DSM: Direct Sparse Mapping

Direct Sparse Mapping

Introduction

• 滑窗的会边缘化掉离开视场的点，同时来保证可观性的一致，不能重用边缘化的地图点
• 特征点法一般根据共视关系选固定位置的激活关键帧和地图点，通过固定一帧的策略保证可观性
• 选择以前的关键帧，结合时间和共视关系来选择激活的关键帧
• 时间上远的帧会受drift影响，因此使用多尺度优化，来增加收敛半径
• 由于距离远伪观测（外点）会增加，使用t分布来更鲁棒地处理

DSO和LDSO的缺点：

• 使用了不同的目标函数和点类型来完成里程计估计
• 闭环检测依赖于特征点的可重复性，损失一些可以用来矫正的点
• 闭环的误差较正均匀分布在关键帧上，这可能不是最优解
• 地图点的信息没有被reuse

Direct Mapping

• 跟踪线程以帧率速度输出位姿，会判断是否加入关键帧
• 建图线程处理新的帧，来跟踪关键帧上的点（候选点逆深度更新），插入关键帧会重新计算local window，激活新的点，优化motion和structure。然后为了保证全局一致，移除外点，检测遮挡，避免点的重复。

使用固定其它帧的方式来保证不可观自由度的一致性。

LMCW的初始解不在收敛半径内，所以使用粗到精的方式来优化，估计的几何作为下一层的初始值。

LMCW: Local Map Covisibility Window

由时间和共视策略组成，都是相对于最新关键帧的。

时间窗口主要目的是来优化新的点（初始化新点），并且保证里程计精度。

固定时间窗口的大小，从时间窗口移除关键帧的策略：

• 总是保留上两个关键帧（$I_1$和$I_2$），这保证里程计在挑战环境下（如大旋转）也能保证精度。避免关键帧过早的固定，保证被充分优化。
• 其他的关键帧要均匀分布在空间中，丢弃有最大距离的，使得视差最大：

$$s\left(I_i\right)=\sqrt{d\left(I_1,I_i\right)}\sum _{j=3}^{N_t}{\left(d\left(I_i,I_j\right)\right)}^{-1}\text{\hspace{1em}(1)}$$

共视窗口是和时间窗口有共视关系的关键帧，要找到那些在最新关键帧空白区域有地图点投影的关键帧，具体的策略：

• 计算距离地图来确定耗尽区域，将时间窗口投影到最新关键帧，计算每个像素到最近地图点的距离。
• 选择具有最大数目投影点的旧关键帧，会剔除大于一定视角的点，来防止遮挡等情况。
• 更新距离地图
• 迭代执行第二步，直到选出足够数目，或者没有关键帧。

激活新地图点前，共视点已经完成投影，避免了提取重复的地图点，保证地图的一致性。

Robust Non-Linear PBA

LMCW的关键帧选取范围广，忽略了实际光度的不一致性，比如由于遮挡，光反射等

提出根据光度误差的分布来剔除外点：
$${\xi }^{\ast }=\underset{\xi }{\arg }$$