突然發(fā)現(xiàn)了一篇19年的論文

GSLAM：A General SLAM Framework and Benchmark

開源程式碼：https://github.com/zdzhaoyong/GSLAM

#直接上全文，感受這項工作的品質(zhì)吧~

1 摘要

SLAM技術(shù)最近取得了許多成功，並吸引了高科技公司的關注。然而，如何同一現(xiàn)有或新興演算法的介面，一級有效地進行關於速度、穩(wěn)健性和可移植性的基準測試仍然是問題。本文，提出了一個名為GSLAM的新型SLAM平臺，它不僅提供評估功能，也為研究人員提供了快速開發(fā)自己的SLAM系統(tǒng)的有用工具。 GSLAM的核心貢獻是一個通用的?？缙脚_的、完全開源的SLAM接口，旨在處理輸入資料集、SLAM實現(xiàn)、可視化和應用程式的統(tǒng)一框架中的互動。透過這個平臺，使用者可以以插件形式實現(xiàn)自己的功能，以提高SLAM的效能，並進一步將SLAM的應用推向?qū)嶋H應用。

2 介紹

自1980年代以來，同時定位與地圖建構(gòu)（SLAM）一直是電腦視覺和機器人領域的熱門研究主題。 SLAM為許多需要即時導航的應用提供了基本功能，如機器人技術(shù)、無人機（UAVs）、自動駕駛、以及虛擬實境和擴增實境。近年來，SLAM技術(shù)得到了迅速發(fā)展，提出了各種SLAM系統(tǒng)，包括單目SLAM系統(tǒng)（基於特徵點，直接和半直接方法）、多感測器SLAM系統(tǒng)（RGBD、雙眼和慣性輔助的方法）以及基於學習的SLAM系統(tǒng)（有監(jiān)督和無監(jiān)督方法）。

然而，隨著SLAM技術(shù)的迅速發(fā)展，幾乎所有的研究人員都集中精力於自己的SLAM系統(tǒng)的理論和實施，這使得難以交流思想，並且不容易實現(xiàn)遷移到其他系統(tǒng)。這妨礙了SLAM技術(shù)快速應用於各種產(chǎn)業(yè)領域。此外，目前存在許多SLAM系統(tǒng)的不同實現(xiàn)版本，如何有效地進行速度、穩(wěn)健性和可移植性的基準測試仍然是一個問題。最近，Nardi等人和Bodin等人提出了統(tǒng)一的SLAM基準測試系統(tǒng)，以進行定量、可比較和可驗證的實驗研究，也探討各種SLAM系統(tǒng)之間的權(quán)衡。透過這些系統(tǒng)，可以使用資料集和度量評估模組輕鬆進行評估實驗。

由於現(xiàn)有的系統(tǒng)僅提供評估基準，該論文認為有可能建立一個平臺，以服務SLAM演算法的整個生命週期，包括開發(fā)、評估和應用階段。此外，近年來深度學習基礎的SLAM已取得顯著進展，因此有必要創(chuàng)建一個平臺，不僅支援C ，還支援Python，以更好地支援幾何和深度學習基礎的SLAM系統(tǒng)的整合。因此，在本文中，介紹了一個新型的SLAM平臺，不僅提供評估功能，還為研究人員提供了有用的工具，以快速開發(fā)自己的SLAM系統(tǒng)。透過這個平臺，常用功能以插件形式提供，因此使用者可以直接使用它們或創(chuàng)建自己的功能以實現(xiàn)更好的效能。希望這個平臺能進一步推動SLAM系統(tǒng)的實際應用?？偠灾?，本文的主要貢獻如下：

