狠狠撸

第１回 3D勉強会@関東 (2018/05/27)
(SLAMチュートリアル大会)
論文紹介: ORB-SLAM
東京大学相澤研究室所属
M1 金子真也 (@syinari0123)

1
自己紹介
? 氏名
– 金子真也 (かねこまさや)
? 所属
– 東京大学大学院学際情報学府相澤研 M1
? 興味
– Visual SLAM/SfM, 深層学習
– 「乃木坂46メンバーを動画から三次元へ復元する」
(https://qiita.com/syinari0123/items/f8b8ae08a80002361855)

2
本発表の目標
? 画像から三次元復元を行うVisual SLAMの話
– 入力は「画像」, 今回は単眼カメラ画像
– リアルタイム版SfM
? Visual SLAMの代表例としてのORB-SLAM
– リアルタイムなSfMを実現する機構の大雑把な理解
? 高速化？効率化？
– 詳しい内容は論文 or 以下のメモスライド
? 「翱搁叠-厂尝础惭の手法解説」
(/MasayaKaneko/orbslam-84842802)

3
SfMのおさらい
? SfM (Structure from Motion)
– 問題設定
? 入力：様々な視点で撮影された画像群
? 出力：カメラ姿勢推定 + 三次元構造復元
画像群カメラ姿勢推定 + 三次元構造復元

4
SfM vs Visual SLAM
? Visual SLAM (Simultaneous Localization and Mapping)
– リアルタイムにSfMを解く問題
? 画像が入力される度にカメラ姿勢を推定
映像カメラ姿勢推定 + 三次元構造復元

5
SfM vs Visual SLAM
? 問題設定の違い
手法 SfM Visual SLAM
主な目的物体の三次元構造の復元リアルタイムなカメラ姿勢推定
データの
与え方
画像群全て使える逐次的に画像が挿入
問題設定正確性 >>> 速度正確性 < 速度
結果例

6
逐次的な姿勢推定
? 逐次的なカメラ姿勢推定をどのように行うか？
? 自己位置推定と地図作成を交互に行い実現
(Simultaneous Localization and Mapping)
Tracking
Local Mapping
地図に登録する
画像を選択
地図の提供
現在のカメラ姿勢を求める
地図の作成/修正

7
時刻 t-1
過去の
カメラの軌跡
現在時刻 t
?
地図
復元した
三次元構造
Tracking
Local Mapping
画像を選択
地図の提供

8
Tracking
Local Mapping
画像を選択
地図の提供
時刻 t-1
過去の
カメラの軌跡
現在時刻 t
?
地図
復元した
三次元構造

9
時刻 t-1
過去の
カメラの軌跡
現在時刻 t
?
地図
復元した
三次元構造
局所的な最適化
Tracking
Local Mapping
画像を選択
地図の提供

10
時刻 t-1
過去の
カメラの軌跡
現在時刻 t
地図
復元した
三次元構造
Tracking
Local Mapping
画像を選択
地図の提供

11
Tracking
Local Mapping
画像を選択
地図の提供
時刻 t-1
過去の
カメラの軌跡
現在時刻 t
地図
復元した
三次元構造

12
時刻 t-1
過去の
カメラの軌跡
現在時刻 t
地図
復元した
三次元構造
Tracking
Local Mapping
画像を選択
地図の提供

13
時刻 t-1
過去の
カメラの軌跡
地図
復元した
三次元構造
?
時刻 t
現在時刻
t+1
…
Tracking
Local Mapping
画像を選択
地図の提供

14
全体的な最适化
? 逐次的な姿勢推定では局所的な最適化のみしか
行わないため, 歪みが生じる
– Loop Closingによる全体の軌跡の歪み修正
Loop Closing
歪み

15
Visual SLAM まとめ
? リアルタイムなカメラ姿勢推定の実現
– 局所的な最適化：Tracking + Local Mapping
– 全体的な最适化：Loop Closing
? 局所的な最適化だけ行う Visual Odometry (VO)
? 全体的な最适化も考慮 Visual SLAM
– Visual SLAM = VO + Loop Closing
? ORB SLAMではどのようになっているか？

16
ORB-SLAM
? 局所的な最適化 + 全体的な最适化

17
ORB-SLAM
? 局所的な最適化 + 全体的な最适化
全体的な最适化
局所的な最適化

18
1. 地図の定義１
? 構成要素
– 得られたカメラの画像????と姿勢????
– 三次元点群の復元結果 ????
? 対応する画像????のORB特徴点 ??????
? ORB特徴量 ??????
? ORB特徴点(特徴量) : FAST corner + rBRIEF descriptor
– 画像のcorner点, 回転/スケール不変な特徴量を持つ
????
????
??????
????
…
(特徴量??????)

