10、大型室内环境中 RGB - D SLAM 的评估

大型室内环境中 RGB - D SLAM 的评估

1. 引言

让机器人系统实现完全自主是现代研究人员面临的重要问题。在室内或地下环境中，像 GPS 这样的全球定位估计方法无法工作，因此机器人系统必须依靠自身传感器来估计位置。若环境未知，还需要构建地图，这就需要用到同时定位与地图构建（SLAM）技术。

传统的 SLAM 方法，如 ORB - SLAM，通过匹配从输入图像或激光扫描中提取的特征来构建环境的度量地图，但只能映射特征坐标，构建出的是稀疏地图，不利于路径规划。而直接 SLAM 方法（如 LSD - SLAM）和基于学习的方法（如 DROID - SLAM）虽能构建密集地图，但更新地图的计算成本高，在大型环境中用于长期导航受到很大限制。

RTAB - Map 方法利用立体或深度信息进行特征重投影，构建关键帧图并采用综合内存管理方法，有助于维护大型地图和有效闭环。Voxgraph 算法则通过构建小的子地图图来实现有效的长期 SLAM 和消除里程计误差。本文将对这两种方法进行实证评估。

2. 相关工作

2.1 SLAM 算法

• 传统特征提取方法 ：早期的 SLAM 方法使用扩展卡尔曼滤波器（EKF）从有噪声的传感器数据中估计机器人轨迹。后来的方法从输入图像中提取特征并匹配以跟踪机器人运动，还使用全局优化技术进行闭环。例如 ORB - SLAM2 能在 KITTI 数据集上实现约 1%的轨迹估计误差，但构建的稀疏地图不适合路径规划。
• 深度学习方法 ：基于深度学习的方法也在积极发展，如使用神经网络进行光流估