1. 本文提出了一個通用的、跨平臺的、完全開源的SLAM平臺，旨在用於研究和商業(yè)用途，超越了以往的基準測試系統(tǒng)。 SLAM介面由多個輕量級、無依賴的頭檔組成，這使得在統(tǒng)一框架中以插件形式與不同資料集、SLAM演算法和應用程式進行互動變得容易。此外，還提供了JavaScript和Python，以支援基於Web和深度學習的SLAM應用。在
2. 提出的GSLAM平臺中，引入了三個經(jīng)過最佳化的模組作為實用工具類，包括Estimator、Optimizer和Vocabulary。 Estimator旨在提供一組封閉形式的求解器，涵蓋所有情況，具有強大的樣本一致性（RANSAC）；Optimizer旨在提供流行的非線性SLM問題的統(tǒng)一介面；Vocabulary旨在提供高效且可移植的詞袋實現(xiàn)，用於多線程和SIMD優(yōu)化的地點識別。
3. 受益於上述接口，該工作在一個統(tǒng)一的框架中實現(xiàn)並評估了現(xiàn)有數(shù)據(jù)集、SLAM實現(xiàn)和可視化應用的插件，未來出現(xiàn)的基準測試或應用也可以輕鬆地進行進一步集成。

下面首先介紹GSLAM框架的接口，並解釋GSLAM的工作原理。其次，介紹三個實用元件，即Estimator, Optimizer和Vocabulary。然後，使用幾個典型的公共資料集，使用GSLAM框架來評估不同流行的SLAM實作。最後，總結(jié)這些工作，並展望未來的研究方向。

3 相關工作

Simultaneous Localization And Mapping

SLAM技術(shù)用於在未知環(huán)境中建立地圖，並將感測器在地圖中進行定位，主要側(cè)重於即時操作。早期的SLAM主要基於擴展卡爾曼濾波(EKF)。將6自由度的運動參數(shù)和3D地標以機率方式表示為單一狀態(tài)向量。經(jīng)典EKF的複雜度隨著地標數(shù)量的增加呈二次增長，限制了其可拓展性。近年來，SLAM技術(shù)已經(jīng)快速發(fā)展，提出了許多單目視覺SLAM系統(tǒng)，包括基於特徵點、直接法和半直接方法。然而，單目SLAM系統(tǒng)缺乏尺度訊息，無法處理純旋轉(zhuǎn)情況，因此一些其他多感測器SLAM系統(tǒng)，包括RGBD，雙眼和慣性輔助方法出現(xiàn)，以提高穩(wěn)健性和精度。

儘管提出了大量的SLAM系統(tǒng)，但在統(tǒng)一這些演算法的介面方面幾乎沒有工作，也沒有對它們的性能進行全面的比較。此外，這些SLAM演算法的實作通常以獨立的可執(zhí)行檔的形式發(fā)布，而不是以庫的形式，而且往往不符合任何標準結(jié)構(gòu)。

最近，基於深度學習的有監(jiān)督和無監(jiān)督的視覺里程計（VO）與傳統(tǒng)的基於幾何的方法相比，提出了新穎的思路。但是，進一步優(yōu)化多個關鍵影格的一致性仍然不容易。 GSLAM提供的工具可以幫助獲得更好的全域一致性。透過該框架，更容易可視化或評估結(jié)果，並進一步應用於各種行業(yè)領域。

Computer Vision and Robotics Platform

在機器人技術(shù)和電腦領域，機器人系統(tǒng)（ROS）提供了節(jié)點之間非常便捷的通訊方式，受到大多數(shù)機器人研究人員的青睞。許多SLAM實作提供了ROS包裝器，以訂閱感測器資料並發(fā)布視覺化結(jié)果。但它並未統(tǒng)一SLAM實現(xiàn)的輸入與輸出，難以進一步評估不同SLAM系統(tǒng)。

受ROS訊息架構(gòu)的啟發(fā)，GSLAM實作了一個類似的進程間通訊實用類，稱為Messenger。這為替代SLAM實現(xiàn)內(nèi)部的ROS提供了另一種選擇，並保持了相容性，也就是說，該框架內(nèi)支援所有ROS定義的訊息，並自然地??實現(xiàn)了ROS包裝器。由於採用了進程內(nèi)設計，訊息傳遞時沒有序列化和資料傳輸，訊息可以無延遲和額外成本地發(fā)送。同時，訊息的有效載荷不僅限於ROS定義的訊息，還可以是任何可複製的資料結(jié)構(gòu)。此外，不僅提供評估功能，還為研究人員提供了有用的工具，以快速開發(fā)和整合自己的SLAM演算法。

