林連秀，葉蕓,，姚劍敏,，郭太良

　　(福州大學(xué) 物理與信息工程學(xué)院, 福建 福州 350002)

　　摘要：ORB-SLAM（基于ORB特征識別的同時定位與地圖構(gòu)建系統(tǒng)）的源代碼無法在嵌入式開發(fā)板運行，其構(gòu)建的點云圖太稀疏無法滿足移動機器人路徑規(guī)劃要求,。針對這個問題,，文章提出將ORBSLAM進行改進與優(yōu)化，移植到嵌入式開發(fā)板完成SLAM過程,。首先,，刪除原PC端Linux系統(tǒng)下的軌跡、點云圖,、一些依賴庫,，保留并改進src和include文件夾下大部分C++代碼；其次,，在嵌入式平臺以JNI調(diào)用方式調(diào)用改進后的C++代碼,，增加OpenCV、g2o,、DBoW2,、Eigen等依賴庫；最后根據(jù)處理后的關(guān)鍵幀連接繪制柵格地圖,，完成實時軌跡顯示和地圖構(gòu)建,。實驗結(jié)果表明，通過移植實現(xiàn)了在嵌入式開發(fā)板進行SLAM過程,，硬件配置要求和成本大大降低,，所構(gòu)建的柵格地圖占存量更小且更直觀反映實際環(huán)境的布局情況,，地圖誤差控制在±0.5 m的較高精度范圍內(nèi)，較大程度地提高了SLAM性能,。

　　關(guān)鍵詞：ORB-SLAM,；嵌入式；移植,；柵格地圖

　　中圖分類號：TP242文獻標(biāo)識碼：ADOI： 10.19358/j.issn.1674-7720.2017.05.016

　　引用格式：林連秀,，葉蕓，姚劍敏,，等.基于ORB-SLAM的移動機器人嵌入式實現(xiàn)與優(yōu)化［J］.微型機與應(yīng)用,，2017,36（5）：50-53.

0引言

　　*基金項目：福建省自然科學(xué)基金(2014J01236)；福建省科技重大專項(2014HZ0003-1),；福建省資助省屬高校專項課題(JK2014003).同時定位與地圖構(gòu)建（SLAM）技術(shù)是移動機器人在未知環(huán)境中,，通過對環(huán)境的觀測，遞增地構(gòu)建環(huán)境地圖,，并通過構(gòu)建的環(huán)境地圖實現(xiàn)對機器人的定位,，它是實現(xiàn)機器人自主導(dǎo)航和定位的關(guān)鍵技術(shù)。目前實現(xiàn)SLAM的算法很多,，其中ORB-SLAM以追蹤效果好,、地圖精度高、定位穩(wěn)定性好等優(yōu)勢脫穎而出,，成為研究熱點,。

　　ORB-SLAM算法由Raúl M A等人于2015年發(fā)表在IEEE Transactions on Robotics［1］，且在PC的Linux系統(tǒng)上開放了開源ORB-SLAM系統(tǒng),。采用該ORB-SLAM開源算法,，在PC Linux系統(tǒng)上較好實現(xiàn)了SLAM過程，但等同于PC的硬件配置需求成本高,，對移動機器人普通嵌入式開發(fā)板不適用［2］,。ORB-SLAM算法主要由追蹤、地圖構(gòu)建,、閉環(huán)控制3個線程組成,，其中地圖構(gòu)建部分平均處理每關(guān)鍵幀約385 ms，相對比較耗時,，具備較大優(yōu)化空間［3］,。采用ORB-SLAM開源算法所構(gòu)建的地圖是用點云圖方式顯示，點云很稀疏,，不容易看出所構(gòu)建的室內(nèi)結(jié)構(gòu)［4］,。對移動機器人地圖要求上，柵格地圖表示法優(yōu)于點云圖表示法,，一方面可以大大節(jié)省內(nèi)存空間,，另一方面也便于后續(xù)路徑規(guī)劃過程中進行碰撞檢測和空間可行性分析［5］,。從硬件開發(fā)成本考慮，如若用PC進行移動機器人開發(fā),，顯然只用到PC很小部分功能,，造成功能浪費、成本偏高,，而嵌入式開發(fā)板有著低功耗,、低成本、適當(dāng)?shù)腃PU運算效能與友善的軟件接口等優(yōu)勢［6］,。

