3D重建的SLAM方案算法解析

作者：泡椒味的口香糖 |

NeRF這兩年真的是火出天際，ICCV 2023有非常多的NeRF文章，有優(yōu)化速度精度的，也有動(dòng)態(tài)環(huán)境這樣的特殊場(chǎng)景NeRF。但NeRF和SLAM結(jié)合還是一個(gè)很新興的方向，首先實(shí)時(shí)性難以保證，結(jié)合更多的也是去進(jìn)行稠密建圖，像iMAP和NICE-SLAM這樣同時(shí)優(yōu)化位姿和建圖的還比較少見，估計(jì)出的位姿精度也明顯低于傳統(tǒng)SLAM，大尺度范圍建圖存在遺忘問題，包括回環(huán)檢測(cè)的就更少了。

GO-SLAM這項(xiàng)工作似乎在一定程度上解決了這個(gè)問題，來自ICCV 2023最新開源的工作，是一個(gè)實(shí)時(shí)優(yōu)化位姿和稠密建圖的NeRF SLAM框架。筆者覺得最大的亮點(diǎn)在于引入回環(huán)和BA來校正軌跡和3D場(chǎng)景，很大程度上拉近NeRF SLAM和傳統(tǒng)SLAM的軌跡精度，這在以前的工作中是沒有的，因?yàn)榛丨h(huán)很容易讓位姿和NeRF直接割裂。

今天筆者將帶領(lǐng)讀者閱讀這項(xiàng)工作，當(dāng)然筆者水平有限，如何有理解不當(dāng)?shù)牡胤綒g迎大家一起討論。

1. 效果展示

先來看看具體的運(yùn)行效果。

GO-SLAM主要還是基于NeRF進(jìn)行稠密重建，可以發(fā)現(xiàn)相較于NICE-SLAM這些SOTA方案，GO-SLAM重建場(chǎng)景的全局一致性更好，這主要是因?yàn)樗肓嘶丨h(huán)和全局BA來優(yōu)化累計(jì)誤差。

對(duì)于各種室內(nèi)場(chǎng)景的3D稠密重建，都取得了相當(dāng)不錯(cuò)的效果。

還有在EuRoC數(shù)據(jù)集上的定性重建結(jié)果。相較于DROID-SLAM，GO-SLAM的重建效果更加干凈！

2. 摘要

神經(jīng)隱式表示最近在稠密同步定位與地圖構(gòu)建( Simultaneous Localization And Mapping，SLAM )上展示了令人信服的結(jié)果，但在重建過程中存在相機(jī)跟蹤誤差和畸變的積累。為此，本文提出了一種基于深度學(xué)習(xí)的稠密視覺SLAM框架GO-SLAM，對(duì)位姿進(jìn)行全局優(yōu)化，并進(jìn)行實(shí)時(shí)三維重建。魯棒的姿態(tài)估計(jì)是其核心，由有效的閉環(huán)和在線完全BA支持，通過利用輸入幀完整歷史的學(xué)習(xí)全局幾何來優(yōu)化每一幀。同時(shí)，我們實(shí)時(shí)更新隱式和連續(xù)的表面表示，以確保三維重建的全局一致性。在各種合成和真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，GO-SLAM在跟蹤魯棒性和重建精度方面優(yōu)于現(xiàn)有方法。此外，GO-SLAM具有通用性，可以在單目、雙目和RGB-D輸入下運(yùn)行。

3. 算法解析

GO-SLAM是最新的進(jìn)行隱式3D重建的SLAM方案，一方面不斷更新全局位姿，另一方面重建實(shí)時(shí)、連續(xù)的稠密3D場(chǎng)景。

GO-SLAM由三個(gè)并行線程組成：前端跟蹤、后端跟蹤，以及實(shí)例建圖。GO-SLAM的前端跟蹤線程是直接用的DROID-SLAM的跟蹤模塊，后面訓(xùn)練過程也是直接調(diào)的DROID-SLAM的預(yù)訓(xùn)練權(quán)重，只不過加入了新的回環(huán)和BA優(yōu)化。然后使用RAFT來計(jì)算新一幀相對(duì)于最后一個(gè)關(guān)鍵幀的光流，如果平均流大于閾值，則創(chuàng)建新關(guān)鍵幀。后端跟蹤線程的重點(diǎn)是通過全BA生成全局一致的位姿和深度預(yù)測(cè)。最后，實(shí)例建圖線程根據(jù)最新的位姿信息實(shí)時(shí)更新三維重建。GO-SLAM的輸入可以是單目雙目，還可以是RGB-D，非常的通用！

