Kimera2: 面对真实路况中强大且具有准确尺度的语义SLAM

文章：Kimera2: Robust and Accurate Metric-Semantic SLAM in the Real World

作者：Marcus Abate , Yun Chang , Nathan Hughes , and Luca Carlone

编辑：点云PCL

欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。

公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。文章未申请原创，侵权或转载联系微信cloudpoint9527。

摘要

本文提出了对Kimera的改进，这是一个开源的具有尺度的语义视觉惯性SLAM库。特别增强了Kimera的视觉惯性里程计KimeraVIO，以支持更好的特征跟踪、更有效的关键帧选择，以及各种输入模态（例如，单目、立体、RGB-D图像以及轮速里程计等）。此外Kimera的位姿图优化后端Kimera-RPGO和Kimera-PGMO已经更新，以支持现代的异常值拒绝方法—具体来说，Graduated-Non-Convexity提高对虚假回环闭合的鲁棒性。这些新功能在各种模拟和真实的机器人平台上进行了广泛评估，包括无人机、四足动物、轮式机器人和模拟自动驾驶汽车。我们与几种最先进的视觉惯性SLAM方法进行了比较，并讨论了Kimera新版本的优势和劣势。新增的功能已经以开源形式发布在 https://github.com/MIT-SPARK/Kimera。

主要贡献

Kimera是一款开源的具有尺度的语义视觉惯性SLAM库，采用BSD许可证发布，供广泛的研究界和工业界使用。自2019年首次发布以来，Kimera已经在多个学术和工业项目中得到应用。视觉惯性（VI）SLAM方案的最终用户可能具有各种系统要求，但通常希望实现快速（在线）性能，以及准确而稳健的状态估计和地图创建。为了实现这些性能目标，在Kimera中实施了几项新功能，以提高VIO跟踪性能、稳健的位姿图优化和语义地图创建。此外，Kimera-Multi 和 Hydra对Kimera-VIO的跟踪进行了改进，分别用作多机器人地图制作和3D场景图创建的基准VI-SLAM方案。

本文讨论了我们对Kimera开源版本进行的一些改进，这些改进将作为Kimera各个模块的版本更新的一部分向公众发布，包括关键模块如Kimera-VIO、Kimera-Semantics、Kimera-RPGO和Kimera-PGMO。展示了自2019年发布以来添加到Kimera的一些功能的消融研究，并与现有技术（特别是ORB-SLAM3和VinsFusion）进行了比较，评估了Kimera的优势和劣势以及它在各种平台上的多功能性。实验在从现实平台和模拟环境中收集的数据集上进行（图1）。