　　針對以上ORB-SLAM源代碼只能運行在PC而無法在嵌入式開發(fā)板上運行,，且其構(gòu)建的點云圖太稀疏無法滿足移動機器人路徑規(guī)劃要求的問題,，本文對此進行了較大改進,，保留ORBSLAM部分源碼并做出修改，移植到嵌入式開發(fā)平臺,，修改地圖構(gòu)建中的耗時部分,，增加基于柵格地圖實時軌跡顯示部分。移植到普通嵌入式開發(fā)板后的ORB-SLAM,，不僅大大降低了對硬件平臺的要求,，還完成了基于柵格地圖的實時軌跡顯示，使地圖能清晰了然地反映實際環(huán)境的布局情況,，且所建地圖控制在較高精度范圍內(nèi),。

1ORB-SLAM改進與優(yōu)化

　　1.1總設(shè)計流程的改進

　　本文將原PC端Linux系統(tǒng)下的ORBSLAM進行了移植和改進，最終在Android平臺完成了基于柵格地圖的軌跡繪制即完成了實時地圖構(gòu)建,，改進后的總設(shè)計流程如圖1所示,。

　　在上述流程圖模塊中，本文主要修改的部分是：修改所保留的ORB-SLAM原src和include文件夾下的C++代碼,；在LOCAL MAPPING部分中進行了大部分刪減,，只做優(yōu)化部分；刪除了原實時點云及軌跡顯示部分,，在嵌入式平臺添加GRID MAP部分即基于柵格地圖的實時軌跡顯示部分,。

　　1.2ORB-SLAM源碼的修改

　　ORB-SLAM算法的實現(xiàn)主要在src和include文件夾下,完成追蹤、地圖構(gòu)建,、閉環(huán)控制和重定位等任務(wù),。本文對源碼所作的修改工作主要有：刪除MapDrawer.cc和Viewer.cc代碼即刪除軌跡、點云圖顯示部分的代碼,；刪除Linux下依賴復(fù)雜的ROS系統(tǒng)部分的代碼,；更換不同系統(tǒng)下的OpenCV、g2o,、DBoW2,、Eigen等庫,；修改輸入接口，以便直接連接攝像頭在線使用,；注釋掉部分代碼,，包含保存當(dāng)前幀圖片、點云的代碼等,。

　　1.3LOCAL MAPPING部分的改進

　　LOCAL MAPPING線程用于處理新的幀,，更新優(yōu)化它們本地鄰近的幀。它對關(guān)鍵幀作確定新的地圖云點,、更新局部區(qū)域,、局部偏差調(diào)整、去除冗余關(guān)鍵幀等工作,。LOCAL MAPPING在整個系統(tǒng)中耗時相對較長,，其平均處理每關(guān)鍵幀要用時約385 ms，而像TRACKING平均處理每幀只要約30 ms,?？紤]到一方面LOCAL MAPPING相對耗時，一方面這部分作刪減后精度不會受到很大影響,，這為移植到嵌入式平臺提供了一個可行之處,。所以本文對LOCAL MAPPING部分中的Triangulate ORB、Update Local Area,、Prune Redundant KeyFrame進行了刪減,，只做優(yōu)化部分，主要部分的設(shè)計如圖2所示,。

　　1.4GRID MAP部分的設(shè)計

　　機器人地圖包括幾何地圖,、點云地圖、拓撲地圖和柵格地圖等,，其中原ORBSLAM采用點云地圖來表示,，其所構(gòu)建的點云圖中點云很稀疏，完全不能看出任何結(jié)構(gòu),。而柵格地圖將環(huán)境分解成一系列具有二值信息的網(wǎng)格單元,，對環(huán)境描述直觀清晰，適當(dāng)調(diào)整柵格的大小既可以降低存儲消耗,，又保留環(huán)境的空間結(jié)構(gòu),，同時也便于后續(xù)路徑規(guī)劃過程中進行碰撞檢測和空間可行性分析，所以本文去除點云圖表示法而改用柵格地圖表示法,。本文采用的柵格地圖用黑格表示障礙物,，白格表示無障礙物可通過區(qū)。GRID MAP主要部分的設(shè)計如圖3所示,。

