態(tài)像素的RGB-D圖像被傳遞到基于點的融合中進行重建。圖4所示為使用2D場景流進行動態(tài)像素分割的原理。



圖4 圖像平面中投影的2D場景流

在圖3中，作者首先使用來自TartanVO的匹配網(wǎng)絡(luò)從兩個連續(xù)的RGB圖像中估計光流，隨后使用姿態(tài)網(wǎng)絡(luò)來預(yù)測相機運動。 然后計算從第二幀中的像素到它們的對應(yīng)核線的距離，其中核線使用光流從匹配像素中導出。

最后通過距離閾值化來執(zhí)行動態(tài)分割。經(jīng)過幾次迭代后，動態(tài)像素被移除，僅具有靜態(tài)像素的RGB-D圖像被傳遞到基于點的融合中進行重建。

圖3所示的動態(tài)稠密框架基于的思想是：如果場景中沒有動態(tài)物體，那么第二幀圖像中的每個像素應(yīng)該在其第一幀圖像匹配像素的核線上。 在這種情況下，可以使用給定的相機位姿、光流和內(nèi)在特性進行分割，而不是將第一幀圖像直接投影到第二幀。這種方法也被作者稱為"運動一致性"檢測。

圖5所示是運動一致性的細節(jié)檢測原理。該算法首先獲得匹配的像素對，即每對圖像中的像素直接施加光流矢量到第一幀上，并計算具有匹配像素對的基礎(chǔ)矩陣。 然后，再計算每個像素的對應(yīng)核線基本矩陣和像素的位置。當?shù)诙衅ヅ湎袼嘏c它的核線大于閾值時，它被分類作為動態(tài)像素。



圖5 運動一致性檢測的算法原理

3.2 迭代和融合

在RGB-D圖像中僅剩下靜態(tài)像素后，作者迭代地將其傳遞回TartanVO進行改進光流估計，從而獲得更精確的相機姿態(tài)。理想情況下，通過足夠的迭代，分割掩模將移除與動態(tài)對象相關(guān)聯(lián)的所有像素，并且僅在圖像中留下靜態(tài)背景。 同時作者發(fā)現(xiàn)，即使使用粗糙的掩模，仍然可以提高TartanVO的ATE。另外，如果粗掩模允許一些動態(tài)像素進入最終重建，那么它們將很快從地圖中移除。

經(jīng)過固定次數(shù)的迭代后，將去除了大多數(shù)動態(tài)像素的細化圖像對與其對應(yīng)的深度對一起進行融合。數(shù)據(jù)融合首先將輸入深度圖中的每個點與全局圖中的點集投影關(guān)聯(lián)，使用的方法是將深度圖渲染為索引圖。 如果找到相應(yīng)的點，則使用加權(quán)平均將最可靠的點與新點估計合并。

如果沒有找到可靠的對應(yīng)點，則估計的新點作為不穩(wěn)定點被添加到全局圖中。

隨著時間的推移，清理全局地圖，以去除由于可見性和時間約束導致的異常值，這也確保了來自分割的假陽性點將隨著時間的推移而被丟棄。因為作者利用稠密的光流并在每個像素上分割圖像而不進行下采樣，所以算法可以重建稠密的RGB-D全局圖。

4. 實驗

作者使用TUM數(shù)據(jù)集中的freiburg3行走xyz序列，圖6和圖7所示為使用2D場景流的分割結(jié)果。



圖6 基于2D場景流動態(tài)分割向左移動的對象



圖7 基于2D場景流動態(tài)分割向右移動的對象

隨后，作者迭代地將重新渲染的圖像對傳遞回TartanVO。作者認為這一操作將改進光流估計，并且獲得更精確的相機姿態(tài)，如圖8所示是實驗結(jié)果。其中左圖是使用原始TartanVO的絕對軌跡誤差，右圖是使用改進TartanVO的絕對軌跡誤差。實驗結(jié)果顯示，如果有足夠的迭代，分割過程將移除動態(tài)物體中的大多數(shù)像素，并且僅保留靜態(tài)背景。



圖8 原始TartanVO和回環(huán)優(yōu)化的軌跡誤差對比結(jié)果

圖9所示是在TUM整個freiburg3行走xyz序列上的重建結(jié)果，結(jié)果顯示動態(tài)對象(兩個移動的人)已經(jīng)從場景中移除，只有靜態(tài)背景存儲在全局地圖中。



圖9 基于點融合的三維重建結(jié)果

此外，為了進行不同方法的對比，作者首先嘗試掩蔽原始圖像以濾除對應(yīng)于3D中的動態(tài)點的像素，然后，在此之上嘗試用在先前圖像中找到的匹配靜態(tài)像素來修補空缺，但降低了精度。與產(chǎn)生0.1248的ATE的TartanVO方法相比，原始掩蔽方法產(chǎn)生了更理想的光流，而修補方法產(chǎn)生因為產(chǎn)生過多的偽像而阻礙了光流的計算。如圖10所示是對比結(jié)果。



圖10 tartan VO的三種輸入類型對比

5.結(jié)論

在2022 CVPR論文"Dynamic Dense RGB-D SLAM using Learning-based Visual Odometry"中，作者提出了一種全新的動態(tài)稠密RGB-D SLAM框架，它是一種基于學習視覺里程計的方法，用于重建動態(tài)運動物體干擾下的靜態(tài)地圖。重要的是，算法已經(jīng)開源，讀者可在開源代碼的基礎(chǔ)上進行二次開發(fā)。

此外，作者也提到了基于該論文的幾個重要的研究方向：

(1) 引入自適應(yīng)閾值機制，通過利用流、姿態(tài)和地圖等來為分割提供更一致的閾值。

(2) 在預(yù)訓練的基于學習的視覺里程計中，使用對相機姿態(tài)和光流的BA來補償大范圍運動感知。

(3) 使用動態(tài)感知迭代最近點(ICP)算法來代替TartanVO中的姿態(tài)網(wǎng)絡(luò)。

(4) 在更多樣化的數(shù)據(jù)集上進行測試和迭代，以提供更好的魯棒性。

審核編輯：劉清