婁 路，張 忍，李一天，隗寒冰，王桂平

(1.重慶交通大學(xué) 信息科學(xué)與工程學(xué)院，重慶 400074；2.重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院，重慶 400074)

0 引 言

同時(shí)定位與建圖(simultaneous localization and mapping，SLAM)由SMITH等[1]提出，而視覺(jué)SLAM(visual-simultaneous localization and mapping，V-SLAM)是指用相機(jī)作為傳感器，在未知環(huán)境中估計(jì)相機(jī)位姿的同時(shí)建立周圍環(huán)境模型。目前V-SLAM算法逐漸成熟，MUR-ARTAL等[2]提出的ORB-SLAM2算法在ORB-SLAM[3]基礎(chǔ)上，增加雙目和RGB-D模式，能夠?qū)崿F(xiàn)地圖重用、閉環(huán)檢測(cè)和重新定位的功能。YU等[4]提出的DS-SLAM是一種適用于動(dòng)態(tài)環(huán)境中的語(yǔ)義SLAM算法，增加了語(yǔ)義分割模塊和運(yùn)動(dòng)一致性檢查模塊，雖然在動(dòng)態(tài)環(huán)境中提高了定位精度，但運(yùn)行速率下降。BESCOS等[5]提出的DynaSLAM因?yàn)樵黾恿藙?dòng)態(tài)物體檢測(cè)和背景修復(fù)功能模塊，所以導(dǎo)致檢測(cè)耗時(shí)較長(zhǎng)，實(shí)時(shí)性較差。WU等[6]提出的YOLO-SLAM包含輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)，并結(jié)合一種新的幾何約束方法來(lái)過(guò)濾檢測(cè)區(qū)域的動(dòng)態(tài)特征，該算法雖能達(dá)到實(shí)時(shí)效果，但無(wú)法應(yīng)對(duì)低紋理、光照不足等環(huán)境問(wèn)題。為解決V-SLAM遇到的這些問(wèn)題，一些結(jié)合點(diǎn)和線特征來(lái)估計(jì)相機(jī)運(yùn)動(dòng)的方法[7-9]，或者結(jié)合點(diǎn)和面特征來(lái)估計(jì)相機(jī)位姿的方法被陸續(xù)提出來(lái)了[10-13]。

盡管V-SLAM算法已經(jīng)取得了重大成就，但大多數(shù)算法只使用點(diǎn)特性作為特征信息，在低紋理環(huán)境下或者在光照變化場(chǎng)景下仍很難工作。本文提出一種基于單目和RGB-D視覺(jué)，融合快速目標(biāo)檢測(cè)和平面匹配的三維重建SLAM算法(fastest yolo plane mapping SLAM，F(xiàn)PM-SLAM)，實(shí)驗(yàn)結(jié)果表明，該算法同時(shí)滿足戶外和室內(nèi)的工作場(chǎng)景需求，并解決動(dòng)態(tài)復(fù)雜環(huán)境下可能存在的定位精度下降甚至失敗的問(wèn)題。

1 本文算法介紹

1.1 FPM-SLAM算法框架

本文提出的算法利用Yolo-Fastest[14]快速檢測(cè)目標(biāo)的特性，將檢測(cè)到的運(yùn)動(dòng)物體上的特征點(diǎn)剔除掉，再結(jié)合室內(nèi)結(jié)構(gòu)化平面特性，應(yīng)對(duì)可能存在的低紋理、光線較暗等情況。FPM-SLAM算法整體流程如圖1所示，圖2是FPM-SLAM算法的可視化示意圖。FPM-SLAM算法在獲得RGB圖像和深度圖像后，同時(shí)進(jìn)行跟蹤、可移動(dòng)物體檢測(cè)、平面匹配模塊處理，主要步驟如下：

圖1 FPM-SLAM算法整體流程

圖2 FPM-SLAM算法流程可視化

(1)RGB圖像傳入目標(biāo)檢測(cè)模塊，Yolo-Fastest算法檢測(cè)到感興趣區(qū)域(region of interest，ROI)，并將結(jié)果傳入跟蹤模塊。