SLAM Benchmarks

目前有幾個SLAM基準測試系統(tǒng)，包括KITTI基準測試、TUM RGB-D基準測試和ICL-NUIM RGB-D基準資料集，這些系統(tǒng)僅提供評估功能。此外，SLAMBench2將這些基準測試擴展為演算法和資料集，要求使用者將已發(fā)布的實作與SLAMBench2相容，以進行評估，這難以擴展到更多應用領域。與這些系統(tǒng)不同，本文提出的GSLAM平臺提供了一個解決方案，可為SLAM實現(xiàn)的整個生命週期提供服務，從開發(fā)、評估到應用。為研究人員提供了有用的工具，以快速開發(fā)自己的SLAM系統(tǒng)，並進一步基於統(tǒng)一介面開發(fā)視覺化、評估和應用程式。

4 通用SLAM架構(gòu)

#Framework Overview

GSLAM的架構(gòu)如圖所示?？偟膩碚f，介面旨在處理三個部分的互動。

1. 處理SLAM實作的輸入。運行SLAM時，需要感測器數(shù)據(jù)和一些參數(shù)。對於GSLAM，使用Svar類別進行參數(shù)配置和命令處理。所有SLAM實作所需的感測器資料都由Dataset實作提供，並使用Messenger進行傳輸。 GSLAM實現(xiàn)了幾個流行的視覺SLAM資料集，用於可以自由實現(xiàn)自己的資料集插件。
2. SLAM實作。 GSLAM將每個實作視為插件庫。開發(fā)人員可以非常容易地基於GSLAM介面和實用類別設計一個SLAM實作。開發(fā)人員還可以使用介麵包裝實現(xiàn)，而無需引入額外的依賴。使用者可以專注於核心演算法的開發(fā)，而無需關心SLAM實現(xiàn)外部需要處理的輸入和輸出。
3. 視覺化部分或使用SLAM結(jié)果的應用。在SLAM實現(xiàn)處理輸入幀後，使用者可能希望展示或利用結(jié)果。為了通用性，SLAM結(jié)果應以標準格式發(fā)布。預設情況下，GSLAM使用Qt進行視覺化，但使用者可以自由實現(xiàn)自訂的視覺化工具，並添加應用程式插件，如評估應用程式。

該框架被設計為與各種不同類型的SLAM實現(xiàn)相容，包括但不限於單目、雙眼、RGBD和多相機視覺慣性里程計與多感測器融合?，F(xiàn)代深度學習平臺和開發(fā)人員更喜歡使用Python進行編碼，因此GSLAM提供了Python綁定，開發(fā)人員能夠使用Python實現(xiàn)SLAM，並使用GSLAM呼叫它，或使用Python呼叫基於C 的SLAM實作。此外，也支援JavaScript用於基於Web的用途。

Basic Interface Classes

SLAM介面通常使用的一些資料結(jié)構(gòu)包括參數(shù)設定/讀取、影像格式、姿態(tài)變換、相機模型和地圖資料結(jié)構(gòu)。以下是一些基本介面類別的簡要介紹。

Paramter Setting

GSLAM使用一個小巧的參數(shù)解析和參數(shù)設定類別Svar，它只包含一個頭文件，依賴C 11，並具有以下特點：

a.參數(shù)解析和配置載入以及幫助資訊。類似於流行的參數(shù)解析工具，如Google gflags，變數(shù)配置可以從命令列參數(shù)、檔案和系統(tǒng)環(huán)境載入。使用者還可以定義不同類型的參數(shù)，並提供介紹信息，這些信息將顯示在幫助文件中。

