DBA-Fusion: Tightly Integrating Deep Dense Visual Bundle Adjustment with Multiple Sensors for Large-Scale Localization and Mapping

视觉同时定位与地图构建（VSLAM）具有广泛的应用，目前的最新方法利用深度神经网络提高了其鲁棒性和适用性。然而，缺乏将这些基于学习的方法与多传感器信息融合的研究，这对于推动相关应用到大规模和复杂场景中可能是不可或缺的。本文通过一个因子图紧密地将可训练的深度密集束调整（DBA）与多传感器信息相结合。在该框架中，连续图像之间执行循环光流和DBA。从DBA中得出的黑塞矩阵信息被馈入一个通用的因子图进行多传感器融合，该因子图采用滑动窗口并支持概率边缘化。首先开发了一个视觉惯性集成管道，提供最小的度量尺度定位和地图构建能力。此外，其他传感器（例如全球导航卫星系统）被集成以实现无漂移和地理参考功能。在公共数据集和自收集数据集上进行了广泛的测试。结果验证了我们方法卓越的定位性能，使得在大规模环境中实时进行密集地图构建成为可能。代码已经开源（https://github.com/GREAT-WHU/DBA-Fusion）。

本篇论文旨在解决视觉同时定位和地图构建（VSLAM）中缺乏将多传感器信息与基于学习的方法融合的问题，以实现在大规模和复杂场景下的应用。

文章提出了一种将可训练的深度密集束调整（DBA）与多传感器信息紧密集成的方法，通过因子图将Hessian信息导入多传感器融合中，支持滑动窗口和概率边缘化。

本文提出了一种视觉惯性融合的管道，提供了度量尺度本地化和地图构建的最小能力。此外，还将其他传感器（例如全球导航卫星系统）集成到系统中，实现了无漂移和地理参考的功能。实验结果表明，该方法具有优越的定位性能，能够在大规模环境下实现实时密集地图构建。代码已开源。

最近的相关研究包括：《DeepVO: A Deep Learning Approach for Monocular Visual Odometry》、《ORB-SLAM: A Versatile and Accurate Monocular SLAM System》等。