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”標定法原理，標定模板采用包含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定，標定結(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.

　?。?］ 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.

　?。?］ 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.