b.一個小型腳本語言，支援變數(shù)、函數(shù)和條件語句，使設定檔更加強大。

c.線程安全的變數(shù)綁定和共享。建議將使用頻率非常高的變數(shù)綁定到指標或引用上，這不僅提供了高效性，還提供了便利性。

d,簡單的函數(shù)定義和從C 或純腳本進行呼叫。命令和函數(shù)之間的綁定有助於開發(fā)人員解耦檔案依賴關係。

e.支援樹形結(jié)構(gòu)表示，這意味著可以輕鬆地使用XML、JSON和YAML格式載入或儲存設定。

Intra-Process Messaging

由於ROS提供了一個非常便捷的節(jié)點間通訊方式，受到大多數(shù)機器人研究人員的青睞。受到ROS2訊息架構(gòu)的啟發(fā)，GSLAM實作了一個類似的進程間通訊實用類，稱為Messenger。這為替代SLAM實現(xiàn)內(nèi)部的ROS提供了另一種選擇，並保持了相容性。由於採用了進程間設計，Messenger能夠發(fā)布和訂閱任何類，而無需額外成本。以下是更多功能的介紹：

a.此介面採用了ROS的風格，對用來說容易上手。而且支援所有ROS定義的訊息，這意味著只需要很少的工作就能取代原來的ROS訊息傳遞系統(tǒng)。

b.由於沒有序列化和資料傳輸，訊息可以無延遲和額外成本地發(fā)送。同時，訊息的有效載荷不僅限於ROS定義的訊息，還支援任何可複製的資料結(jié)構(gòu)。

c.原始碼只包括基於C 11的頭文件，沒有額外的依賴，使其具有可移植性。

d.API是執(zhí)行緒安全的，並在列隊大小大於零時支援多執(zhí)行緒條件通知。在發(fā)布者和訂閱者相互連接之前，會對主題名稱和RTTI資料結(jié)構(gòu)進行檢查，以確保正確地呼叫。

3D Transforamtion

#對於旋轉(zhuǎn)部分，有幾種表示方式可供選擇，包括矩陣、歐拉角、單位四元數(shù)和李代數(shù)so(3)。對於給定的變換，可以使用其中任何一種來表示，並且可以相互轉(zhuǎn)換。但是，當考慮多個變換和流形最佳化時，需要密切注意所選的表示方式。矩陣表示法使用9個參數(shù)進行過度參數(shù)化，而旋轉(zhuǎn)只有3個自由度（DOF）。歐拉角表示使用3個變量，易於理解，但面臨萬向鎖的問題，而且不方便進行多重變換。單位四元數(shù)是執(zhí)行多次旋轉(zhuǎn)的最高效方式，而李代數(shù)則是執(zhí)行流行優(yōu)化的常見表示方法。

類似地，定義了剛體和相似性轉(zhuǎn)換的李代數(shù)se(3)和sim(3)。 GSLAM使用四元數(shù)來表示旋轉(zhuǎn)部分，並提供了一種表示形式轉(zhuǎn)換為另一種表示形式的函數(shù)。表格1展示了變換實現(xiàn)，並於另外三種流形的實現(xiàn)(Sophus, TooN和Ceres)進行了比較。由於Ceres實現(xiàn)使用角軸表示，因此不需要旋轉(zhuǎn)的指數(shù)和對數(shù)。如表格所示，GSLAM的實現(xiàn)性能更佳，因為它使用四元數(shù)並具有更好的優(yōu)化，而TooN使用矩陣實現(xiàn)，在點變換方面性能更好。

Image format

影像資料的儲存和傳輸是視覺SLAM中最重要的功能之一。為了提高效率和便利性，GSLAM使用了一個資料結(jié)構(gòu)GImage，它與cv::Mat相容。它具有智慧指標計數(shù)器，以確保記憶體安全釋放，並且可以在不進行記憶體複製的情況下輕鬆傳輸。資料指針對齊，以便更容易進行單指令多資料（SIMD）加速。使用者可以在GImage和cv::Mat之間無縫、安全地進行轉(zhuǎn)換，而無需進行記憶體複製。

Camera Models

#由於SLAM可能包含因製造不完美而引起的徑向和切向畸變，或者是由魚眼或全景相機捕捉的影像，因此提出了不同的相機模型來描述投影。 GSLAM提供了包括OpenCV（ORB-SLAM使用）、ATAN（PTAM使用）和OCamCalib（MultiCol-SLAM使用）在內(nèi)的實作。用戶也可以輕鬆繼承這些類別並實現(xiàn)其他相機模型，如Kannala-Brandt和等距全景模型。