(2)深度圖傳入平面匹配模塊，從深度圖像中恢復(fù)點(diǎn)云地圖，利用CAPE[16]方法完成平面提取，再利用幾何約束方法進(jìn)行平面匹配并將結(jié)果傳入跟蹤模塊。

(3)跟蹤模塊首先提取ORB特征點(diǎn)，然后完成軌跡地圖初始化。跟蹤模塊等待可移動(dòng)物體檢測(cè)模塊傳入的結(jié)果，剔除位于ROI上的ORB特征點(diǎn)，然后將關(guān)鍵幀傳入局部建圖模塊和稠密建圖模塊。

(4)跟蹤模塊將關(guān)鍵幀傳入稠密建圖模塊，重建三維點(diǎn)云，通過(guò)統(tǒng)計(jì)濾波剔除離群點(diǎn)，體素格濾波降采樣，最后保存生成的稠密三維點(diǎn)云地圖。

(5)局部建圖為了增加局部地圖點(diǎn)數(shù)目，關(guān)鍵幀之間會(huì)重新進(jìn)行特征匹配，生成新的地圖點(diǎn)；局部BA優(yōu)化共視圖里的關(guān)鍵幀位姿和地圖點(diǎn)，刪除不準(zhǔn)確的地圖點(diǎn)和冗余關(guān)鍵幀。

(6)閉環(huán)模塊通過(guò)詞袋法檢測(cè)是否閉環(huán)，計(jì)算當(dāng)前關(guān)鍵幀和閉環(huán)候選關(guān)鍵幀之間的位姿，進(jìn)行閉環(huán)矯正。

(7)最后全局BA模塊優(yōu)化所有的關(guān)鍵幀及其地圖點(diǎn)。

當(dāng)機(jī)器人在戶外工作時(shí)，F(xiàn)PM-SLAM算法只運(yùn)行①②④⑥⑦模塊。

1.2 目標(biāo)檢測(cè)算法

本文算法框架中的可移動(dòng)物體檢測(cè)模塊采用了Yolo-Fastest[14]模型。Yolo-Fastest提出的超輕量級(jí)網(wǎng)絡(luò)模型，由于搭配了移動(dòng)端輕量級(jí)神經(jīng)網(wǎng)絡(luò)EfficientNet-lite[15]，該模型在運(yùn)行性能方面表現(xiàn)很好，訓(xùn)練好的模型只有1.3 MB。圖3和圖4分別是EfficientNet-lite與其它網(wǎng)絡(luò)模型的預(yù)測(cè)速度對(duì)比和模型體積對(duì)比，帶五角星的線表示與之對(duì)比的骨干網(wǎng)絡(luò)，從圖中可以看出EfficientNet-lite網(wǎng)絡(luò)模型體積小而且預(yù)測(cè)速度快，使用的參數(shù)和計(jì)算數(shù)量非常低，計(jì)算量?jī)H為250 mflops，在移動(dòng)終端可以達(dá)到178 fps。本文采用Yolo-Fastest訓(xùn)練Pascal VOC 2014數(shù)據(jù)集，該數(shù)據(jù)集有20個(gè)類別，訓(xùn)練環(huán)境：win11操作系統(tǒng)，Intel i5 CPU，內(nèi)存16 GB，RTX3060，顯存12 GB；參數(shù)設(shè)置100 000次迭代，Batch為64。最終將訓(xùn)練模型融合到FPM-SLAM算法中，既滿足檢測(cè)精度的要求，也能夠完成對(duì)動(dòng)態(tài)場(chǎng)景下的實(shí)時(shí)性檢測(cè)。