那么回環(huán)檢測(cè)如何實(shí)現(xiàn)呢？

這里還是一個(gè)基于關(guān)鍵幀的圖優(yōu)化問題。這個(gè)回環(huán)過程分為兩步：

（1）選擇最近N個(gè)局部關(guān)鍵幀之間的高可視性連接；

（2）從局部關(guān)鍵幀和局部窗口外的歷史幀檢測(cè)回環(huán)關(guān)系。

具體的實(shí)現(xiàn)過程中，作者為回環(huán)檢測(cè)和BA建立了一個(gè)大的共視矩陣，矩陣元素是通過反投影得到的平均剛體光流。如果平均光流大于閾值，則被認(rèn)為共視程度低，會(huì)被直接濾除掉。共視矩陣的維度就是Nx關(guān)鍵幀數(shù)量。

共視矩陣建立以后，就可以為具有鄰接關(guān)系和高共視關(guān)系的關(guān)鍵幀對(duì)建立優(yōu)化邊，也就是圖中的紅色方框。這里還有一個(gè)trick，就是為了避免冗余，當(dāng)優(yōu)化邊（兩個(gè)關(guān)鍵幀的連接關(guān)系）加入到圖以后，就會(huì)抑制這兩個(gè)關(guān)鍵幀的鄰域關(guān)系。具體的回環(huán)檢測(cè)流程是，從共視矩陣的未探索部分按共視程度降序采樣，連續(xù)檢測(cè)三個(gè)回環(huán)候選幀，如果平均流均低于閾值，則認(rèn)為檢測(cè)到了回環(huán)，然后進(jìn)行優(yōu)化。這個(gè)方法其實(shí)和ORB-SLAM2很像。

之后，就可以進(jìn)行優(yōu)化，這里是直接使用DBA層（具體原理可參考DROID-SLAM論文）來求解非線性最小二乘問題，同時(shí)優(yōu)化相機(jī)位姿G和逆深度d。其中（i，j）表示連接關(guān)系，Π表示投影函數(shù)，p表示像素位置，公式里面的G表示位姿變換關(guān)系。最后使用高斯牛頓法來優(yōu)化局部關(guān)鍵幀的最優(yōu)位姿和深度。

后端優(yōu)化這一塊，顯然不能直接優(yōu)化所有的歷史幀。作者的做法是，開啟一個(gè)新的共視關(guān)鍵幀圖，在插入新邊以后抑制冗余鄰域邊。這樣就可以很大程度上降低計(jì)算量。GO-SLAM考慮了輸入幀的完整歷史信息，并連續(xù)對(duì)齊所有關(guān)鍵幀位姿。它還使用對(duì)齊策略實(shí)現(xiàn)瞬時(shí)閉環(huán)和全局結(jié)構(gòu)的校正，在內(nèi)存和時(shí)間都很有效率。

現(xiàn)在可以用獲得的位姿和深度圖進(jìn)行NeRF了，那問題又來了，如何確保更新后的重建保持全局一致呢？同時(shí)用所有關(guān)鍵幀來做NeRF肯定可以保證全局一致性，但也就沒辦法實(shí)時(shí)了。

這里作者對(duì)參與稠密重建的關(guān)鍵幀進(jìn)行了篩選：

首先，確保包含最新的兩個(gè)關(guān)鍵幀和未經(jīng)建圖優(yōu)化的關(guān)鍵幀。然后將所有關(guān)鍵幀按照當(dāng)前和上次更新狀態(tài)之間的位姿差降序排列，并從排序列表中選擇前10個(gè)關(guān)鍵幀。最后，為了解決遺忘問題，還使用分層抽樣從所有可用的關(guān)鍵幀中選擇10個(gè)關(guān)鍵幀。

后面NeRF的渲染就是直接使用了現(xiàn)成的NeuS模型。

損失函數(shù)這一塊設(shè)置的比較多，除了比較常用的圖像光度損失和深度損失，還引入了正則化項(xiàng)來優(yōu)化SDF：

為了監(jiān)督SDF進(jìn)行精確的表面重建，還計(jì)算采樣點(diǎn)xi到關(guān)鍵幀深度Dm的距離來近似采樣點(diǎn)xi的真實(shí)SDF。在Dm-預(yù)測(cè)深度（b）為不同值時(shí)采取不同的損失函數(shù)策略：

