BAD SLAM | 直接法实时BA+RGBD基准数据集（CVPR2019）

3Ｄ视觉工坊

于 2021-01-25 10:00:00 发布

阅读量602

点赞数 1

CC 4.0 BY-SA版权

分类专栏： 3D视觉从入门到精通文章标签：算法计算机视觉机器学习人工智能深度学习

本文链接：https://blog.csdn.net/Yong_Qi2015/article/details/113154995

3D视觉从入门到精通专栏收录该内容

634 篇文章 ¥49.90 ¥99.00

订阅专栏

超级会员免费看

本文深入解读了CVPR 2019论文“BAD SLAM”，该研究提出一种实时的直接法Bundle Adjustment (BA)算法，适用于RGB-D SLAM系统，并建立了一个高同步性的RGB-D SLAM基准数据集。BAD SLAM通过优化BA实现了在GPU上的实时稠密BA，性能超越其他系统。此外，论文还介绍了SLAM系统的前后端架构，包括预处理、里程计、回环检测和后端优化。文章强调了新数据集的优势，如消除硬件缺陷，提高了数据准确性，为研究者提供了宝贵的资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文解读：BAD SLAM | 直接法实时BA+RGBD基准数据集（CVPR2019）

本文解读的论文为发表于CVPR 2019的 "Schops, Thomas, Torsten Sattler, and Marc Pollefeys. Bad slam: Bundle adjusted direct rgb-d slam. Proceedings of the IEEE conference on computer vision and pattern recognition. 2019."

虽然这篇论文的主要创新是对SLAM中优化步骤中常用的Bundle Adjustment算法进行改进，本篇文章对BAD SLAM整个SLAM系统进行了介绍，对SLAM中常见的前后端架构，以及其中涉及到的每个步骤都有简单的介绍，利于读者对SLAM系统有大概的认知。

这篇论文还建立了一个RGB-D SLAM的基准数据集，由于论文中提到的它相对于RGB-D SLAM领域常用数据集TUM RGB-D在硬件、评测设置等方面的优越性，该论文的数据集也是RGB-D SLAM领域研究者值得关注、使用的数据集。

主要贡献

提出一个快速的直接法的BA，用于RGB-D SLAM系统中，一个GPU就可以实现实时性能，且效果性能超过其他现有系统
建立并公开了一个RGB-D SLAM的基准数据集，相比以往的数据集，主要优势是数据在采集时就保障了高度同步性，且消除了卷帘快门的影响；此外还在项目官网www.eth3d.net上建立一个排行榜，保留了一部分测试