圖3 EfficientNet-Lite與其它網(wǎng)絡(luò)模型的預(yù)測(cè)速度對(duì)比

圖4 EfficientNet-Lite與其它網(wǎng)絡(luò)模型體積對(duì)比

1.3 平面匹配算法

本文提出了一個(gè)同時(shí)使用點(diǎn)和平面的視覺(jué)SLAM算法來(lái)實(shí)現(xiàn)室內(nèi)環(huán)境下機(jī)器人相機(jī)位姿的估計(jì)。室內(nèi)環(huán)境中有許多平行和垂直的平面結(jié)構(gòu)(如桌面、地面、墻面等)，使用這些結(jié)構(gòu)約束可以幫助實(shí)現(xiàn)平面的長(zhǎng)期關(guān)聯(lián)，使得累積誤差更小，解決低紋理環(huán)境中定位下降問(wèn)題。采集圖像中普遍存在平面特征，與點(diǎn)特征相比，平面特征具有受測(cè)量噪聲影響小、容易提取、計(jì)算量低等優(yōu)點(diǎn)。圓柱體和平面提取(cylinder and plane extraction，CAPE)是Proen?a等[16]提出的一種快速三維點(diǎn)云平面和圓柱體提取方法，利用分割算法從稠密三維重建點(diǎn)云提取平面和圓柱體。本文采用CAPE方法只對(duì)平面特征進(jìn)行快速提取并匹配，與現(xiàn)有的方法相比，該方法更快且平面分割結(jié)果更具有一致性，平面生成匹配方法見(jiàn)表1。首先將輸入的深度圖像轉(zhuǎn)換為三維點(diǎn)云，然后將點(diǎn)云分割成平面網(wǎng)格，通過(guò)主成分分析(principal component analysis，PCA)來(lái)計(jì)算網(wǎng)格的參數(shù)，再利用平面的法向量進(jìn)行直方圖的統(tǒng)計(jì)，從而完成每個(gè)網(wǎng)格的平面分割，最終采用平面匹配從候選平面中計(jì)算出最佳配對(duì)平面。

表1 平面生成匹配方法

平面匹配階段，本算法利用RGB-D相機(jī)，從深度圖像中生成點(diǎn)云來(lái)提取平面。RGB-D相機(jī)提供RGB圖像和對(duì)齊的深度圖，深度圖保存了每個(gè)像素的距離信息，所以本文使用針孔相機(jī)模型(式(1))恢復(fù)點(diǎn)云，其中 (X，Y，Z)T是三維空間中的坐標(biāo)點(diǎn)，K是內(nèi)參矩陣，Z是深度值，P點(diǎn)在像素平面的像素坐標(biāo)為u=(u，v)T，(cx，cy) 表示像素坐標(biāo)系下的中心坐標(biāo)，fx和fy是相機(jī)的焦距

(1)

由深度圖像生成的點(diǎn)云被組織起來(lái)，具有類似網(wǎng)格的圖像結(jié)構(gòu)，有組織的結(jié)構(gòu)可以從點(diǎn)云中快速分割平面，最終利用局部地圖中的所有點(diǎn)和平面對(duì)當(dāng)前位姿進(jìn)行了優(yōu)化。其次增加幾何約束，給定兩個(gè)Hessian平面方程A{N，d} 和B{N′，d′}， 圖5給出了CAPE算法中兩個(gè)平面匹配的幾何表示，平面匹配需要滿足以下3個(gè)條件：

圖5 CAPE算法中兩個(gè)平面的幾何表示

(1)平面A和平面B法向量之間的夾角arccos(N·N′) 小于一定的角度θ；

(2)平面A和平面B各自原點(diǎn)到平面距離之間的差值 |d-d′| 小于一定閾值?；

為了從候選平面之中選擇最佳的平面，本文選擇產(chǎn)生最小平面間距離的候選平面，則兩個(gè)平面A和平面B之間的距離如式(2)所示，其中C和C′分別是平面A和平面B上的點(diǎn)

(2)

1.4 稠密三維點(diǎn)云重建

本文算法可在動(dòng)態(tài)環(huán)境下輸出稠密三維點(diǎn)云地圖，用于機(jī)器人導(dǎo)航與避障等高級(jí)應(yīng)用。三維稠密點(diǎn)云建圖從跟蹤模塊中獲得新的關(guān)鍵幀，利用關(guān)鍵幀的變換矩陣和深度圖像來(lái)生成局部點(diǎn)云，具體流程如圖6所示。

圖6 稠密建圖流程

(1)讀取一幀RGB圖像和深度圖像，根據(jù)相機(jī)的內(nèi)參矩陣估計(jì)相機(jī)位姿，同時(shí)跟蹤模塊會(huì)提取ORB特征點(diǎn)，并判斷當(dāng)前幀是否為關(guān)鍵幀，將得到的所有關(guān)鍵幀的深度圖像轉(zhuǎn)化為3D點(diǎn)云。

