MEKAWIRE
FortgeschrittenarXiv

RTAB-Map und ORB-SLAM3 im Raspberry-Pi-5-Vergleich

Himanshu Patil, Jaideep Joshi, Rohit Saluja, Ganesh Ramakrishnan
In 30 Sekunden

Ein Preprint untersucht RTAB-Map und ORB-SLAM3 für RGB-D-Navigation auf dem Raspberry Pi 5. ORB-SLAM3 verarbeitete die Daten schneller, während RTAB-Map in 12 von 18 Läufen mindestens 95 % Tracking-Abdeckung erreichte, gegenüber 9 von 18 bei ORB-SLAM3. Für die Auswahl von Bordcomputern sind damit auch Konfiguration und durchgängiges Tracking entscheidend.

Forschungsfrage

Wie unterscheiden sich RTAB-Map und ORB-SLAM3 auf dem Raspberry Pi 5 bei Tracking-Kontinuität, Trajektoriengenauigkeit und Rechenaufwand über verschiedene RGB-D-Auflösungen?

Problem

Kleine Indoor-UAVs benötigen eine Positionsbestimmung ohne GPS, verfügen aber nur über begrenzte Nutzlast und elektrische Leistung. Für etablierte RGB-D-SLAM-Systeme fehlen umfassende Messungen auf ARM-Platinen. Eine geringere Bildauflösung spart Rechenarbeit, kann jedoch Tracking-Ausfälle verursachen. Solche Läufe erscheinen schneller und können auf den verbliebenen Trajektorienabschnitten kleinere Fehler liefern.

Bisheriger Ansatz

RTAB-Map verbindet graphbasierte Kartierung mit einstellbaren Speicherbudgets. ORB-SLAM3 wählt Keyframes aus und verteilt Tracking, lokale Kartierung und Schleifenschluss auf parallele Threads. Frühere Untersuchungen auf dem Raspberry Pi 5 betrachteten allein ORB-SLAM3. Vergleiche auf anderen Plattformen verwendeten abweichende Sensoren und Aktualisierungsraten und lassen sich deshalb nur begrenzt übertragen.

Neuer Ansatz

Die Arbeit liefert einen gemeinsamen Benchmark mit Rechenprofilen. RTAB-Map 0.23.13 und ORB-SLAM3 1.0 wurden mit sechs aufgezeichneten TUM-RGB-D-Sequenzen bei 640 x 480, 320 x 240 und 160 x 120 getestet, insgesamt 18 Hauptläufe je System. Der Raspberry Pi 5 besaß vier Cortex-A76-Kerne mit 2,4 GHz, 16 GB RAM und einen Active Cooler. RTAB-Map verarbeitete und speicherte jedes Bild ohne Begrenzung des Arbeitsspeichers für die Karte. Sein Datensatzwerkzeug führte Odometrie und Kartierung nacheinander aus. ORB-SLAM3 behielt ausgewählte Keyframes und kartierte parallel. Stufenmessungen und Linux perf erfassten die Engpässe.

Ergebnisse

Die Schwelle von 95 % Tracking-Abdeckung erreichte RTAB-Map in 12/18 Läufen, ORB-SLAM3 in 9/18. Über fr1_xyz und fr2_desk zusammen lagen die Ende-zu-Ende-Zeiten für D1/D2/D4 bei RTAB-Map bei 462,3/317,8/150,2 ms je Bild, bei ORB-SLAM3 bei 61,9/42,2/26,1 ms. ORB-SLAM3 erreichte unter D4 auf fr2_desk lediglich 76 % Abdeckung, auf fr1_xyz dagegen vollständiges Tracking bei 25,7 ms je Bild. Für RTAB-Map benötigte die Odometrie unter D4 auf fr2_desk durchschnittlich 44,9 ms je Bild, die Graphoptimierung 38,6 ms. ORB-SLAM3 benötigte für das Tracking durchschnittlich 13,7 ms je Bild. Sein lokales Bundle Adjustment dauerte im parallelen Thread durchschnittlich 84,4 ms je Ausführung. Der maximale Prozessspeicher auf fr2_desk unter D1 betrug 2295 MB für RTAB-Map gegenüber 755 MB für ORB-SLAM3. Thermische Drosselung trat bei keinem System auf. Gemessen wurde die Wiedergabe aufgezeichneter Daten auf realer Hardware. Eine Rangfolge der Genauigkeit bleibt offen.

Grenzen

Die Untersuchung umfasst eine Platine und aufgezeichnete Daten. Versuche mit laufenden Robotern, Live-Sensoren oder im Flug fehlen. Die meisten Bedingungen wurden einmal ausgeführt. Zwei Fälle je System wurden jeweils dreimal wiederholt, wobei der Variationskoeffizient des ATE bei RTAB-Map bis zu 27 % erreichte. Dessen standardmäßiges 1-Hz-Backend, paralleler Betrieb und begrenzter Kartenspeicher wurden nicht gemessen. Unterschiede bestehen bei Knotenauswahl, Threading, Belegungskarten und Umfang der Bildverkleinerung. ORB-SLAM3 wurde mit -O2 ohne -march=native gebaut. Beide Systeme ließen Objektivverzeichnung unkorrigiert und verwendeten für fr2 den Tiefendivisor 5000 anstelle des Standardwerts 5208. Unterspannungsanzeigen erhöhen die Unsicherheit der D1-Zeiten von ORB-SLAM3.

Bedeutung für die Branche

Entwickler von Indoor-UAVs und mobilen Robotern können die Ergebnisse jetzt zur Vorauswahl von ARM-Rechnern und SLAM-Konfigurationen verwenden. Für den Produkteinsatz sind Live-Sensor-Tests, wiederholte Genauigkeitsmessungen sowie Prüfungen mit produktspezifischer Bildspeicherung, Speicherbegrenzung und paralleler Ausführung erforderlich. Ein Zeitplan für die kommerzielle Einführung ist im Paper nicht berichtet.

Vollständige Studie

Veröffentlicht unter CC BY 4.0. Die vollständige Studie ist mit Namensnennung auf Englisch wiedergegeben: Volltext (Englisch). Original unter arXiv:2611.16472 (PDF).