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

我们提出了对开源的度量-语义视觉惯性SLAM库Kimera的改进。特别地，我们增强了Kimera的视觉惯性里程计管道Kimera-VIO，以支持更好的特征跟踪、更高效的关键帧选择和各种输入模态（例如单目、立体、RGB-D图像以及轮式里程计）。此外，Kimera-RPGO和Kimera-PGMO，Kimera的姿态图优化后端，已更新以支持现代的异常值拒绝方法-具体来说，Graduated-Non-Convexity-以提高对虚假环路闭合的鲁棒性。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管道进行了比较，并讨论了Kimera新版本的优点和缺点。新添加的功能已在https://github.com/MIT-SPARK/Kimera上开源发布。

Kimera是一个开源的度量-语义视觉惯性SLAM库，本文试图通过增强Kimera-VIO的功能，以支持更好的特征跟踪、更高效的关键帧选择和各种输入模式，以及Kimera-RPGO和Kimera-PGMO的更新，支持现代的异常值拒绝方法，从而解决SLAM中的一些问题。

本文的关键思路是通过增强Kimera的不同模块，提高度量-语义视觉惯性SLAM的性能和鲁棒性。

本文通过实验评估了增强后的Kimera在各种机器人平台上的性能，包括无人机、四足动物、轮式机器人和模拟自动驾驶汽车。实验结果表明，Kimera在各种输入模式下的性能都有了显著提高，并且比其他现有的SLAM库表现更好。此外，本文开源了增强后的Kimera库，便于其他研究者使用。

最近的相关研究包括：ORB-SLAM3、VINS-Mono、OKVIS等。