(2)統(tǒng)計(jì)濾波去除離群點(diǎn)，因?yàn)殡x群點(diǎn)的存在讓局部點(diǎn)云特征的估計(jì)變得困難，可能導(dǎo)致點(diǎn)云配準(zhǔn)失敗，所以統(tǒng)計(jì)濾波會(huì)對(duì)每個(gè)點(diǎn)進(jìn)行統(tǒng)計(jì)，計(jì)算每一點(diǎn)到其鄰域所有點(diǎn)的平均距離，剔除大于平均距離的鄰域點(diǎn)。如果得到的是高斯分布，可以計(jì)算出均值μ和標(biāo)準(zhǔn)差σ，標(biāo)準(zhǔn)差的倍數(shù)設(shè)置th=1， 對(duì)每個(gè)點(diǎn)的鄰域點(diǎn)的個(gè)數(shù)設(shè)置為50，那么去除鄰域距離大于μ+th*σ區(qū)間之外的點(diǎn)。

(3)體素網(wǎng)絡(luò)濾波器降采樣，由于多視角生成的點(diǎn)云存在重疊部分，這會(huì)占用大量存儲(chǔ)空間。在體素濾波器中，用體素的重心來(lái)近似替代體素中其它點(diǎn)，相當(dāng)于降采樣。本文把分辨率設(shè)成0.01，表示只存儲(chǔ)0.01×0.01×0.01格子中的一個(gè)點(diǎn)，體素中的大量點(diǎn)云被刪除，僅保留體素重心的一點(diǎn)，因此點(diǎn)云存儲(chǔ)空間大幅減少。

(4)進(jìn)行點(diǎn)云拼接，得到由三維點(diǎn)組成的稠密點(diǎn)云地圖。點(diǎn)云的創(chuàng)建需要提取圖像中具有深度信息的所有像素，如果是帶顏色通道的點(diǎn)云，則需要存儲(chǔ)每個(gè)點(diǎn)云對(duì)應(yīng)的RGB值。點(diǎn)云拼接的作用是將連續(xù)幀的點(diǎn)云拼接在一起，從而創(chuàng)建出整個(gè)環(huán)境的點(diǎn)云地圖。在視覺(jué)SLAM算法中，通常將第一次出現(xiàn)的關(guān)鍵幀設(shè)置為世界坐標(biāo)系，后續(xù)生成的關(guān)鍵幀需要以首幀為參考，將對(duì)應(yīng)的點(diǎn)云轉(zhuǎn)換到世界坐標(biāo)系下，與之前的點(diǎn)云進(jìn)行拼接，從而形成完整的點(diǎn)云地圖。設(shè)點(diǎn)Pc=(Xc，Yc，Zc)T是相機(jī)坐標(biāo)系下的坐標(biāo)，點(diǎn)Pw=(Xw，Yw，Zw)T為世界坐標(biāo)系下的坐標(biāo)，Tcw為相機(jī)坐標(biāo)系到世界坐標(biāo)系的變換矩陣，R和t分別為旋轉(zhuǎn)和平移矩陣，具體公式如下

(3)

(5)如果還有數(shù)據(jù)幀輸入，則繼續(xù)(1)操作；否則保存稠密三維點(diǎn)云數(shù)據(jù)并結(jié)束。

2 實(shí)驗(yàn)結(jié)果及分析

本文在戶外自動(dòng)駕駛公開(kāi)數(shù)據(jù)集KITTI[17]和室內(nèi)機(jī)器人數(shù)據(jù)集TUM[18]上對(duì)FPM-SLAM算法進(jìn)行評(píng)估，并與ORB-SLAM2、DynaSLAM、DS-SLAM算法的實(shí)驗(yàn)結(jié)果進(jìn)行比較，由于跟蹤結(jié)果需要在單目中對(duì)齊和縮放，本文使用絕對(duì)軌跡誤差(absolute trajectory error，ATE)的均方根誤差(root mean square error，RMSE)來(lái)評(píng)估該算法在動(dòng)態(tài)場(chǎng)景中的定位精度。均方根誤差描述相機(jī)估計(jì)位姿與真值位姿之間的差值，RMSE值越小表示誤差越小。假設(shè)相機(jī)估計(jì)軌跡為Testi，i， 真實(shí)軌跡Tgt，i， 其中i=1，…，N， 那么相機(jī)的絕對(duì)軌跡誤差的均方根誤差計(jì)算公式如下

