在SLAM系统中添加更多摄像机可以提高鲁棒性和准确性，但是这会使视觉前端的设计非常复杂。因此，文献中的大多数系统都是针对特定的相机配置而定制的。
在这项工作中，我们的目标是创建适用于任意多摄像机设置的自适应SLAM系统。为此，我们回顾了视觉SLAM中的几个常见构建基块。
特别是，我们提出了一种自适应初始化方案，基于独立于传感器的信息理论的关键帧选择算法以及可扩展的基于体素的地图。这些技术几乎没有对实际相机设置进行任何假设，而是更喜欢基于理论的方法而不是启发式方法。
通过这些修改，我们采用了最先进的视觉测距法。实验结果表明，修改后的管线可以适应各种摄像机设置（例如，实验中2到6个摄像机），而无需进行传感器特定的修改或调整。
有助于自适应初始化方案。与传感器无关的信息论关键帧选择算法。
基于可扩展体素的地图管理方法。多摄像机系统在感知算法上已经取得了出色的性能，并被广泛用于诸如全向测量和制图，自主无人机和虚拟现实头戴设备等现实应用中。
为了便于在SLAM中使用此系统，我们提出了几种常规设计，以自动适应任何多相机系统。图2两个摄像机Ci和Cj之间的立体重叠检查图。
蓝星是摄像机I图像表面上的采样点，绿星是成功投影到摄像机j的3D点，红星是从图像表面掉落的点。图3 EuRoCMH01中3次运行的负熵演化。
每次运行的E（T）以不同的颜色显示，红点表示选择某个帧作为关键帧的位置。插入关键帧后，E（T）增大，并且随着传感器远离地图移动，e（T）减小。
图4均线E（T）和关键帧选择。移动平均值过滤器（黄色）跟踪自上一个关键帧以来的定位质量。
当当前帧的负熵（蓝色）低于运行平均值的某个百分比（绿色虚线）时，将选择一个新的关键帧（红色点），并且将重置运行平均值过滤器。图5显示了图8仿真环境中的仿真轨迹。
通过使用5台摄像机运行调整后的VIO管线来估算轨迹。单眼定位丢失轨迹的部分标记为红色。
洋红色点是SLAM系统跟踪的地标。图65模拟运行中的总体相对平移误差。
图7将建议的体素贴图与针对不同相机配置（2到5个相机）的标准关键帧进行了比较。左：VIO前端总时间。
中：从地图中检索匹配的地标。右：地标位置的参考/指针的数量。
图8具有BA的EuRoC数据集的相对平移误差百分比。表1的EuRoC数据集的中位RMSE（米）超过5倍。
最低错误以粗体突出显示。表2 EuRoC序列中5个关键帧的平均数目。
图3对于单眼和立体设置，不同关键帧选择标准的关键帧的平均数量。表4在科学园的每日序列中，多机位管线的不同轨迹误差度量。
第一行包含完整轨迹（547.488米）的绝对RMSE。图9中科学园的每日序列中FRB配置的估计轨迹和基本轨迹的顶视图。
原始标题：SLAM重新设计任何多相机系统来源：[微信公众号：新机器视觉]欢迎大家关注！请指出转载文章的来源。