An indoor DSO-based ceiling-vision odometry system for indoor industrial environments

📄 arXiv: 2412.02950v1 📥 PDF

作者: Abdelhak Bougouffa, Emmanuel Seignez, Samir Bouaziz, Florian Gardes

分类: cs.RO, cs.CV

发布日期: 2024-12-04

💡 一句话要点

提出基于DSO的室内天花板视觉里程计系统，用于室内工业环境。

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

关键词: 视觉里程计 直接稀疏里程计 天花板视觉 室内定位 自主移动机器人

📋 核心要点

  1. 传统视觉里程计在动态环境中表现不佳，而工业环境中的动态物体是常见挑战。
  2. Ceiling-DSO利用朝上的摄像头，通过跟踪静态的天花板来估计机器人位姿，避免了动态物体的影响。
  3. 通过自定义数据集评估，调整DSO参数以优化性能，实现了可接受的姿态估计误差。

📝 摘要（中文）

本文提出了一种名为Ceiling-DSO的天花板视觉系统，用于解决室内工业环境中自主移动机器人定位问题。该系统基于直接稀疏里程计(DSO)，利用朝上的摄像头跟踪机器人相对于天花板的运动，天花板被视为静态且一致的空间。与其它天花板视觉系统不同，Ceiling-DSO利用DSO的通用公式，避免了对天花板上可观察形状或地标的假设，从而确保了该方法适用于各种天花板类型。由于缺乏公开的天花板视觉数据集，作者创建了一个真实场景下的自定义数据集来评估该方法。通过调整DSO参数，找到了最适合在线姿态估计的参数，并获得了可接受的误差率。本文对获得的结果进行了定性和定量分析。

🔬 方法详解

问题定义：室内工业环境中自主移动机器人的可靠定位是一个关键问题。传统的视觉里程计方法在面对动态物体时鲁棒性不足，导致定位精度下降。因此，需要一种能够在动态环境中稳定工作的定位系统。

核心思路：利用天花板作为静态参考系。由于天花板通常是静态的，因此可以通过向上看的摄像头来跟踪机器人相对于天花板的运动，从而避免动态物体的影响。DSO算法能够直接从图像强度进行位姿估计，无需预先提取特征点，更适用于纹理不丰富的场景。

技术框架：Ceiling-DSO系统主要包含以下几个阶段：1) 图像采集：使用朝上的摄像头获取天花板图像序列。2) DSO处理：将图像序列输入DSO算法，进行位姿估计和稀疏地图构建。3) 位姿优化：通过调整DSO参数，优化位姿估计的精度和鲁棒性。4) 结果评估：将估计的位姿与地面真实值进行比较，评估系统的性能。

关键创新：Ceiling-DSO的关键创新在于将DSO算法应用于天花板视觉里程计，并避免了对天花板结构的特定假设。与依赖特定形状或地标的天花板视觉系统不同，Ceiling-DSO能够适应各种类型的天花板，具有更广泛的适用性。此外，通过调整DSO参数，针对天花板视觉的特点进行了优化。

关键设计：为了适应天花板图像的特点，论文调整了DSO的参数，例如关键帧选择策略、光度误差模型等。具体参数设置在论文中有详细描述。此外，论文还设计了一个自定义数据集，用于评估Ceiling-DSO的性能。数据集包含了不同光照条件和不同类型天花板的图像序列，以及对应的地面真实值。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文创建了一个自定义的天花板视觉数据集，并在此数据集上评估了Ceiling-DSO的性能。实验结果表明，通过调整DSO参数，Ceiling-DSO能够实现可接受的姿态估计误差。虽然论文中没有给出具体的性能数据，但定性和定量分析表明，Ceiling-DSO在室内工业环境中具有良好的应用前景。

🎯 应用场景

该研究成果可应用于室内工业环境中自主移动机器人的导航和定位，例如仓库机器人、巡检机器人等。通过提供可靠的定位信息，可以提高机器人的自主性和工作效率，降低人工干预的需求。未来，该技术还可以扩展到其他室内场景，例如商场、医院等。

📄 摘要（原文）

Autonomous Mobile Robots operating in indoor industrial environments require a localization system that is reliable and robust. While Visual Odometry (VO) can offer a reasonable estimation of the robot's state, traditional VO methods encounter challenges when confronted with dynamic objects in the scene. Alternatively, an upward-facing camera can be utilized to track the robot's movement relative to the ceiling, which represents a static and consistent space. We introduce in this paper Ceiling-DSO, a ceiling-vision system based on Direct Sparse Odometry (DSO). Unlike other ceiling-vision systems, Ceiling-DSO takes advantage of the versatile formulation of DSO, avoiding assumptions about observable shapes or landmarks on the ceiling. This approach ensures the method's applicability to various ceiling types. Since no publicly available dataset for ceiling-vision exists, we created a custom dataset in a real-world scenario and employed it to evaluate our approach. By adjusting DSO parameters, we identified the optimal fit for online pose estimation, resulting in acceptable error rates compared to ground truth. We provide in this paper a qualitative and quantitative analysis of the obtained results.