(4)

2.1 在TUM RGB-D數(shù)據(jù)集上的評(píng)估

TUM RGB-D數(shù)據(jù)集[18]包含了微軟Kinect傳感器在室內(nèi)環(huán)境下采集的RGB和深度圖像。數(shù)據(jù)記錄了速率(30 Hz)的640×480分辨率圖像，真值軌跡是由具有8個(gè)高速跟蹤攝像機(jī)(100 Hz)的高精度運(yùn)動(dòng)捕捉系統(tǒng)獲得。在“坐著”的序列中，兩個(gè)人坐在一張桌子前聊天，做著手勢(shì)，運(yùn)動(dòng)幅度很小。在“行走”序列中，兩個(gè)人繞著鏡頭走，然后坐在一張桌子前。由于該數(shù)據(jù)集一些序列是高度動(dòng)態(tài)的，它將影響傳統(tǒng)視覺(jué)SLAM算法的準(zhǔn)確性。這些序列可分為以下幾種相機(jī)運(yùn)動(dòng)類型：

(1)halfsphere表示相機(jī)沿半徑為0.5 m的半球面軌跡移動(dòng)。

(2)xyz表示相機(jī)沿xyz軸移動(dòng)。

(3)rpy表示相機(jī)在俯仰角、偏航角、滾轉(zhuǎn)角上旋轉(zhuǎn)。

(4)static表示相機(jī)保持靜止不動(dòng)。

FPM-SLAM算法在TUM RGB-D數(shù)據(jù)集上運(yùn)行部分序列(fr3_walking_rpy、fr3_walking_xyz)實(shí)驗(yàn)結(jié)果如圖7、圖8所示。圖7(a)、圖8(a)顯示了FPM-SLAM算法提取ORB特征點(diǎn)的效果，輸入一張RGB圖像到跟蹤模塊中，當(dāng)算法檢測(cè)到可移動(dòng)物體(比如圖像中的人)時(shí)，用矩形框標(biāo)記并剔除掉可移動(dòng)物體上的ORB特征點(diǎn)，再對(duì)圖像完成后續(xù)工作。在圖7(b)光線較暗的環(huán)境中，算法提取的ORB特征點(diǎn)較少，容易導(dǎo)致跟蹤丟失，因此將深度圖輸入到平面匹配模塊，從深度圖中恢復(fù)點(diǎn)云并分割成多個(gè)平面(對(duì)應(yīng)圖7(b)地面匹配的兩個(gè)平面)，使用平面匹配算法解決這一問(wèn)題。在圖8(b)中，辦公桌上有明顯的平面特征，算法進(jìn)行ORB特征點(diǎn)匹配時(shí)，也進(jìn)行平面匹配(對(duì)應(yīng)圖8(b)桌面匹配的兩個(gè)平面)。圖7(c)、圖8(c)顯示了估計(jì)位姿和真實(shí)位姿的誤差軌跡圖，圖中虛線部分表示真值軌跡，實(shí)線部分表示相機(jī)估計(jì)位姿軌跡，柱線條越靠近下端，表示軌跡誤差越小，越靠近柱線條上端，表示絕對(duì)軌跡誤差越大。因?yàn)楸疚牡乃惴ㄐ阅茉谶@兩個(gè)序列中表現(xiàn)良好，所以是實(shí)線呈現(xiàn)，虛線的真值軌跡被實(shí)線覆蓋。

