Grid-based Fast and Structural Visual Odometry

在同时定位和建图（SLAM）领域，研究人员一直追求更高的准确性和时间成本表现。传统算法通常依赖于图像中的基本几何元素来建立帧之间的联系。然而，这些元素存在不均匀分布和提取速度缓慢等缺点。此外，在位姿估计过程中，诸如线条之类的几何元素还没有得到充分利用。为了解决这些挑战，我们提出了GFS-VO，一种基于网格的RGB-D视觉里程计算法，最大程度地利用了点和线特征。我们的算法结合了快速线提取和稳定的线同质化方案来改善特征处理。为了充分利用场景中的隐藏元素，我们引入了曼哈顿轴（MA）来提供局部地图和当前帧之间的约束。此外，我们还设计了一种基于广度优先搜索的算法来提取平面法向量。为了评估GFS-VO的性能，我们进行了大量实验。结果表明，与现有方法相比，我们提出的算法在时间成本和准确性方面都有显着的改进。

提高SLAM算法的精度和时间成本

GFS-VO算法结合点特征和线特征，采用网格化方法进行RGB-D视觉里程计，引入曼哈顿坐标系提供局部地图和当前帧之间的约束，设计基于广度优先搜索的算法提取平面法向量

GFS-VO算法在特征处理方面采用快速线提取和稳定的线同质化方案，实验结果表明该算法相比现有方法在时间成本和精度上都有显著改进

相关研究包括传统几何元素建立连接的SLAM算法，以及利用深度学习提取特征的算法，如ORB-SLAM和DSO等