FPEVO：一种适用于结构简单、纹理粗糙场景的融合点边缘视觉里程计技术

《Journal of Visual Communication and Image Representation》：FPEVO: Fused point-edge visual odometry for low-structured and low-textured scenes

提出了一种基于RGB-D传感器的视觉里程计方法，通过融合点特征与边缘特征的结构信息，显著提升了低纹理场景下的定位精度，并在多个公开数据集上验证了其性能优势。

　　在当今的机器人技术和自主系统中，视觉定位与地图构建是至关重要的过程。这种技术使得机器人能够在环境中确定自身的位置，同时构建其周围环境的地图，为导航和场景理解提供了基础。视觉里程计（Visual Odometry, VO）作为视觉SLAM（Simultaneous Localization and Mapping）系统的核心组件，一直受到研究者的关注。然而，现有的视觉里程计方法在高纹理和低纹理区域的表现存在局限性，特别是在纹理稀疏或重复的场景中，传统方法往往难以提供满意的定位精度。

为了克服这些挑战，本文提出了一种新颖的RGB-D视觉里程计方法，该方法融合了点特征和边缘特征，从而在低纹理和低结构的场景中实现了更稳健的定位。通过结合点特征的描述性与边缘数据的结构信息，该方法能够更有效地处理低纹理区域，提高定位的鲁棒性。首先，边缘检测和分组基于格式法则中的连续性和邻近性原则，确保边缘数据具有良好的结构。随后，将当前帧和前一帧的边缘组进行关联，使用点特征在边缘附近的分布来实现这种关联。最终，通过匹配相关边缘组之间的点，过滤这些点并结合边缘结构约束，对边缘点进行几何姿态优化，以估计机器人的运动状态。

该方法在多个公开数据集上的实验结果表明，其在TUM RGB-D、ICL-NUIM和Tartan-Air数据集上均显著优于现有方法，如REVO、MSC-VO、DROID-VO和SplaTAM。具体而言，其在根均方绝对轨迹误差（RMS ATE）和位姿误差方面分别减少了58%、75%和82%。这一性能提升表明，该方法不仅在低纹理和低结构环境中表现更优，而且在理想场景中也能够保持较高的精度，从而实现了在不同场景下的稳定性。

在视觉SLAM领域，传统方法通常将定位和地图构建视为两个独立的问题。然而，随着研究的深入，人们逐渐认识到它们实际上是相互关联的。因此，视觉SLAM方法应运而生，将这两种任务结合起来，以减少误差的累积。本文的方法基于这一理念，利用边缘数据的结构信息，对边缘点进行分组和匹配，从而在边缘数据的基础上构建更准确的运动估计。

当前的视觉里程计方法可以分为直接方法、半直接方法和基于稀疏特征的方法。直接方法通过使用像素级别的图像数据来估计相对运动，但它们在图像强度变化较大的情况下表现不佳。基于稀疏特征的方法则依赖于显著的点或地标，这些点在高纹理场景中表现良好，但在低纹理场景中则容易失效。半直接方法结合了密集图像数据和稀疏特征，通过直接对齐来减少几何重投影误差，但其性能仍受到图像强度变化的影响。

为了提高视觉里程计的鲁棒性，一些研究者开始探索使用边缘特征的方法。这些方法在低纹理区域表现较为稳健，因为边缘数据提供了额外的结构信息。然而，这些方法通常忽略了边缘之间的关系，仅通过直接对齐来减少误差，导致在理想场景中的精度不如基于点特征的方法。因此，本文提出了一种新的方法，通过融合点和边缘特征，来提升视觉里程计的性能。该方法不仅考虑了边缘的结构信息，还利用了点特征的描述性，从而在低纹理和高纹理场景中均能提供稳健的运动估计。

本文方法的关键在于如何对边缘进行分组。通过应用格式原则中的连续性和邻近性，可以将边缘像素分为不同的结构段。随后，利用点特征在边缘附近的分布来关联这些结构段，从而实现更精确的匹配。这种方法不仅提高了边缘匹配的鲁棒性，还通过结合边缘的结构信息，增强了运动估计的准确性。

在边缘匹配过程中，使用了概率方法来计算边缘组之间的匹配概率。通过分析匹配距离的分布，可以更好地判断边缘组之间的关联性。同时，为了提高匹配的鲁棒性，本文还引入了惩罚项，以减少由于边缘组之间的距离变化而导致的误差。这种方法在保持匹配精度的同时，也提高了计算效率。

此外，本文还探讨了视觉里程计的性能评估方法。通过计算根均方相对位姿误差（RPE）和绝对轨迹误差（ATE），可以评估视觉里程计的精度。在多个数据集上的实验结果表明，本文方法在低纹理和低结构场景中表现优异，同时在理想场景中也能保持较高的精度。这表明该方法不仅在复杂环境中表现稳健，而且在常规场景中也具有良好的适应性。

为了进一步提高视觉里程计的鲁棒性，本文还考虑了关键帧的选取策略。通过选择具有足够信息量的关键帧，可以减少误差的累积，提高轨迹估计的稳定性。同时，通过使用ICP（Iterative Closest Point）算法对关键帧进行优化，可以提高姿态估计的精度。实验结果显示，该方法在关键帧选取和ICP优化方面具有显著优势，能够有效减少误差。

本文方法还考虑了计算效率和实时性。通过引入并行处理和分阶段计算，可以显著提高系统的运行速度。实验结果表明，该方法在保持较高精度的同时，也能够实现较高的帧率，为实时应用提供了可能。此外，通过调整关键帧的选取策略，可以在保证精度的前提下，减少计算资源的消耗。

综上所述，本文提出了一种融合点和边缘特征的视觉里程计方法，该方法在低纹理和低结构场景中表现出色，同时在理想场景中也能保持较高的精度。通过结合边缘的结构信息和点特征的描述性，该方法能够有效减少误差的累积，提高轨迹估计的稳定性。此外，该方法在计算效率和实时性方面也具有显著优势，能够满足实际应用的需求。