RUSSO 文章理解

RUSSO: Robust Underwater SLAM With SonarOptimization Against Visual Degradation文章理解这是我第一次进行声呐和视觉和IMU融合的文章记录以后要经常记录要不然我看的论文都忘记了 呜呜呜首先介绍一下这篇论文的主要目的从题目中就可以看出来文章是在视觉加IMU出现视觉退化的情况下视觉特征点提取少于8个转换到声呐加IMU的位姿计算中。下面我们介绍一下这篇文章的4个创新点据作者所知这是当时的首个声呐加IMU加视觉融合的工作。本文提出一种新型IMU传播优化方法通过在视觉退化期间利用声纳姿态估计提供良好先验信息从而提升IMU传播精度并降低定位漂移为解决复杂环境下视觉初始化失败的问题本文提出了一种鲁棒的SLAM初始化方法该方法直接利用成像声纳两帧之间的位姿估计进行初始化。我们开展了从水下模拟器到真实实验室泳池及开阔海域的广泛实验这些实验验证了所提出的 RUSSO 系统在视觉退化环境中的鲁棒性与准确性。下面我们根据他的创新点进行详细的讲解啊吧啊吧。第一个我们就不说了第二个和第三个我们合在一起讲解。首先展示一下整体系统的架构图这个图还是很好理解的只有一定的slam基础都可以明白各个模块的作用是什么这是一个紧耦合系统统一优化状态。其中机器人状态定义为xR[qwbTpwbTvwbTbgba]T∈SO(3)×R3×R9 \mathbf{x}_R \begin{bmatrix} \mathbf{q}_{wb}^T \mathbf{p}_{wb}^T \mathbf{v}_{wb}^T \mathbf{b}_g \mathbf{b}_a \end{bmatrix}^T \in SO(3) \times \mathbb{R}^3 \times \mathbb{R}^9xR​[qwbT​​pwbT​​vwbT​​bg​​ba​​]T∈SO(3)×R3×R9其中bg,ba\mathbf{b}_g, \mathbf{b}_abg​,ba​分别表示陀螺仪和加速度计的偏置。在局部优化那里视觉残差就是我们传统的视觉重投影误差文章中并没有写视觉方面更细节的方法。在声呐方面它使用的声呐重投影误差。首先声呐由于自带的高程不确定性所以他的高度是无法确定的。为了能够融入整体框架中把声呐点的z值设置为1首先需要通过媒体滤波器进行预处理以滤除噪声。随后采用AKAZE 进行特征检测与匹配。研究表明A- KAZE 在非线性尺度空间中的特征检测与匹配具有稳定性而中值滤波器则能保留该空间中的纹理特征 。我们首先从声纳图像中提取A- KAZE 特征点但在实际应用中初始特征匹配后仍存在错误匹配。为此我们采用基于基本矩阵估计的二维-二维随机样本共识RANSAC算法对声纳点的二维空间进行对应关系优化。然后在对应的特征点中使用IMU做初始位姿先验 然后使用ICP算出两帧之间的相对位姿然后将前一帧的声呐特征点转到后一帧的声呐坐标系中算对应位置的距离差值作为残差。IMU误差和我们普遍使用的IMU误差也没什么不同但是这个有一个声呐和视觉之间的切换问题。当视觉出现退化的情况下他认为视觉和IMU的位姿是有偏移的问题是有误差的。所以使用声呐算出的位姿作为IMU的先验位姿进行计算如图所示。这也是他的初始化方法当视觉无法进行初始化的时候就用声呐和IMU进行初始化。下面是实验的相关数据。