Map Data Structure

對於SLAM實現(xiàn)，其目標是即時定位並產(chǎn)生地圖。 GSLAM建議使用一個統(tǒng)一的地圖資料結(jié)構(gòu)，有多個地圖幀和地圖點組成。這個資料結(jié)構(gòu)適用於大多數(shù)現(xiàn)有的視覺SLAM系統(tǒng)，包括基於特徵或直接方法。

地圖幀用於表示不同時間的位置狀態(tài)，包括由感測器捕捉的各種資訊或估算結(jié)果，包括IMU或GPS原始資料、深度資訊和相機模型。 SLAM實現(xiàn)估算它們之間的關係，它們之間的連接形成了一個姿勢圖。

地圖點用於表示由幀觀察到的環(huán)境，通常由基於特徵的方法使用。但是，一個地圖點不僅可以表示一個關鍵點，還可以表示一個GCP（地面控制點）、邊緣線或3D物件。它們與地圖幀的對應關係形成了一個觀察圖，通常被稱為捆綁圖。

5 SLAM實作工具

為了更容易實作一個SLAM系統(tǒng)，GSLAM提供了一個實用類別。本節(jié)將簡單介紹三個經(jīng)過最佳化的模組，分別是Estimator, Optimizer和Vocabulary。

Estimator

純幾何計算仍然是需要強大且準確的即時解決方案的基本問題。傳統(tǒng)的視覺SLAM演算法或現(xiàn)代的視覺慣性解決方案都依賴幾何視覺演算法來進行初始化、重定位和回環(huán)閉合。 OpenCV提供了多個幾何演算法，Kneip提供了一個用於幾何視覺的工具箱OpenGV，該工具箱僅限於相機姿態(tài)計算。 GSLAM的Estimator旨在提供一系列包含所有情況的封閉形式解算器，並使用了穩(wěn)健的隨機取樣一致性方法（RANSAC）。

表2列出了Estimator支援的演算法。根據(jù)給定的觀測數(shù)據(jù)，它們被分成三類。 2D-2D匹配用於估計極線或單應約束，並且可以從中分解相對姿態(tài)。 2D-3D對應於估計單目或多攝影機系統(tǒng)的中心或非中心絕對位姿，這是著名的PnP問題。也支援3D幾何函數(shù)，如平面擬合，以及估算兩個點雲(yún)的SIM變換。大多數(shù)演算法都依賴與開源線性代數(shù)庫Eigen，它是一個僅包含頭文件的庫，並且適用於大多數(shù)平臺。

Optimizer

非線性最佳化是現(xiàn)代幾何SLAM系統(tǒng)的核心部分。由於Hessian矩陣的高緯度和稀疏性，圖結(jié)構(gòu)被用來建模SLAM的複雜估計問題。提出了幾種框架，包括Ceres、G2O和GTSAM，用於解決一般的圖優(yōu)化問題。這些框架在不同的SLAM系統(tǒng)中廣泛使用。 ORB-SLAM、SVO使用G2O進行BA與位姿圖最佳化。 OKVIS、VINS使用Ceres進行帶IMU因子的圖優(yōu)化，滑動視窗用於控制計算複雜度。 Forster等人提出了一種基於SVO的視覺初始化方法，並使用GTSAM實現(xiàn)後端。

GSLAM的Optimizer旨在為大多數(shù)非線性SLAM問題提供一個統(tǒng)一的接口，如PnP求解器，BA，姿態(tài)圖優(yōu)化?；禖eres庫實現(xiàn)了這些問題的通用插件。對於特定問題，如BA，還可以提供一些更有效率的實現(xiàn)，例如PBA和ICE-BA作為插件。使用優(yōu)化器工具，開發(fā)人員可以使用統(tǒng)一的介面存取不同的實現(xiàn)，特別是用於基於深度學習的SLAM系統(tǒng)。

