Stereo-NEC: Enhancing Stereo Visual-Inertial SLAM Initialization with Normal Epipolar Constraints

我们提出了一种准确而强健的初始方法，用于立体视觉惯性SLAM系统。与目前最先进的方法不同，该方法严重依赖于纯视觉SLAM系统的准确性，以估计惯性变量而不更新相机姿态，可能会影响准确性和鲁棒性，我们的方法提供了不同的解决方案。我们意识到陀螺仪偏差估计对旋转准确性的重要影响。这反过来又会由于平移误差的累积而影响轨迹准确性。为了解决这个问题，我们首先独立估计陀螺仪偏差，并使用它来制定进一步细化的最大后验问题。在这个细化之后，我们通过从陀螺仪测量中去除陀螺仪偏差来执行IMU积分，以更新旋转估计。然后，我们利用强健和准确的旋转估计通过3-DoF捆绑调整来增强平移估计。此外，我们引入了一种新颖的方法来通过评估正常极线约束的残差来确定初始化的成功。在EuRoC数据集上的广泛评估表明，我们的方法在准确性和鲁棒性方面表现出色。它在绝对轨迹误差和相对旋转误差方面优于ORB-SLAM3，目前领先的立体视觉惯性初始化方法，同时保持有竞争力的计算速度。值得注意的是，即使使用5个关键帧进行初始化，我们的方法在旋转准确性方面始终优于使用10个关键帧的最先进方法。

解决问题：论文旨在提出一种精确且鲁棒的初始化方法，用于立体视觉惯性SLAM系统。

关键思路：论文的关键思路是通过独立估计陀螺仪偏差并使用它来进一步优化最大后验概率问题，然后通过去除陀螺仪偏差来更新旋转估计，从而提高平移估计的准确性。

亮点：论文通过实验表明，该方法在绝对轨迹误差和相对旋转误差方面优于当前领先的立体视觉惯性初始化方法ORB-SLAM3，同时保持竞争性的计算速度。此外，论文还引入了一种新方法来评估初始化的成功，通过评估法线极线约束的残差来确定初始化是否成功。

相关研究：最近的相关研究包括ORB-SLAM3，以及其他一些针对立体视觉惯性SLAM系统初始化的研究，如“Stereo Visual-Inertial Odometry for Dynamic Environments”和“Initialization Techniques for Visual-Inertial SLAM: a Survey”。