告别词袋模型，也无需GPU，VSLAM的完美边缘计算解决方案，现已加入RTAB-Map大礼包
此前我们已经在VSLAM前端上做了大量工作，实现了高精度、高鲁棒性、高性能的双目VIO方案，也做了部分边缘计算加速。今年上半年，我们一直在研发更好的后端方案。现在我们终于完成了对RTAB-Map原本就很强大后端的重磅升级，并且拿出了一套可以同时优化前端和后端的边缘计算方案。简单来说分两部分：一是我们成功在OAK相机上移植了HF-Net。尽管此前我们已经移植了SuperPoint，但HF-Net能力更强，不仅包含局部特征检测和描述，还包含全局描述。因此它是SuperPoint和NetVLAD的结合体。二是我们为RTAB-Map增加了对全局描述子，特别是VLAD的支持，同时更新了用于贝叶斯滤波的似然性计算方法。主要是因为使用VLAD的相似度评估和此前BoW所用的tf-idf有不同的数据分布特性。新的似然性计算方法可以兼容不同的分布。现在我们可以从OAK相机获得实时的VLAD描述子了，相似性评估被大大简化，只需要向量间点乘即可。而且以后还会优化成矩阵向量相乘，对于超大场景也能瞬间评估完。再也不需要词袋模型了。RTAB-Map的贝叶斯滤波可以排除大多数错误回环，剩下的交给对极几何验证，万一还有漏网之鱼还有Vertigo兜着。我们现在还没有完全发挥新方案的潜力，初步测试表现出的潜力极大，但还需要更多调优测试。我日常主要手持相机跑实时测试，Mathieu Labbé大佬最近会去做更多数据集上的调优。毕竟这次更新算是动了RTAB-Map底层的祖传代码了，不充分测试肯定是不行的。现在整套方案已经很完美了，但还差一点，就是RTAB-Map的内存管理机制还没跟着优化。之后我们会看看这部分还有哪些改进可做。视频里第一次回环在3:40秒左右（绿色背景），可以注意看左下方相似性评估和右下方后验概率的变化。
顶部