视觉惯性SLAM哪家强？

对比选取的视觉惯性SLAM算法和数据集

对比了最先进的视觉惯性SLAM系统的性能，以了解它们在具有挑战性的环境中的能力;重点是水下数据集上的对比。为什么是水下数据集？

1. 在室内/室外SLAM中使用的一些流行传感器（例如，激光测距仪，GPS，RGB-D相机）不能在水下使用。

2. 水下环境非常具有挑战性，比如低能见度，颜色衰减，动态对象，漂浮颗粒，和颜色饱和度问题

因此，比较了视觉SLAM方法在不同水下数据集上的性能

选取了以下开源视觉惯性SLAM算法，做了简单的分类，考虑因素包括相机数量、IMU（、前端（直接与基于特征）、后端（过滤与基于优化）和是否有闭环进行分类。

视觉惯性SLAM量化对比结果

来自开源视觉惯性SLAM算法的轨迹，在基于绝对轨迹误差（ATE）和跟踪百分比的sim（3）对准之后，使用COLMAP作为伪真值

上表显示各种单目视觉惯性SLAM算法的性能。对于每个数据集，第一行指定sim 3轨迹对齐后的平移RMSE;第二行是跟踪轨迹的时间百分比。对于每个数据集，具有最低RMSE的最佳性能算法以粗体突出显示，并且基于循环闭合的最佳算法以蓝色突出显示。

双目视觉惯性SLAM的结果提升特别明显，如下图所示。带闭环的ORB-SLAM3实力碾压其他对手。视觉惯性天花板ORB-SLAM3，原理解析、代码详解与改进建议（单/双目/RGBD+鱼眼+IMU+多地图+闭环）

结论是啥？

1. IMU数据的加入大大提高了性能

2. 大多数算法在轨迹的相似段失败

3. 描述符匹配性能通常优于KLT跟踪，主要是KLT对光照变化比较敏感。

4. 直接法有时不能解决最优化问题。因为照明变化，无光度校准。

5. 基于优化的方法的性能略好于过滤

你觉得这个结果符合你的预期吗？欢迎留言讨论