19
1. 地図の定義２
? Covisibility Graph
– 三次元位置????は基本的には複数の画像で共有
– 共有する点の数を可視化したGraphを定義
? 効率の良い最適化 (Local Mapping/Loop Closingで利用)
? 共有点が多いnode同士のみ: Essential Graph
Covisibility Graph Essential Graphカメラの姿勢
三次元点群
点の共有度(共有する点の数)
を重みとしたedge

20
2. Tracking
[仕事1] 現在のカメラ姿勢を求める
1. 画像から特徴点抽出
2. 前の画像との点の対応を求める
3. 対応点を投影することでカメラ姿勢の最適化
画像 ?????1 画像 ????
(現在時刻)
?????1,??
?????1
?????1,??
????
????
?
地図

21
2. Tracking
画像 ?????1 画像 ????
(現在時刻)
?????1,??
?????1
?????1,??
????
????
?
地図
????,??

22
2. Tracking
画像 ?????1 画像 ????
(現在時刻)
?????1,??
?????1
?????1,??
????
????
?
地図
????,??

23
2. Tracking
画像 ?????1 画像 ????
(現在時刻)
?????1,??
?????1
?????1,??
????
????
地図
????,??
?????1,??

24
2. Tracking
画像 ?????1 画像 ????
(現在時刻)
?????1,??
?????1
?????1,??
????
????
地図
????,??
?????1,??

25
2. Tracking
[仕事2] 地図に保存するかの決定
– 毎時刻の画像を保存するとメモリ/計算量的に発散す
るため, 冗長にならないように画像を選択(緩く)
? KeyFrame (KF)

26
3. Local Mapping
[仕事1] 地図の作成
Trackingから渡された画像(KFnew)を地図に追加する
1. Covisibility Graphの更新
2. Graph上で隣接するKF群との比較で新しい点を追加
3. この範囲で点とカメラ姿勢の最適化(Local BA)
Covisibility Graph
?

27
3. Local Mapping
Covisibility Graph更新!

28
3. Local Mapping
Covisibility Graph
隣接するKF群

29
3. Local Mapping
Covisibility Graph
追加!
隣接するKF群

30
3. Local Mapping
3. この範囲で点とカメラ姿勢の最適化 (Local BA)
Covisibility Graph
Localな最適化
隣接するKF群

31
3. Local Mapping
[仕事2] 地図の修正
– KFを監視し,冗長なKFを除外する(厳しく)
? Arrival of the fittest

32
4. Loop Closing
[仕事] Loop closingによる全体最適化
1. 地図に挿入されたKFが既に見たことがあるか？
? ORB特徴量から構成したBag of Words (BoW)
画像特徴量同士の比較
2. Loopを検知したらそれらを結ぶように最適化
? Essential Graphによるスケールを含めた最適化
?
Covisibility Graph

33
4. Loop Closing
?
Essential Graph

34
4. Loop Closing
Essential Graph
Loop Closed!
Sim(3) 全体最適化

35
まとめ
? Visual SLAM
– Tracking + Local Mapping + Loop Closing
? ORB-SLAM
– ORB特徴量で画像間の対応を決定し三次元復元
– Trackingが地図にすべき画像(KeyFrame)を選択,
Local Mappingがそれを地図に追加/修正する
? Covisibility GraphによるLocal BA
– Loop ClosingはBoW画像特徴量で画像間の特徴量の
近さを計算し, Loopを閉じるようにSim(3)最適化
? Essential Graphの利用

36
ORB-SLAMの立ち位置
? Visual SLAMの分類 Direct vs Feature, Dense vs Sparse
手法 Direct (画素値を直接利用) Feature (特徴量を抽出し利用)
Sparse
(画像から疎に抽出
された点のみ利用)
Direct Sparse Odometry
[Engel+, 2016]
ORB-SLAM
[Mur-Artal+, 2015]
Dense/
Semi-Dense
(画像全体/
輝度勾配の高い
領域の点を密に利用)
LSD-SLAM [Engel+, 2014]
SLAMでは特になし
(Optical Flow等)

狠狠撸

厂尝础惭チュートリアル大会资料(翱搁叠-厂尝础惭)

Recommended

More Related Content

What's hot (20)

Similar to 厂尝础惭チュートリアル大会资料(翱搁叠-厂尝础惭) (20)

More from Masaya Kaneko (6)

Recently uploaded (11)

厂尝础惭チュートリアル大会资料(翱搁叠-厂尝础惭)