Vocabulary

地點辨識是SLAM系統(tǒng)中最重要的部分之一，用於重新定位和回環(huán)偵測。詞袋(BoW)方法在SLAM系統(tǒng)中廣泛使用，因為它高效且性能出色。 FabMap提出了一種基於外觀的地點識別的機率方法，該方法用於RSLAM、LSD-SLAM等系統(tǒng)。由於它使用了像SIFT和SURF這樣的浮點描述子，DBoW2為訓練和偵測建構(gòu)了一個詞彙樹，支援二元和浮點描述子。 Refael提出了DBoW2的兩個改進版本，DBoW3和FBoW，它們簡化了介面並加快了訓練和載入速度。之後，ORB-SLAM採用了ORB描述子，並使用DBoW2進行回環(huán)檢測、重定位和快速匹配。隨後，一系列SLAM系統(tǒng)，如ORB-SLAM2、VINS-Mono和LDSO，使用DBoW3進行回環(huán)檢測。它已經(jīng)成為實現(xiàn)SLAM系統(tǒng)地點識別的最受歡迎工具。

受上述工作的啟發(fā)，GSLAM對DBoW3詞彙進行了僅包含頭檔的實現(xiàn)，具有以下特點：

1. 去除了對OpenCV的依賴，所有函數(shù)都在一個僅依賴C 11的頭檔中實作。
2. 結(jié)合DBoW2/3和FBoW的優(yōu)點，具有極快的速度和易於使用。提供了類似於DBoW3的接口，並使用SSE和AVX指令加速了二進制和浮點描述子。
3. 改進了記憶體使用和加速了載入、保存或訓練詞彙以及從圖像特徵到BoW向量轉(zhuǎn)換的速度。

表3展示了四個詞袋庫的比較。在實驗中，每個父節(jié)點有10個子節(jié)點，ORB特徵偵測使用ORB-SLAM，SIFT偵測使用SiftGPU。實現(xiàn)結(jié)果中使用了ORB詞彙，分別有4級和6級，以及一個SIFT詞彙。 FBoW和GSLAM都使用多執(zhí)行緒進行詞彙訓練。 GSLAM的實現(xiàn)在幾乎所有項目中的表現(xiàn)都優(yōu)於其他實現(xiàn)，包括載入和保存詞彙、訓練新詞彙、將描述符列表轉(zhuǎn)換為用於地點識別的BoW向量和用於快速特徵匹配的特徵向量。此外GSLAM實現(xiàn)使用更少的內(nèi)存，並分配了更少的動態(tài)內(nèi)存塊，因為DBoW2需要大量內(nèi)存的主要原因是碎片問題。

6 SLAM評估基準

現(xiàn)有的基準需要使用者下載測試資料集並上傳結(jié)果以進行精確性評估，這不足以統(tǒng)一運行環(huán)境並評估公平的性能比較。得益於GSLAM的統(tǒng)一接口，SLAM系統(tǒng)的評估變得更加優(yōu)雅。在GSLAM的幫助下，開發(fā)人員只需上傳SLAM插件，便可以在一個使用固定資源的docker化環(huán)境中進行速度、運算成本和準確性的各種評估。在本節(jié)中，將首先介紹一些資料集和已實現(xiàn)的SLAM插件。然後，對速度、準確性、記憶體和CPU使用率進行三個代表SLAM實現(xiàn)的評估。此評估旨在展示具有不同SLAM插件的統(tǒng)一SLAM基準實現(xiàn)的可能性。

Datasets

運行SLAM系統(tǒng)通常需要感測器資料流和對應的配置。為了讓開發(fā)人員專注於核心SLAM插件的開發(fā)，GSLAM提供了一個標準的資料集接口，開發(fā)人員不需要關心SLAM的輸入。透過不同的數(shù)據(jù)集插件，提供了線上感測器輸入和離線數(shù)據(jù)，正確地插件會根據(jù)給定的數(shù)據(jù)集路徑後綴動態(tài)載入。資料集的實作應該提供所有請求的感測器流以及相關配置，因此不需要為不同的資料集進行額外設定。所有不同的感測器串流透過Messenger發(fā)布，使用標準的主題名稱和資料格式。

GSLAM已經(jīng)實現(xiàn)了幾個流行的視覺SLAM資料集插件，如表4所示。用戶也可以非常輕鬆地基於僅包含頭檔的GSLAM核心來實現(xiàn)一個資料集插件，並將其發(fā)佈為插件並與應用程式一起進行編譯。

