视觉SLAM地图点稀疏化，更少的地图点实现更精确的相机位姿！

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文##开源代码#  Keeping Less is More: Point Sparsification for Visual SLAM

论文地址：https://arxiv.org/abs/2207.00225

   当将SLAM用于真实世界中实际的问题（例如自动驾驶、无人机和AR设备）上时，其内存占用和计算成本是限制性能和应用范围的两个主要的因素；在离散的特征点SLAM算法中，解决这个问题的一个有效的方式是通过loca BA 和global BA删除点进而限制地图点的规模；本项研究中提出了一种在SLAM系统中实现地图点稀疏化的有效的图优化方法，具体上作者将最大位姿可见性和最大空间多样性问题表示成一个最小成本最大流量图优化问题。

    作者所提出的方法可以在现存的SLAM系统中作为额外的一个步骤，因此它可以用于传统和学习的SLAM系统；通过大量的实验评估证明所提出的方法用大约1/3的地图点和1/2的计算实现了更精确的相机位姿。

本文贡献如下：

1、提出了一个 相机位姿对和3D点最大的点可见性的图表示方法；

2、提出了一种新的cost用于最大化图像空间上二维特征的空间多样性；

3、提出了一种 基于最小代价最大流量的点稀疏化算法来控制剩余点的数量；

4、提供了详细的位姿准确性、点减少和各种室内/室外公共数据集的改进速度比较；

以上内容来自小六的机器人SLAM学习圈 每日更新内容