SLAM算法解析-汇总完整版.pdf

SLAM算法解析 ref： 【嵌⽜导读】：(Simultaneous Localization and Mapping) 是业界公认视觉领域空间定位技术的前沿⽅向，中⽂译名为「同步定位与地 图构建」，它主要⽤于解决机器⼈在未知环境运动时的定位和地图构建问题。 【嵌⽜⿐⼦】：有⼈就曾打⽐⽅，若是⼿机离开了 WIFI 和数据⽹络，就像⽆⼈车和机器⼈，离开了 SLAM ⼀样。 【嵌⽜正⽂】：⽬前科技发展速度飞快，想让⽤户在 AR/VR、机器⼈、⽆⼈机、⽆⼈驾驶领域体验加强，还是需要更多前沿技术做⽀ 持，SLAM 就是其中之⼀。实际上，有⼈就曾打⽐⽅，若是⼿机离开了 WIFI 和数据⽹络，就像⽆⼈车和机器⼈，离开了 SLAM ