Kintinuous 相关论文 Volume Fusion 详解

Posted 2020-09-28

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Kintinuous 相关论文 Volume Fusion 详解相关的知识，希望对你有一定的参考价值。

　　近几个月研读了不少RGBD-SLAM的相关论文，Whelan的Volume Fusion系列文章的效果确实不错，而且开源代码Kintinuous结构清晰，易于编译和运行，故把一些学习时自己的理解和经验写出来，供大家参考，同时希望各位批评指正。

　　研读之前已经发现有中文博客做了一些解析，我也受益不少。参见fuxingyin的blog:Kintinuous 解析。不过有些地方已经不够详细，故此文重新进行解读。可能某些地方会重复。

　　本文是在自己阅读、整理、代码实践的基础上做的一些结果，希望对相关研究者有所帮助。

　　Kintinuous涉及的文章，其中包括4篇论文，1篇专利（如下链接来自其开源代码中找到：github repo - Kintinuous)：

Real-time Large Scale Dense RGB-D SLAM with Volumetric Fusion, T. Whelan, M. Kaess, H. Johannsson, M.F. Fallon, J. J. Leonard and J.B. McDonald, IJRR ‘14
Deformation-based Loop Closure for Large Scale Dense RGB-D SLAM, T. Whelan, M. Kaess, J.J. Leonard, and J.B. McDonald, IROS ‘13
Robust Real-Time Visual Odometry for Dense RGB-D Mapping, T. Whelan, H. Johannsson, M. Kaess, J.J. Leonard, and J.B. McDonald, ICRA ‘13
Kintinuous: Spatially Extended KinectFusion, T. Whelan, M. Kaess, M.F. Fallon, H. Johannsson, J. J. Leonard and J.B. McDonald, RSS RGB-D Workshop ‘12
A method and system for mapping an environment, T. Whelan, M. Kaess, J.J. Leonard and J.B. McDonald, US 9412173 B2

　　本文重点介绍第一篇，其中涵盖诸多其他文章、专利的相关算法。文章主要使用Volume Fusion的方法对采集到的点云数据进行融合重建，并结合图像特征进行闭环检测和优化，得到质量比较高的点云和三角面片。文章亮点：

大场景。可以重建数百米的场景，不用太够关心内存（显存）问题
实时。速度很快，依赖cuda，可以做到实时跟踪与重建
利用普通RGB-D相机就可以。作者默认使用华硕Xtion

　　其中，使用循环缓存的方式来解决大场景的内存问题，在下文中使用Volume shifting做重点介绍。相机姿态的跟踪采用点云特征和图像特征融合的方式。通过场景识别来检测轨迹闭环。　

　　文章在KinectFusion算法的基础上做了许多理论和实践上的改进。KinectFusion效果好，精度高，但存在一些问题，比如只能重建固定小场景的区域，且仅依赖深度点云信息进行位置的跟踪（未使用图像特征），而且没有进行闭环检测。而VolumeFusion在这3个方面做了很好的改进和优化。

　　Kintinuous在实现上类似PTAM，Tracking和Mapping分别在独立的线程。代码里称作front-end 和back-end，甚至放在不同文件夹，使得阅读更加容易。

　　文章主要包括三个部分：

1. Extended Scale Volumetric Fusion

　　基于KinectFusion的Volume Fusion

　　文章用有符号距离（signed distance）来表达点元到表面(Surface)的距离的空间数据。参加文章Figure 1. GPU中存储的TSDF数据是以三维数组的形式表示的。Truncated signed distance function (TSDF) is a volumetric data structure that encodes implicit surfaces by storing the signed distance to the closest surface at each voxel up to a given truncation distance fromthe actual surface position.

　　每一个voxel包含一个16位浮点型距离S(s)^T（signed distance)、一个无符号权重S(s)^w和RGB值。总共6个字节。融合新的深度图时，可以利用文中相关函数更新。

　　Volume用来存储点云的信息；当相机移动位置偏大时，移动Volume而不是增大Volume，并对Volume进行数据的整理和地图生成，减少内存消耗。

　　TSDF使用的内存固定，其尺寸V_s为512，这样算下来总共需要GPU的显存512×512×512×6÷1024 = 768 MB。

　　初始时R为单位矩阵，I为0阵，即相机中心为原点。

　　Volume Shifting

　　体移动，其实指的是体（Volume）的中心移动。此方案使用了循环缓存的方式，将使用空间限制在768MB。移动的标准并不复杂，大于一定阈值时才移动，否则不动。fuxingyin文章中有详解。

　　Surface Extraction

　　建图与重建的过程，如下图1所示。

　　每一次Volume Shifting的时刻，选择剥离出的Slice区域中的TSDF模型的接近0的值的区域，生成点云。提取方法是与坐标轴的三个平行的方向进行Raycast，并检测TSDF中符号变化点zero crossings，并将其剥离出来，就是重建好的场景点云。仅仅选出权重最小的点。之后采用一定方法生成点云和Mesh，并转移到主内存中。点云通过filter进行重复点云的剥离，逐渐融合成为最终的模型。

　　每一份被剥离出来的点云组合成为云片（cloud slice）。通过GPT算法对持续剥离的云片进行处理和融合，保证生成完整的mesh。

　　本文并不使用Cube fusion的方式是为了不影响Volume Shifting，而用3个方向的Raycast的效率比较高，包括完成GPU和内存之间的数据交换。

　　每一个（剥离出的）云片（cloud slice）对应一个camera pose，如图1所示。

　　技术分享

图1.（文章中原Figure.4)Volume Shifting时生成的点云片（Cloud Slices），左侧的相机姿态是全局坐标。右侧的C₀，C₁，C₂表示被切分的云片。

　　Dynamic Cube Positioning

　　相机放在动态立方体中的位置。如果放在正中，则视野上的数据只有一部分。而根据圆形或者球星模型来摆放，空间利用率会大大提高。相机的中心放在Cube内的一个圆（球）上。文章中写的很清楚。

　　Color Estimation 颜色估计

　　同Volume fusion类似，颜色的估计也是利用加权平均的思想，去除噪声和一些光线散射、折射等影响。

2.Camera Pose Estimation

　　相机位姿估计　　

　　基于KinectFusion的几何估计存在一些问题，比如对一些走廊等区域，空洞大的区域处理不好。VolumeFusion则采用几何信息和图像信息融合的方式，利用GPU达到了实时位置跟踪。

　　2.1 几何估计。几何估计的基础依旧是KinectFusion中的TSDF模型，核心依旧是ICP（Iterative Closest Point）算法（ICP是图形学中的经典算法，与很多变种，后期的文章中会单独介绍）。文章采用基于GPU的ICP算法来加快运算，能量函数采用的是point-to-plane的距离，并根据近似原理做了线性化，这点跟KinectFusion类似，并有了进一步的改进。最终的结果通过一个6×6的雅克比矩阵，获得当前最优的增加，直到点云的对齐。

　　2.2 图像信息估计。在拥有深度信息的前提下，文章利用光流法的思想，通过最小化Photometic Error方式，获取最优的姿态。

预处理，包括深度图和rgb图的去噪、滤波等
类似直接法的思想，只处理梯度较大的区域，比特征点提取的数目更多
Iterativet transformation estimation, 分两部进行，先投影，后解一个线性方程来获取增量

　　3.3 联合姿态估计。采用的方法是将两个cost进行加权叠加。

E = E_ipc + w_rgbdE_rgbd₍₁₎

　　　　其中w_rgbd是权重，根据经验设为0.1.

　　　　颜色的权重是frame-to-frame的对齐，而几何权重是frame-to-model的对其（icp）。每一次迭代我们通过获取雅克比矩阵获得增量。其结果比较准确，轨迹较为稳定。

3. Loop Closure

　　闭环

　　由于误差累计的原因，漂移问题是所有SLAM或者里程计系统都需要面对的问题。同相机估计类似，文章采用几何和色彩特征联合的方式获取闭环，完成Pose Graph矫正。

　　作者选择了一个非刚体（non-rigid）的方法进行处理，将系统分为前段和后端。

前段 front-end
- 拓展体积融合
- 相机位姿估计
- Place recognition （DBow， bags of words)场景识别模块
后端 back-end
- dense map deformation，通过Pose Graph的优化。通过闭环的结果，使用iSam的方法来优化位姿
- 优化的轨迹通过匹配好的图像特征来限制非刚体的空间变形

　　所有的相机位姿都采用全局坐标系，而多个相机姿态直接都有相互对应关系。熟悉slam算法的同学可能知道g2o库就是为了解决类似这样的闭环问题的全局最优库。

　　Place Recognition 场景识别

　　闭环特征并不是每一帧都加入，而是根据一定的规则，即在平移和旋转达到一定程度时，才选择加入本帧特征。选择的标准如下（a, b表示两个位姿）

m_ab = ||r(R_a^-1R_b) ||₂ + ||t_a - t_b ||₂(2)

　　其中带下标的R和t分别代表旋转和平移矩阵。公式（2）是一个综合评估旋转和平移的公式，每一帧图片加入时，我们依照公式（2）将其与上一个加入场景的frame计算距离m_ab。如果此距离达到一定阈值m_p，则将此帧加入。文中选择m_p=0.3.

　　不过，选择和平移两个分量可以分别选择，比如选择达到一定角度，或者平移大于一定距离。但实际效果差别并不大。

　　闭环的检测采用场景识别的方式。作者采用SURF特征（Speeded Up Robust Feature, 熟悉图像视觉的同学肯定不会陌生）结合DBoW来检测闭环。具体方法如下：

针对SURF特征，采用基于k-d tree的FLANN库做快速特征匹配。注：DBoW库也是SLAM研究中的常用库，高效，准确。
两个Frame的匹配采用RANSAC Transformation Estimation的方法，如果匹配率在25%以下则认为不是闭环。否则，使用LM（Levenberg–Marquardt algorithm）优化方法对其进行位置估计。
此时两个frame的点云几何特征和图像特征比较一致。为了提高速度，对点云进行了下采样。利用前一步RANSAC的结果作为初始估计进行ICP，当残差小于一定阈值时，认为匹配成功。

　　一个闭环检测成功之后，便加入到Pose-Graph中，供后面的优化过程（space deformation 和 Optimisation）使用。

　　Space Deformation 空间变形

　　图2. iSam文章中Manhattan数据优化的步骤

　　由于不可避免的漂移问题，需要在完成闭环检测后对建好的地图进行矫正，达到类似图2的效果，将漂移的部分修正回来。

　　1. deformation graph, 由点云（Mesh）中的点和面构成。

　　2. incremental graph. 原本的方法是在3D空间中均匀采样，并形成deformation graph，但简单的采样和连接会生成Graph中一些无关的点。这样导致的问题可参照原文中图12。为此作者提出了incremental graph, 采样的方法文章中有详细描述（方法比较tricky，可能会单独写一篇文章分析）。

　　3. Vertex权重选择.每一个vertex都在Graph中有一个影响区域，其权重跟其邻域内其他Vertex的距离相关。

　　Optimisation 优化

　　检测到闭环时，进行两步优化。首先进行位姿（Pose）优化，然后是稠密地图优化（point cloud）。位姿的优化采用iSam框架，参见图2。

　　地图的优化 优化的目标包含3个cost functions。首先是最大刚体化（as rigid as possible)。第二项是平滑项。第三项是对闭环的轨迹位置进行优化。其中包括匹配好的SURF特征。实际中包括四项：

w_rotE_rot + w_regE_reg + W_conpE_conp + W_surfE_surf

　　权重选择w_surf = 100而w_rot = 1，可见其对图像特征的依赖程度。优化方案为Gauss-Newton法。