視覺/視覺慣性SLAM最新綜述：領域進展、方法分類與實驗對比（4）

7.4. Comparative Analysis and Conclusion regarding Pedestrian Urban Navigation with Handheld Sensors

所有測試方法的比較位姿估計結果如圖 14-16 所示。僅就旋轉估計而言，所有方法都表現相對較好，沒有任何顯著差異。我們觀察到 ROVIO 的偏航估計有輕微的漂移趨勢。它用圖 17 中 MH03 的旋轉估計來說明。

由于閉環(huán)缺失以及我們關注實時位姿估計的正確性，因此需要強大的 VO 或 VIO 基礎。因此，我們在表 7 中添加了 Vins-Mono [74] 和 ORB-SLAM2 [76] 沒有閉環(huán)的結果。還需要實際尺度估計能力，因為這將大大簡化在線應用解決方案的開發(fā)。

表 7 顯示 ORB-SLAM2 在測試的 EuRoC 上很少使用回環(huán)，因為 MH01 和 MH03 的結果幾乎相同。但是，它在更大范圍內使用它來校正漂移。在MH05中，黑暗中的通道引入了很大的定位不確定性，這意味著軌跡從那里漂移到最后。如果不可能閉環(huán)，則結果完全取決于在無紋理部分期間位姿估計的糟糕程度。在這里，APE RMSE 結果范圍從 14 cm 到 3.7 m。Vins-Mono 似乎更頻繁地使用閉環(huán)，因為它的缺失會使錯誤加倍。然而，由于 IMU 集成，誤差是有界的且更可預測。如果閉環(huán)在所考慮的環(huán)境中難以執(zhí)行，則選擇 ORB-SLAM2 以獲得更精確的結果可能是一個危險的****注。原因是由于暫時缺乏紋理，其結果受到位姿估計問題的嚴重影響。

最后，對 IRSTV 數據集的計算發(fā)現 ORB-SLAM2 是最穩(wěn)健的方法。它可以處理城市空間困難（玻璃反射、尺度變化和行人運動），甚至是室內到室外的過渡，因為光照變化不會像 MH05 沒有閉環(huán)那樣導致嚴重的 ORB-SLAM2 故障。總之，DSO、Vins-Mono 和 ORB-SLAM2 都是我們用例的合適選擇，即帶有手持傳感器的步行城市導航。選擇還取決于可用的硬件類型：用于 DSO 的 GPU+全局快門、緊密同步的 IMU 和用于 Vins-Mono 的相機。使用高端硬件，DSO 可能更適合具有嚴重無紋理地方的城市環(huán)境，而 Vins-Mono 可以提供更逼真的比例估計，而無需進一步操作（正確初始化時）。然而，在考慮用戶友好性（即易于初始化）、易于設置、硬件和計算能力要求以及全局魯棒性和準確性時，ORB-SLAM2 成為我們用例的首選。

8 結論

我們對重要的 SLAM 方法進行了綜述，并詳細介紹了 vSLAM 和 viSLAM 的核心概念以及不同的現有設計。我們將這一理論綜述與歷史概述聯系起來，以確定 SLAM 進化中的主要里程碑，分為三個主要時期。最后，我們對一些最著名的方法進行了分類，比較了它們的主要設計特征、目標以及它們在各種場景中的預期穩(wěn)健性，使用五個描述常見用例性質的關鍵特征。我們的實驗基準側重于在城市環(huán)境中使用手持設備進行行人位姿估計。它強調了三種可靠的 SLAM 方法：Vins-Mono、DSO 和 ORB-SLAM2?？傮w而言，ORB-SLAM2 提供了最佳性能。但是，對于需要在線進行實際規(guī)模估計的應用程序，則需要一個額外的框架。這樣的框架可以解決在行人應用程序中經常出現的非常大的軌跡上缺少閉環(huán)的問題。例如，使用已知的可識別城市位置（例如自行車站或公交車站）來校正位姿是一個有趣的解決方案 [91]。將 vSLAM 的實驗基準擴展到測試現有方法對用于描述常見用例的五個關鍵特征的穩(wěn)健性似乎很有趣。它將支持專門評估這些關鍵特征（例如，在幀中手動引入光照變化），但也可以擴大對其他特定用例的評估，以進行一般和詳細分析。[3] 中的工作就是一個例子，不幸的是，它只測試了 viSLAM 方法。

我們的用例位于動態(tài)環(huán)境中。因此，有趣的是使用新的語義 SLAM 算法來區(qū)分固定和移動元素，并通過環(huán)境特征（例如平面）來輔助該過程 [61]。另外兩種類型的信息可以添加到未來的工作中。首先，在同一區(qū)域多次經過后合并地圖的方法建議使用預先存在的城市空間地圖。事實上，3D 地圖越來越豐富和分布，盡管它們的更新率仍然存在問題。其次，我們打算專注于更好地建模個人步行步態(tài)模式，以支持行人應用和精確的城市定位。