Analisis Comparativa di Robustezza e Precisione per approcci SLAM Visivi/Inerziali in ambito generico.

Abstract

La diffusione dei metodi di localizzazione e mappatura simultanea (SLAM) negli ultimi due decenni ha prodotto un numero innumerevole di algoritmi per l'estimation delle traiettorie, che oggi sono difficili da classificare. Fortunatamente, questi possono essere classificati in due diverse macro-aree: sistemi di SLAM visuale (vSLAM) e sistemi di SLAM visivo-inerziale (viSLAM). Il primo sfrutta le proprietà di una telecamera monoculare basata su proprietà dette direct/feature-based (nel nostro caso), utilizzata principalmente nel campo della robotica, della visione artificiale e dell'AR. Il secondo, invece, combina in un approccio detto tightly-coupled, il contributo delle IMU e della telecamera per una stima dello stato a 6 DOF (tipicamente applicato nella guida autonoma, nei veicoli aerei e nella navigazione pedonale). Questo studio di riferimento si propone di presentare alcuni algoritmi di esempio delle due categorie sopra descritte, testandoli su due diversi dataset, che mirano a coprire gli scenari Micro Aerial Vehicle (MAV) e Pedonale. Per la parte vSLAM, si analizza il comportamento del metodo ORB-SLAM2; mentre sul lato visivo-inerziale si studiano i sistemi VINS-Mono e ORB-VIO. Per affrontare le dipendenze del sistema operativo e degli algoritmi utilizzati, vengono fornite al lettore alcune regole per aiutarlo a gestirsi tra le numerose librerie disponibili.

The spreading of Simultaneous Localization and Mapping(SLAM) methods in the last two decades has produced a countless number of trajectory estimation algorithms, that nowadays are difficult to classify. Fortunately, these can be categorized into two different macro-areas: visual SLAM (vSLAM) systems and visual-inertial SLAM (viSLAM) systems. The former exploits the properties of a direct/feature-based Monocular camera(in our case), mainly used in the field of robotics, computer vision, and AR. The latter instead, combine in a tightly-coupled approach, the contribution of IMUs and camera for a 6 Degrees of Freedom(DOF) state estimation (typically applied in autonomous driving, aerial vehicle, and pedestrian navigation). This benchmark study proposes to present a few example algorithms of the two categories above described, testing them on two different datasets, which aim to cover Micro Aerial Vehicle (MAV) and Pedestrian scenarios. For the vSLAM part, we analyze the behaviour of ORB-SLAM2 method; whereas on the visual-inertial side VINS-Mono and ORB-VIO systems are studied. In order to deal with the used OS and algorithm dependencies, some suggested-rules are provided to the reader for helping him to manage among the numerous libraries available.