　　由設(shè)計圖3可知,，本文設(shè)計的顯示端顯示三個部分：一是USE_CAMERA_INPUT,，顯示攝像頭采集到的當(dāng)前圖像，未經(jīng)過任何處理,；二是DRAW_FRAME,，對當(dāng)前圖像幀進行3D ORB特征點的提取與匹配，并在窗口顯示特征點追蹤情況,；三是DRAW_GRID_MAP,，繪制最終處理后的所有KeyFrames，追蹤當(dāng)前KeyFrames和CameraCenter,。采用柵格地圖表示法將各KeyFrames用線連起來,，繞室內(nèi)全覆蓋運行即可完成最終室內(nèi)地圖的繪制，地圖以矢量形式存儲供移動機器人合理規(guī)劃路徑和重定位之用,。

2實驗結(jié)果與分析

　　2.1實驗硬件配置對比

　　實驗硬件配置為PC和自制的移動機器人模型,，其中移動機器人模型主要用到的模塊有基于Android平臺的開發(fā)板、單目攝像頭,、電機,，PC和開發(fā)板參數(shù)如表1所示,。PC系統(tǒng)擁有很強的運算能力,，但通常只用到小部分，倘若用于機器人開發(fā)而配置一個PC,，不僅眾多未開發(fā)資源被浪費,，且其在購買成本、功耗性,、便攜性,、集成性方面都具有較大劣勢。而嵌入式開發(fā)板具有低功耗,、低成本,、適當(dāng)?shù)腃PU運算效能與友善的軟件接口等優(yōu)點，被稱之為低價計算機,。對比表1參數(shù),，將ORBSLAM從PC移植到嵌入式開發(fā)板上實現(xiàn)，則大大降低了對硬件配置的要求,，成本,、功耗也大大降低，縮小了機器人體積,，方便攜帶,。

　　實驗選用的單目攝像頭為小蟻攝像頭，采用 “張正友”標(biāo)定法原理,，標(biāo)定模板采用包含12×12的正方塊的棋盤格,，每個棋盤格大小為30 mm×30 mm,，在MATLAB下運行程序載入20張不同角度、像素為640×480的棋盤格圖片進行相機標(biāo)定,，標(biāo)定結(jié)果如表2所示,。

　　2.2移植后的ORB-SLAM運行結(jié)果分析

　　本文建立的柵格地圖為640×960像素的地圖，占用柵格大小為30,，機器人實際寬度為0.15 m,，如圖4所示，白色部分為移動機器人繞室內(nèi)一圈的軌跡,，完整柵格地圖即為移動機器人繞室內(nèi)全覆蓋移動,，最終白色部分表示可通過區(qū)，黑色部分表示障礙物區(qū),。由表3可知,，地圖軌跡點與實際標(biāo)定點的誤差最大為0.539 m，其軌跡誤差一般能控制在±0.5 m的較小范圍內(nèi),，約為地圖尺寸的0.78%,，相比原PC Linux系統(tǒng)實現(xiàn)的軌跡誤差約為地圖尺寸的1%，誤差并未擴大反而有所縮小,，即定位精度得到提高,。

