特拉华大学开源：点平面约束的单目视觉惯性里程计！

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# Monocular Visual-Inertial Odometry with Planar Regularities

论文地址：https://chuchuchen.net/downloads/papers/Chen2023IC...

作者单位：特拉华大学

开源数据集：GitHub - rpng/ov_plane: A monocular plane-aided vi...

 最新的单目视觉惯性里程计(VIO)方法依赖于稀疏点特征，部分原因是它们的效率、健壮性和普及性，而忽略了高层结构规则，如人造环境中常见的平面，可以用来进一步限制运动。通常，由于平面的大空间存在，相机可以在很长一段时间内观察到平面，因此适合长期导航。因此，在本文中，我们设计了一种基于轻量级多状态约束卡尔曼滤波(MSCKF)的完全正则化平面特征的实时单目视觉系统。该方法的核心是一种高效的基于稳健单目的平面检测算法，它不需要像文献中常见的立体或深度相机等额外的传感模式，同时允许点特征到环境平面的实时正则化。具体地说，在提出的MSCKF中，平面维护状态向量中，而较短的平面在使用后被边缘化以提高效率。将平面正则性应用于状态SLAM特征和非状态MSCKF特征，从而充分利用环境平面信息来提高VIO性能。通过大量的蒙特卡罗模拟和不同的真实世界实验(包括作者收集的AR场景)对所提出的方法进行了评估，结果表明该方法在结构化环境中的性能优于基于点的VIO。

我们的主要贡献包括: 1、我们设计了一个高效的单目VIO估计器，通过点平面几何约束检测和执行平面规律，它能够估计长寿命的SLAM平面特征或直接边缘化短寿命的平面特征以提高效率。我们还研究了状态内SLAM和状态外MSCKF点特征的平面正则化。2、我们开发了一种新颖的鲁棒平面检测和跟踪算法，该算法利用稀疏的VIO点特征规范，无需昂贵的稠密深度图或神经网络计算即可实现实时估计。3、我们在蒙特卡罗模拟和现实世界实验中广泛验证了所提出的系统，并发布了作者收集的数据集，以造福社区。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容