这周调研了下刚开源的Air-slam，并阅读了下文献

AirSLAM：An Efficient and Illumination-Robust Point-Line Visual SLAM System

论文链接：https://arxiv.org/abs/2408.03520

code：https://github.com/sair-lab/AirSLAM

1.引言

视觉同时定位与建图（vSLAM）技术对于机器人导航至关重要，因其在成本与精度之间提供了良好的平衡。与激光雷达SLAM相比，vSLAM使用更经济实惠且紧凑的传感器实现准确的定位，扩大了其潜在的应用范围。此外，摄像头能够捕捉到更丰富和详细的环境信息，这增强了其提供稳定定位的能力。然而，现有的vSLAM系统在处理极端光照条件下仍面临困难，这些困难可以分为两类：一是特征检测的稳定性受到光线变化的影响；二是长期光照变化导致的地图重用问题。

2. 相关工作

关键点和线段检测：传统的方法如ORB、FAST、BRISK等手工设计的关键点特征已被广泛应用于视觉里程计（VO）和vSLAM系统中。尽管这些方法通常效率高，但在挑战性环境中并不足够稳定。随着深度学习的发展，基于深度学习的方法逐渐成为关键点和线段检测的新趋势。
视觉里程计与重定位：研究者们已经提出了多种方法来提高VO和vSLAM系统的性能，包括但不限于ORB-SLAM3、Kimera等。这些方法通过融合不同的传感器数据（如视觉-惯性数据）、优化地图构建过程以及改进重定位算法等方式来提升系统的鲁棒性和准确性。

3. 系统概述

AirSLAM系统采用了一种混合方法，结合了深度学习技术用于特征检测和匹配与传统的后端优化方法。具体来说，该系统设计了一个统一的卷积神经网络（CNN），可以同时提取关键点和结构线。这些特征随后以耦合的方式进行关联、匹配、三角化和优化。此外，系统还引入了一个轻量级的重定位管道，利用已构建的地图中的关键点、线条和结构图来匹配查询帧与地图，从而有效地解决了长期光照变化带来的挑战。

4. 提出的PLNet

PLNet是AirSLAM的核心组件之一，用于同时检测点特征和线特征。通过使用更有效的LightGlue进行特征匹配，PLNet提高了特征检测在光照挑战环境下的稳定性。这一部分详细介绍了PLNet的设计理念、架构及其实现细节。

5. 基于PLNet的视觉-惯性里程计

本节讨论了如何利用PLNet来实现视觉-惯性里程计（VIO）。AirSLAM不仅支持立体视觉数据，还扩展到了支持立体-惯性数据，增加了当有惯性测量单元（IMU）可用时系统的可靠性。这里会涉及到如何结合视觉和惯性数据来提高定位精度的具体技术。

6. 地图优化与在线重用

为了形成一个完整的vSLAM系统，AirSLAM集成了闭环检测和地图优化功能。这部分内容将详细介绍如何离线优化地图，并在线上重用这些优化后的地图，以实现无漂移的重定位。

7. 实验结果

最后，文章通过一系列实验验证了AirSLAM系统的效率、准确性和鲁棒性。这些实验包括但不限于在不同平台上的运行效率比较、在各种数据集上的性能对比等。

8. 结论与局限性

文章最后总结了AirSLAM的主要贡献和局限性，并指出了未来可能的研究方向。