作者丨fishmarch@知乎
来源丨https://zhuanlan.zhihu.com/p/457168226
编辑丨3D视觉工坊
我们已经被介绍了RA-L接受一篇文章。这篇文章不是做的SLAM，但和SLAM密切相关，挺有意思的。这里只介绍一下总体思路，详情请参考论文。
论文链接：https://shiyuzhao.westlake.edu.cn/style/2022RAL_XiaoyuZhang.pdf
视频链接：https://www.youtube.com/watch?v=t6-0zaRuFIY；
https://www.bilibili.com/video/BV11T4y1m7tN?share_source=copy_web&vd_source=534ab035a008ff26525503ac9b890e83
在SLAM在中国，我们希望实现传感器（机器人）的定位，因此需要建立基于空间点等几何特征的环境地图；通过地图特征与传感器观测量的几何约束关系来解决传感器的位置状态。
在这项工作中，我们希望实现目标定位，即获得目标点相对于传感器坐标系的三维空间位置。该工作的背景是空中操作机器人，其中有许多问题，如屏蔽和丢失。因此，我们希望实现屏蔽对象的定位，即
这个问题也可以借助SLAM例如，在环境地图中建立目标点，可以很容易地计算到相机的相对位置。但该方法的精度受到目标点位置精度、相机定位精度等因素的影响。
在这篇论文中，我们希望目标的定位不依赖于相机本身的定位。因此，我们模仿它SLAM为此，我们建立了新的地图形式，最终实现了目标点的相对位置计算，
该方法基于RGB-D相机实现，也可拓展到双目相机。目标位置以点的形式计算和保存，需要在第一帧图像中给定。在具体实现中，我们用特征点表示目标点，因此文中观测到目标点指的是与目标点匹配成功。
其实目标定位的核心算法比较简单，就是。这里的空间关系可以有不同的形式，比如方向量。但我们选择的是由于距离与坐标系无关，因此在目标定位过程中不需要已知相机的位置。基于距离的目标定位实际上相对简单，类似于GPS等三点定位(可参考:iBeacon定位-三点定位实现)。在空间中，唯一的目标点位置可以计算出不在同一平面上的四个点，以及它们到达目标点的距离。
具体来说，我们从每帧图像中提取ORB特征点的深度值可以通过深度图或双目匹配计算，因此在相机坐标系下可以获得特征点的三维坐标：
对目标点进行同样的处理，因此目标点与特征点之间的距离可以在一帧图像中计算：
根据上述方法，我们模仿它SLAM构建目标定位系统：
pipeline
可见，这里和SLAM很像，也分为和这两个部分有不同的含义。在建图中，我们只保从特征点到目标点的距离，在论文中，地图被称为target-centered range-only map。在定位中，目标点在当前相机坐标系中的三维空间位置是实现的。核心是构建上述优化方程，难点是特征点匹配。
仿照SLAM该系统还采用了多个过程，如与上一帧匹配、局部地图匹配等。使用上一帧的结果作为计算求解的初始值。在关键帧中构建新的地图点，更新以前的地图点等。论文中还可以查看其他实现细节，基本上是和谐SLAM如果系统一一对应，则需要回环检测。其实也可以加(但我懒)。整个系统并不复杂，尤其是熟悉SLAM对于学生来说，这里就不赘述了。
实验
实验选取了两组数据，一组来自ICL-NUIM数据集，因为它可以提供目标点的真实值；另一组是我们自己使用的realsense采集的数据，并用VICON它提供了真实的价值。在两组实验中，我们都和解了SLAM（ORB-SLAM3)精度比较。
如上图所示，一组实验数据在第一帧中标记瓶盖。随着无人机的移动，目标将被机械臂挡住或移出相机图像，但我们的方法将在整个过程中提供目标位置。定位误差如下图所示。蓝色曲线表示是否与目标点相匹配。颜色变化曲线是定位误差。可以看出，目标可以定位，误差几乎不变。其中一小部分由于特征匹配等原因失败，但以后可以恢复。
SLAM除累积误差外，方法中误差较大。我想是因为，SLAM它是将所有特征点位置和相机位置放在优化方程中以解决整体误差最小的结果，但这并不意味着某个误差（目标点位置）会变小甚至变大。如下图所示ICL使用数据集中的定位结果SLAM在一次局部优化后，目标点的位置发生了很大的变化，误差也立即增加。
总之，使用SLAM当方法定位时，目标点位置会受到相机位置、其他特征点位置等误差的影响。我们的方法希望使目标定位精度不受这些额外数量的影响，并处理目标屏蔽、丢失等问题。
本文仅进行学术分享。如有侵权行为，请联系删除。
1.自动驾驶领域的多传感器数据集成技术
2.自动驾驶领域3D点云目标检测全栈学习路线！(单模态 多模态/数据 代码)3.彻底了解视觉三维重建：原理分析、代码解释、优化和改进4.中国第一门面向工业级实战的点云处理课程5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码解释6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦7.彻底了解基础LOAM框架的3D激光SLAM: 从源代码分析到算法优化8.室内外激光彻底分析SLAM关键算法原理、代码和实战(cartographer LOAM LIO-SAM)
9.从零开始建造一套结构光3D重建系统[理论 源码 实践]
10.单目深度估计方法:算法梳理和代码实现
11.在自动驾驶中部署深度学习模型
12.相机模型及标定(单目) 双目 鱼眼）
13.重磅！四旋翼飞机：算法与实战
14.ROS2从入门到精通:理论与实战:
15.国内首个3D缺陷检测教程：理论、源代码和实战
扫码添加小助手微信，可
也可以申请加入我们的细分交流群。目前主要有、、、、、等微信群。
注：，例如：”3D视觉 上海交大 安静。请按格式备注，可快速通过并邀请进入群。也请联系。
▲长按加微信群或投稿
▲长按关注公众号
：针对3D视觉领域的五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题