　　圖5為修改前所構(gòu)建的點云圖，圖中軌跡由相機位姿估計點構(gòu)成,，左下圖為相機實時采集的圖像并對特征點進行提取與匹配,。圖6為修改后所構(gòu)建的柵格地圖，左上圖為相機采集的原圖,，左下圖為特征點提取與匹配圖,，右圖為柵格地圖。首先從占存量對比分析,，移動機器人按同樣路線繞室內(nèi)一圈構(gòu)建一張1 280×960的地圖,，原Linux系統(tǒng)運行的ORB-SLAM所建的點云圖占存量約為4 940 KB，而移植后的柵格地圖占存約98 KB,，相差大約50倍的耗存量,，可見使用柵格地圖表示法在節(jié)約存儲空間上具有非常大的優(yōu)勢。再從直觀性對比分析,，原Linux系統(tǒng)運行的ORB-SLAM所建的點云圖非常稀疏,，只含有稀疏的地圖特征點來構(gòu)成軌跡，看不出實際空間結(jié)構(gòu)與布局,，這稀疏的地圖對于機器人下一步的應(yīng)用會造成很大的困難,。而基于柵格地圖繪制的ORBSLAM地圖，每個柵格可直接映射到現(xiàn)實環(huán)境的某個區(qū)域，白格表示已經(jīng)運行的可通過區(qū),，黑格表示障礙物區(qū),，機器人繞室內(nèi)全覆蓋一次即可直觀地得到布局情況，其所存儲的障礙信息非常便于移動機器人進行動態(tài)避障以及路徑規(guī)劃,。

　　2.4移植前后運行指標(biāo)對比

　　先對原ORB-SLAM與移植后ORB-SLAM代碼運行情況進行對比分析,，本文移植過程中在同一臺PC上安裝了WIN7+Ubuntu雙系統(tǒng)用于開發(fā)ORB-SLAM，將ORB-SLAM代碼在同一臺PC上運行,，原Linux系統(tǒng)CPU占用率高達約180%,，移植到WIN7后CPU占用率約48%，可知原ORB-SLAM因為依賴一些Linux系統(tǒng)自帶庫使運行速度得到限制,。再對LOCAL MAPPING部分運行速率進行對比,，原ORB-SLAM的LOCAL MAPPING部分主要包含KeyFrame Insertion、Map Point Cullin,、Map Point Creation,、Local BA、KeyFrame Culling,，總體運行時間約為464.27 ms,。優(yōu)化后，通過減小與字典的匹配次數(shù),，減小關(guān)鍵幀重新計算的次數(shù),，將總體運行時間提高到約280.50 ms，刪減ORB-SLAM的LOCAL MAPPING部分速率得到40%的提升,，較大程度地簡化了移植工作,。

　　3結(jié)論

　　本文提出并實現(xiàn)了將ORB-SLAM通過改進與優(yōu)化，最終移植到嵌入式開發(fā)板完成SLAM過程,，CPU占用率和運行速率得到提升，大大降低了硬件成本和配置要求,。針對原點云圖太稀疏無法滿足移動機器人路徑規(guī)劃要求的問題,，改用柵格地圖表示法，從而使地圖占存量縮小了約98%,，且更直觀地反映了實際環(huán)境的布局情況,。通過移植，最終的軌跡誤差一般能控制在±0.5 m的較小范圍內(nèi),，相比原軌跡誤差得到了縮小,。這種改進技術(shù)不只適用于移動機器人，同樣也適用于像VR/AR那樣需要用到嵌入式開發(fā)板來完成定位的技術(shù)領(lǐng)域,。

參考文獻

　?。?］ RAU＇L M A, MONTIEL  J M M, TARD-S J D. ORB-SLAM: a versatile and accurate monocular SLAM system［J］. IEEE Transactions on Robotics, 2015,31(5): 1147-1163.［2］RAU＇L M A, TARDS J D. Probabilistic semi-dense mapping from highly accurate feature-based monocular SLAM［C］. Robotics: Science and Systems， 2015.

　?。?］ RAU＇L M A, TARD-S J D. ORB-SLAM: tracking and mapping recognizable features［C］. RSS 14 Workshop on Multi VIew Geometry in RObotics (MVIGRO),， 2014.

　?。?］ RAU＇L M A, TARD-S J D. Fast relocalisation and loop closing in keyframe-based SLAM［C］. IEEE International Conference on Robotics and Automation (ICRA), June 2014.

　　［5］ 張彪,，曹其新,，王雯珊. 使用三維柵格地圖的移動機器人路徑規(guī)劃［J］. 西安交通大學(xué)學(xué)報,2013,47(10): 5761.

　　［6］ 金麗科技.讓嵌入式Linux變身為低價計算機(上)［J］. 電子與電腦,2007,14(5):6164.