圖7 fr3_walking_rpy序列效果

圖8 fr3_walking_xyz序列效果

表2顯示了在TUM RGB-D數(shù)據(jù)集的6個(gè)序列中，F(xiàn)PM-SLAM分別與幾種經(jīng)典SLAM算法ORB-SLAM2、DynaSLAM、DS-SLAM的絕對(duì)軌跡均方根誤差對(duì)比結(jié)果。在表2中，前4個(gè)序列是高度動(dòng)態(tài)的環(huán)境(有人在走動(dòng))，后兩個(gè)序列是低動(dòng)態(tài)的環(huán)境(有人坐著打手勢(shì))?？傊?，本文所提算法在TUM RGB-D數(shù)據(jù)集中的結(jié)果與DynaSLAM和DS-SLAM相似。當(dāng)在高動(dòng)態(tài)環(huán)境中消除動(dòng)態(tài)對(duì)象(如行人)上的特征點(diǎn)時(shí)，可以提高定位精度(如fr3_w_halfsphere、fr3_w_xyz、fr3_w_pry、fr3_w_static序列)。但在低動(dòng)態(tài)環(huán)境下(如fr3_s_xyz、fr3_s_halfsphere)，F(xiàn)PM-SLAM算法的軌跡誤差高于DynaSLAM算法，這是因?yàn)樵谌コ挥诳梢苿?dòng)物體區(qū)域的特征點(diǎn)后，剩余的特征點(diǎn)大部分位于較遠(yuǎn)區(qū)域，導(dǎo)致定位精度下降。

表2 TUM數(shù)據(jù)集絕對(duì)軌跡誤差的RMSE對(duì)比/m

FPM-SLAM算法在TUM RGB-D數(shù)據(jù)集上運(yùn)行的部分序列(fr3_walking_xyz、fr3_walking_halfsphere)建圖效果如圖9、圖10所示。圖9(a)、圖10(a)顯示未剔除移動(dòng)物體的建圖效果，由于人的走動(dòng)給建圖帶來(lái)了不便，重建的點(diǎn)云圖中有許多重影；圖9(b)、圖10(b)顯示了剔除移動(dòng)物體后的建圖效果，重影消失，重建效果較好。

圖9 fr3_walking_xyz建圖效果

圖10 fr3_walking_halfsphere建圖效果

2.2 在KITTI數(shù)據(jù)集的實(shí)驗(yàn)

KITTI數(shù)據(jù)集[17]是由德國(guó)卡爾斯魯厄理工學(xué)院和美國(guó)豐田理工學(xué)院聯(lián)合采集，用于評(píng)估自動(dòng)駕駛場(chǎng)景中的計(jì)算機(jī)視覺(jué)算法。采集車上安裝了兩臺(tái)高分辨率的彩色和灰度相機(jī)，RTK-GPS提供了精確的運(yùn)動(dòng)軌跡真實(shí)值。數(shù)據(jù)集包含了中等城市街道、鄉(xiāng)村道路和高速公路上的單目、雙目相機(jī)、激光雷達(dá)、GPS等多種傳感器數(shù)據(jù)，提供了11個(gè)序列帶有真值軌跡進(jìn)行測(cè)試評(píng)估。

FPM-SLAM算法在KITTI數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果如圖11、圖12所示。圖11(a)、圖12(a)顯示了FPM-SLAM算法提取ORB特征點(diǎn)的效果，輸入一張RGB圖像到跟蹤模塊中，當(dāng)算法檢測(cè)到可移動(dòng)物體(比如圖像中的車)時(shí)，用矩形框標(biāo)記并剔除掉可移動(dòng)物體上的ORB特征點(diǎn)，再對(duì)圖像完成后續(xù)工作。圖11(b)、圖12(b)顯示了具有多個(gè)閉環(huán)的城市環(huán)境軌跡和稀疏重建。圖11(c)、圖12(c)顯示了估計(jì)位姿和真實(shí)位姿的誤差軌跡圖，采用KITTI00和KITTI05序列對(duì)定位軌跡的精度進(jìn)行評(píng)估。

