Wu, Yanmin, Yunzhou Zhang, Delong Zhu, Yonghui Feng, Sonya Coleman, and Dermot Kerr. “EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association.” In 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 4966–73. Las Vegas, NV, USA: IEEE, 2020. https://doi.org/10.1109/IROS45743.2020.9341757.
1 Introduction
作者认为object SLAM 当前面对两种问题：
- 在面对包含多个物体实例的复杂场景中，现有的DA 方法不够鲁棒或准确。
- 物体位姿估计不够准确，特别是对于单目object SLAM。
为此，作者提出了一个单目object SLAM 算法——EAO-SLAM，来解决DA 和位姿估计问题。
本文的贡献如下：
- 提出一种集合数据关联策略，可有效聚合不同的观测信息来提高DA 精度；
- 提出一种基于iForest (isolation forest) 的物体位姿估计架构，该架构对外点具有鲁棒性，可准确实现对物体位置、姿态及尺寸的估计；
- 基于提出的方法，应用EAO-SLAM 构建轻量级面向物体的语义地图；
- 在公开数据集和真实场景中进行测试，证明了本方法的有效性，代码开源：https://github.com/yanmin-wu/EAO-SLAM。
3 System Overview
系统整体架构如Fig.2所示，该算法是基于ORB-SLAM2 进一步开发的：
- 集合数据关联是在跟踪线程完成的，结合了bbox、语义标签和点云信息；
- 在DA 的基础上，使用iForest 来消除外点，并为联合优化提供准确的初始位姿估计；
- 然后对物体位姿与尺度、相机位姿进行联合优化，并构建一个轻量级物体语义地图；
- 最后，将该语义地图与半稠密地图进行结合，生成半稠密语义地图。
4 Ensemble Data Association
本文的标注：
4.1 Nonparametric Test
非参数测试是用来处理物体点云的（Fig.3 a中的红绿点），根据作者的实验研究（6.1节），这些点云不服从高斯分布。理论上讲，若P 和 Q 属于同一个物体，那么它们应该服从相同的分布，即 $f_P = f_Q$ ，接下来作者进行验证。
作者使用Mann-Whitney statistics：$W = min(W_P,W_Q)$ ，其中 $W_P,W_Q$ 定义如下：
最终，作者证明如果两组点云 P、Q的Mann-Whitney statistics W满足式4，则证明这两组点云属于同一个物体，即标明DA 成功：
4.2 Single-sample and Double-sample T-test
单采样t-test 用于处理不同帧中观测到的物体中心（Fig.3 b 中的星形），被证明服从高斯分布（6.1节）。作者假设 $C, \mathbf{c}$ 来自同一物体，定义t：
作者阐述，如果t 满足式6，则可证明假设成立，即 $C, \mathbf{c}$ 来自同一物体。
由于上述严格的DA 策略，以及较差的观测视角等情况，有可能将现有的物体判定为新物体，为此，作者提出了双采样t-test，通过对历史中心距离进行测试来判定是否需要融合两个物体（Fig.3 c）。为 $C_1, C_2$ 构建t：
同样的，如果t 满足式6，则证明属于同一物体，进行融合。
5 Object SLAM
本节内容的标注：
5.1 Object Representation
作者使用立方体和二次曲面来表示物体：
- 对于常规形状的物体，如书、键盘、椅子等，作者使用立方体来表示（使用顶点 $P_O$ 进行编码）；
- 对于没有具体方向的非常规物体，如球、瓶子等，作者使用二次曲面来表示（使用半轴 $Q_O$ 进行编码）。
立方体和二次曲面在世界坐标系中的表示为：
作者假设物体被放置在与地面平行的状态，即 $\theta_r = \theta_p = 0$ ，则对于立方体，只需要估计 $[\theta_y, \mathbf{t}, \mathbf{s}]$ ；对于二次曲面，只需要估计 $[ \mathbf{t}, \mathbf{s}]$ 。
5.2 Estimate t and s
基于iForest 的外点鲁棒的物体中心和尺度估计算法如下所示：
该算法的关键点在于：将数据点递归分为一系列孤立的数据点，将最容易被孤立出来的点视为外点。如Fig.4所示，d中的黄点经过4步被孤立出来，所以其步长为4，而e中的绿点步长为8，那么黄点更有可能是外点。
经过算法1，使用剩下的点计算 $\mathbf{t},\mathbf{s}$ ，基于 $\mathbf{s}$ 可在物体坐标系中初始化构建立方体和二次曲面，如Fig.4 a-c所示。 $\mathbf{s}$ 会与后续的物体和相机位姿得到进一步优化。
5.3 Estimate yaw angle
$\theta_y$ 的优化分为两步：首先找到一个良好的初始化值，然后基于初始化进行数次优化。位姿初始化过程如算法2所示：
LSD 线段是从t 张连续图片中获取，位于bbox 内部的线段被分配给对应物体，如Fig.5 a所示。物体的初始姿态被假定为与全局坐标系保持一致，即 $\theta_0 =0$ （Fig.5 b），然后在 $[-\pi/2, \pi/2]$ 中均匀采样30个角度，针对每个采样角度，通过计算LSD 线段 $Z_{lsd}$ 和2D 投影边（由上步得到的立方体进行投影得到）之间的累积角度误差来得到该采样角度的得分，最终选取最高得分的角度作为初始值参与后续的联合优化。
5.4 Joint Optimization
利用初始估计进行联合优化：
其中，$e(\theta)$ 为物体姿态误差，如Fig.5 e-g所示；$e(s)$ 定义为立方体投影边与最近的平行LSD 线段之间的距离；$e(p)$ 为传统SLAM 的重投影误差项。
6 Experimental Results
作者的实验包含以下部分：
- Distributions of Different Statistics
- Ensemble Data Association Experiments
- Qualitative Assessment of Object Pose Estimation
- Object-Oriented Map Building
本文算法着力于对物体位姿与尺寸进行估计，并构建半稠密物体级语义地图，没有对相机位姿解算效果进行介绍。