摘要
本文提出了一个新的基于关键帧的稠密平面SLAM系统，只基于CPU本身。该方法利用一个快速稠密的方法进行里程计估计，融合深度观测，并从融合后的深度图中提取平面，对关键帧的位姿和平面特征进行优化。使用快速的平面估计，可以找到准确的平面对应关系，每帧的位姿在平面特征数目不足的情况下仍然能够被较为准确地估计。并且，以一种概率全局优化的方法对平面特征进行建模能够显著降低漂移误差。
引言
目前，所有已知的稠密平面SLAM方法都需要GPU加速，并且过度依赖平面特征的数量。
本文的方法不采用提取平面特征并且对每帧进行位姿图优化的方式，降低了计算代价。本文的里程计，使用两种策略：1.基于平面的ICP配准，2.结合半直接法和稠密的视觉里程计方法。
IV. Fast Dense RGB-D Odometry
对于每个最新的帧，我们估计其相对于最近的参考帧的位置。本文结合iterative projected plane (IPP)方法和基于金字塔的RGBD里程计方法进行粗略的里程计估计。
A. Iterative Projected Plane (IPP)
IPP的基本思想就是只使用平面信息进行三维注册，如果能够检测到足够多的平面区域可以更快的进行位姿估计。首先，对深度图上的小的区域进行平面你和，然后利用相机重投影误差找到两帧之间的平面的对应关系。通过最小化关联的平面对之间的距离，相机的相对位姿可以被迭代的更新直到收敛。但是，从有噪声的原始深度图中提取出足够准确和鲁棒的小的平面区域是困难的。因此，我们对深度图进行预处理，以降低可能的平面区域的噪声。
在通常的室内场景中，如何一个区域是灰度平滑的，其可能在深度上也是平滑的。因此，我们在灰度平滑的区域对应的深度图区域进行深度平滑。
然后，我们提取小区域的平面。首先，将整个深度图均分为小的栅格区域，在每个栅格，我们均匀地采一些点，然后计算其局部的法线向量，如果超过一个阈值的法线方向平行，那么我们利用这些点和法线方向产生平面模型。并在该栅格中找到内点，利用所有内点对模型进行进一步的优化。中的一个平面与中的一个平面相对应，如果的中心在上的投影位于包含的栅格内。给定个平面的对应关系，两帧之间的相对变换可以通过最小化如何几何误差：
该方法成立的前提是场景中有足够的平面。因此，为了克服这个缺点，本文将其他的基于灰度的方法与IPP进行融合。
Local Depth Fusion
利用前面的快速里程计方法得到邻近帧的相对位姿变换，然后将其深度数据进行融合，生成fragments，对每个fragment进行平面提取。
Global Mapping with Planes
A. Plane Representation
平面的表示是基于四元数的。
B. 平面拟合和不确定性估计
这里对平面特征的不确定性进行了建模。要想产生有效的约束，对约束进行合理准确的建模是必要的。参考[8,13]。这里注意在求雅克比的时候是对平面表示的最小参数求雅克比。
C.Data Association
一旦在关键帧中提取到了平面，最近10帧关键中的平面特征都会被当做候选匹配特征，投影到当前帧进行匹配，匹配标准有三个，一个法线方向相对角度，一个是平面相对距离，另外一个是平面模型的残差。