初识SLAM

相机

单目相机

• 优点：结构简单，成本低

• 缺点：无法计算 深度 + 尺度

  无法计算物体与相机间的距离，单目SLAM估计的轨迹和地图与真实值相差一个因子

双目相机

• 优点：克服深度问题（距离）
• 缺点：计算量大

深度相机（RGB-D相机）

• 优点：节省计算资源（通过红外结构光/Time-of-Flight（ToF））
• 缺点：测量范围窄，噪声大，视野小，易受日光干扰，无法测量透射材质

视觉SLAM的目标

通过一些图像，进行定位和地图构建

经典视觉SLAM框架

视觉里程计（前端）

• 目的：通过相邻帧间的图像，估计相机运动，回复场景的空间结构
• 问题：出现累计漂移（每次估计有误差）
• 解决：后端优化，回环检测

后端优化

• 目的：处理SLAM过程中的噪声问题

  ①如何从带有噪声的数据中估计整个系统的状态

  ②这个状态估计的不确定性有多大（最大后验概率估计）

• 本质：对运动主体自身和周围环境空间不确定性的估计

回环检测

• 目的：解决位置估计随时间漂移的问题
• 方法：让机器人具有识别到过的场景的能力（判断图像相似性），然后修正

建图

度量地图

• 特点：精确地表示地图中物体地的位置关系
• 缺点：耗费大量存储空间，许多细节无用，一致性问题

拓扑地图

• 特点：强调地图元素之间的关系
• 缺点：不擅长表达具有复杂结构的地图

SLAM问题的数学描述

状态估计问题（转化）

噪声

• 线性/非线性系统
• 高斯/非高斯系统

主流优化技术（优化技术明显优于滤波技术）

• 图优化