最終的損失函數(shù)是幾項(xiàng)小損失的加權(quán)和：

4. 實(shí)驗(yàn)

實(shí)驗(yàn)這一塊，運(yùn)行設(shè)備是i9-10920X CPU和一塊3090。作者分別評(píng)估了軌跡精度和建圖精度，更側(cè)重軌跡精度，使用的數(shù)據(jù)集包括TUM RGB-D、EuRoC、ETH3D-SLAM、ScanNet還有Replica，軌跡評(píng)估非常多。評(píng)估指標(biāo)方面，主要就還是使用ATE，其他指標(biāo)包括準(zhǔn)確率、完成率、完成比值，還有F指數(shù)，還有用L1評(píng)估了深度估計(jì)的精度。

下面是在TUM數(shù)據(jù)集上的ATE對(duì)比結(jié)果，左側(cè)是單目結(jié)果，右側(cè)是RGB D結(jié)果。GO-SLAM的精度達(dá)到最優(yōu)，這也是筆者第一次見到NeRF SLAM的精度超越傳統(tǒng)方法。這個(gè)實(shí)驗(yàn)做的很詳細(xì)的，像之前的NICE-SLAM和iMAP也只是對(duì)比了fr1/desk、fr2/xyz和fr3/office這三個(gè)序列，但是GO-SLAM這一塊對(duì)比的序列很多，還同時(shí)對(duì)比了傳統(tǒng)方法和學(xué)習(xí)方法。但筆者對(duì)ORB-SLAM2/3的結(jié)果有些不認(rèn)可，ORB-SLAM3并沒有在那么多序列上跟蹤失敗。

下面是EuRoC實(shí)驗(yàn)，GO-SLAM的精度同樣出彩。值得注意的是，傳統(tǒng)SLAM在單目序列上容易跟蹤失敗，但是GO-SLAM可以保持魯棒性。

還在EuRoC和ETH3D上對(duì)比了稠密重建的效果，GO-SLAM的重建精度優(yōu)于DROID-SLAM。

下面是在ETH3D上的實(shí)驗(yàn)，y軸是成功的軌跡，x軸是RMSE精度，最大誤差是2cm。這個(gè)結(jié)果說明GO-SLAM優(yōu)于基于點(diǎn)、基于surfel的、基于體素的方案。BundleFusion和GO-SLAM有點(diǎn)類似，只是更側(cè)重稠密重建。但BundleFusion的姿態(tài)估計(jì)極易受誤差的影響，導(dǎo)致重建質(zhì)量較差。

ScanNet上的結(jié)果表明，DROID-SLAM在短序列和RGB-D輸入上表現(xiàn)較好，但在單目場(chǎng)景下處理較長(zhǎng)序列時(shí)，其精度急劇下降。相比之下，GO-SLAM的結(jié)果始終很不錯(cuò)。此外，由于沒有全局優(yōu)化來消除累積誤差，iMAP和NICE-SLAM在位姿估計(jì)和三維重建方面效果不是太好。

最后是Replica實(shí)驗(yàn)，對(duì)比的方案也很全，最新的Orbeez-SLAM都有。這里可以看出來NICE-SLAM的運(yùn)行速度還是太慢了。這里也推薦「3D視覺工坊」新課程《徹底剖析激光-視覺-IMU-GPS融合SLAM算法：理論推導(dǎo)、代碼講解和實(shí)戰(zhàn)》。

大家一定很關(guān)心運(yùn)行效率，作者對(duì)比了CPU頻率、GPU顯存、FPS和最終精度。整體來看，GO-SLAM需要的計(jì)算資源還是比較多的，運(yùn)行速度也不快，但是達(dá)到了一個(gè)CPU/GPU需求和精度的平衡。

5. 總結(jié)

NeRF和SLAM結(jié)合是一個(gè)非常新興的方向，有大量的點(diǎn)可以挖掘。GO-SLAM這篇文章是ICCV 2023的最新工作，同時(shí)優(yōu)化SLAM的軌跡軌跡和NeRF的稠密重建，效果非常好。筆者覺得這項(xiàng)工作最大的意義在于第一次在NeRF-based SLAM中引入了回環(huán)檢測(cè)和全局BA，以此來消除累積誤差。這項(xiàng)工作還沒有完全開源，感興趣的小伙伴可以跟蹤一下相關(guān)的Github進(jìn)展。

編輯：黃飛

?