圖11 KITTI_00序列效果

圖12 KITTI_05序列效果

表3顯示了3種算法在KITTI數(shù)據(jù)集的11個(gè)序列中軌跡精度的比較。從表中可以看出，本文的算法在某些情況下的結(jié)果與ORB-SLAM2和DynaSLAM相似。當(dāng)場(chǎng)景中有許多動(dòng)態(tài)物體時(shí)(如移動(dòng)的汽車、自行車和行人等)，該算法可以有效地提高SLAM(如KITTI03、KITTI04、KITTI09)的定位精度。但當(dāng)大多數(shù)物體處于靜止?fàn)顟B(tài)，F(xiàn)PM-SLAM比DynaSLAM有更大的誤差，因?yàn)檫@些序列(如KITTI00和KITTI02)包含許多近距離的靜止車輛，大多數(shù)ORB特征點(diǎn)在較遠(yuǎn)地區(qū)，當(dāng)剔除車輛上的特征點(diǎn)，這可能導(dǎo)致定位精度下降。

表3 KITTI數(shù)據(jù)集單目絕對(duì)軌跡誤差的RMSE對(duì)比/m

2.3 算法實(shí)時(shí)性評(píng)估

為測(cè)試算法的實(shí)時(shí)性，本文分別選取TUM數(shù)據(jù)集“高動(dòng)態(tài)”3個(gè)序列，“低動(dòng)態(tài)”兩個(gè)序列。測(cè)試圖像分辨率設(shè)置為640×480，由于SLAM算法的跟蹤模塊對(duì)圖像實(shí)時(shí)性要求高，所以本文只對(duì)比跟蹤模塊所耗費(fèi)時(shí)間。本實(shí)驗(yàn)的環(huán)境采用Intel i5 CPU，內(nèi)存16 GB進(jìn)行測(cè)試。

表4中DynaSLAM算法在測(cè)試序列的跟蹤模塊算法平均耗時(shí)2.667 s；本文提出的FPM-SLAM算法平均耗時(shí)29 ms。在fr3_s_halfsphere序列中，F(xiàn)PM-SLAM算法在跟蹤模塊中耗時(shí)0.026 ms，算法整體運(yùn)行速率22.20 fps；DynaSLAM算法耗時(shí)2.138 s，算法整體運(yùn)行速率0.48 fps。因此，本文算法較DynaSLAM算法有明顯提升，滿足室內(nèi)環(huán)境實(shí)時(shí)跟蹤的需求。

表4 跟蹤模塊耗時(shí)對(duì)比/s

3 結(jié)束語(yǔ)

本文提出FPM-SLAM算法，結(jié)合點(diǎn)和面特征及深度學(xué)習(xí)，提高視覺(jué)SLAM在低紋理和動(dòng)態(tài)復(fù)雜環(huán)境下的精確性和魯棒性。但在光照條件差的環(huán)境下，算法的魯棒性有待提升，后續(xù)將引入IMU傳感器提升算法的定位精度；在稠密三維地圖重建部分，即使經(jīng)過(guò)統(tǒng)計(jì)學(xué)濾波、體素格濾波后，最后得到的地圖文件仍然很大，后續(xù)將轉(zhuǎn)換為八叉樹(shù)地圖減少存儲(chǔ)空間。本文主要?jiǎng)?chuàng)新點(diǎn)如下：

(1)將輕量級(jí)目標(biāo)檢測(cè)算法Yolo-Fastest融入所提出的算法中，在戶外KITTI數(shù)據(jù)集上的實(shí)驗(yàn)中，與ORB-SLAM2相比，本文的方法絕對(duì)軌跡誤差RMSE指數(shù)顯著降低66.67%；

(2)將平面特征匹配方法融入到所提出的算法中，在室內(nèi)TUM數(shù)據(jù)集上實(shí)驗(yàn)，本文的方法在大多數(shù)測(cè)試序列中效果比DS-SLAM和DynaSLAM要好，與ORB-SLAM2算法比較，絕對(duì)軌跡誤差RMSE指數(shù)顯著降低98.77%，而且運(yùn)行速度得到了有效提升，跟蹤模塊平均耗時(shí)僅29 ms；

(3)將稠密建圖方法融入到所提算法中，剔除掉動(dòng)態(tài)物體后生成稠密三維點(diǎn)云地圖，可用于機(jī)器人后續(xù)執(zhí)行導(dǎo)航、避障和環(huán)境理解等高級(jí)應(yīng)用任務(wù)。