SLAM Implementations

#圖2展示了一些使用內(nèi)建Qt視覺化器運行的開源SLAM和SfM插件的螢幕截圖。此框架支援不同體系結(jié)構(gòu)的SLAM系統(tǒng)，包括直接法、半直接法、基於特徵的方法，甚至SfM方法。 DSO實現(xiàn)需要發(fā)布結(jié)果，例如點雲(yún)、相機姿勢、軌跡和姿態(tài)圖，以便像基於ROS的實現(xiàn)一樣進行視覺化。使用者可以使用統(tǒng)一的框架存取不同的SLAM插件，根據(jù)C 、Python和Node-JS介面開發(fā)基於SLAM的應用程式非常方便。由於許多研究人員在開發(fā)中使用ROS，GSLAM還提供了ROS視覺化插件，以無縫傳輸ROS定義的訊息，並使開發(fā)人員可以利用Rviz進行顯示或繼續(xù)開發(fā)其他基於ROS的應用程式。

Evaluation

由於大多數(shù)現(xiàn)有的基準只提供資料集，或者沒有g(shù)roundtruth供用戶自行評估，GSLAM提供了一個內(nèi)建插件和一些腳本工具，用於計算性能和精度評估。

論文中使用TUM RGBD資料集中的序列nostructure-texture-near-withloop來示範評估的執(zhí)行情況。接下來的實驗採用三個開源的單眼SLAM插件DSO, SVO和ORB-SLAM。在所有實驗中，使用一臺搭載i7-6700 CPU、GTX 1060 GPU和16GB RAM的計算機，運行64位元Ubuntu 16.04。

計算效能評估包括記憶體使用、分配記憶體區(qū)塊數(shù)量、CPU使用率、統(tǒng)計每幀所用的時間，如圖3所示。結(jié)果表明，SVO使用的記憶體和CPU資源最少，並獲得了最快的速度。而且由於SVO只是一個視覺里程計，在實現(xiàn)內(nèi)部只維護了一個本地地圖，所以成本保持穩(wěn)定。 DSO分配的內(nèi)存區(qū)塊數(shù)較少，但消耗了100MB以上的內(nèi)存，且增長較慢。 DSO的一個問題是當幀數(shù)低於500時，處理時間會急劇增加，此外，關鍵影格的處理時間甚至更長。 ORB-SLAM使用了最多的CPU資源，計算時間穩(wěn)定，但記憶體使用快速增加，並且它分配和釋放了大量的記憶體區(qū)塊，因為其BA使用了G2O庫，沒有使用增量最佳化方法。

圖4展示了里程計軌跡的評估結(jié)果。如圖所示，SVO速度較快，但漂移較大，而ORBSLAM在絕對姿態(tài)誤差(APE)方面達到了最高的精度。由於綜合評估是一個可插拔的插件應用程序，可以重新實施更多的評估指標，例如點雲(yún)的精確度。

7 總結(jié)

#本文介紹了一個名為GSLAM的新通用SLAM平臺，該平臺提出了從開發(fā)、評估到應用的支持。透過這個平臺，常用的工具包以插件形式提供，使用者還可以輕鬆地開發(fā)自己的模組。為了使平臺易於使用，使介面只依賴C 11。此外，還提供了Python和JavaScript接口，以更好地整合傳統(tǒng)SLAM和基於深度學習的SLAM，或在Web上進行分散式操作。

在接下來的研究中，會提供更多的SLAM實作、文件和簡報程式碼，以便學習和使用。此外，還將提供傳統(tǒng)SLAM和基於深度學習的SLAM的集成，以進一步探索SLAM系統(tǒng)的未知可能性。

這項工作的首頁如下:

GSLAM: Main Page

感覺是可學習SLAM各部分原理的框架~

原文連結(jié)：https://mp.weixin.qq.com/s/PCxhqhK3t1soN5FI0w9NFw

以上是GSLAM | 一個通用的SLAM架構(gòu)和基準的詳細內(nèi)容。更多資訊請關注PHP中文網(wǎng)其他相關文章！