ORB-SLAM3AB: Augmenting ORB-SLAM3 to Counteract Bumps with Optical Flow Inter-frame Matching

📄 arXiv: 2411.18174v1 📥 PDF

作者: Yangrui Dong, Weisheng Gong, Qingyong Li, Kaijie Su, Chen He, Z. Jane Wang

分类: cs.RO

发布日期: 2024-11-27

💡 一句话要点

ORB-SLAM3AB：结合光流增强ORB-SLAM3，提升崎岖路面下的鲁棒性

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 视觉SLAM 光流法 特征点匹配 鲁棒性 崎岖路面 自适应匹配 无人驾驶

📋 核心要点

  1. 现有ORB-SLAM3在崎岖路面易出现帧匹配丢失，导致定位精度下降甚至失败。
  2. ORB-SLAM3AB融合特征点和光流匹配，自适应调整二者权重，提升复杂地形下的鲁棒性。
  3. 实验表明，ORB-SLAM3AB在崎岖路面数据集上，相比其他SLAM算法，精度和鲁棒性更优。

📝 摘要（中文）

本文提出了一种针对崎岖路面应用的ORB-SLAM3算法的增强方案。改进后的算法巧妙地结合了特征点匹配和光流方法，利用光流在复杂地形中的高鲁棒性和特征点在平滑表面上的高精度。通过改进ORB-SLAM3的帧间匹配逻辑，解决了在不平坦道路上帧匹配丢失的问题。为了防止精度下降，引入了一种自适应匹配机制，该机制在高振动期间增加了对光流点的依赖，从而有效地保持了SLAM精度。此外，由于缺乏适用于颠簸道路或减速带环境的多传感器数据集，我们收集了此类环境下的激光雷达和相机数据。我们增强后的算法ORB-SLAM3AB，与几种仅依赖激光或视觉数据的高级开源SLAM算法进行了基准测试。通过对绝对轨迹误差（ATE）和相对位姿误差（RPE）指标的分析，结果表明ORB-SLAM3AB在崎岖路面上实现了卓越的鲁棒性和精度。

🔬 方法详解

问题定义：ORB-SLAM3在崎岖路面行驶时，由于剧烈颠簸和振动，导致相邻帧之间的特征点匹配数量显著减少，甚至完全丢失，从而引起位姿估计误差增大，最终导致SLAM系统失效。现有方法难以兼顾平滑路面和崎岖路面的SLAM精度和鲁棒性。

核心思路：核心思路是融合特征点匹配和光流法，并根据振动程度自适应地调整二者的权重。光流法在纹理较弱和运动剧烈的情况下具有更强的鲁棒性，而特征点匹配在纹理丰富和运动平缓的情况下精度更高。通过自适应调整权重，可以在不同路况下充分利用两者的优势。

技术框架：ORB-SLAM3AB的整体框架基于ORB-SLAM3，主要改进在于帧间匹配阶段。首先，提取当前帧的ORB特征点。然后，利用前一帧的特征点和光流信息，在当前帧中搜索匹配点。接下来，根据车辆的振动程度，自适应地调整特征点匹配和光流匹配的权重。最后，使用优化后的匹配点进行位姿估计和地图构建。

关键创新：关键创新在于自适应匹配机制。该机制根据车辆的振动程度动态调整特征点匹配和光流匹配的权重。在高振动情况下，增加光流匹配的权重，以提高鲁棒性；在低振动情况下，增加特征点匹配的权重，以提高精度。这种自适应机制使得ORB-SLAM3AB能够在不同路况下保持较高的精度和鲁棒性。

关键设计：振动程度的估计可能通过IMU数据或其他传感器信息获得。自适应权重的调整可以采用多种方式，例如基于振动幅值的线性或非线性函数。具体的光流算法选择和参数设置（如窗口大小、迭代次数等）也会影响最终的性能。损失函数的设计需要考虑特征点匹配和光流匹配的误差，并根据自适应权重进行加权。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ORB-SLAM3AB在崎岖路面数据集上进行了评估，并与几种先进的开源SLAM算法（包括纯激光雷达SLAM和纯视觉SLAM）进行了对比。实验结果表明，ORB-SLAM3AB在绝对轨迹误差（ATE）和相对位姿误差（RPE）指标上均优于其他算法，证明了其在崎岖路面上的卓越鲁棒性和精度。具体性能提升幅度未知，需要在论文中查找详细数据。

🎯 应用场景

该研究成果可应用于无人驾驶、移动机器人、农业机器人等需要在复杂或崎岖路面环境下进行自主导航和定位的领域。通过提高SLAM系统的鲁棒性和精度，可以提升这些应用的安全性和可靠性，例如在非结构化道路上行驶的自动驾驶车辆，或是在农田中进行作物监测的农业机器人。

📄 摘要（原文）

This paper proposes an enhancement to the ORB-SLAM3 algorithm, tailored for applications on rugged road surfaces. Our improved algorithm adeptly combines feature point matching with optical flow methods, capitalizing on the high robustness of optical flow in complex terrains and the high precision of feature points on smooth surfaces. By refining the inter-frame matching logic of ORB-SLAM3, we have addressed the issue of frame matching loss on uneven roads. To prevent a decrease in accuracy, an adaptive matching mechanism has been incorporated, which increases the reliance on optical flow points during periods of high vibration, thereby effectively maintaining SLAM precision. Furthermore, due to the scarcity of multi-sensor datasets suitable for environments with bumpy roads or speed bumps, we have collected LiDAR and camera data from such settings. Our enhanced algorithm, ORB-SLAM3AB, was then benchmarked against several advanced open-source SLAM algorithms that rely solely on laser or visual data. Through the analysis of Absolute Trajectory Error (ATE) and Relative Pose Error (RPE) metrics, our results demonstrate that ORB-SLAM3AB achieves superior robustness and accuracy on rugged road surfaces.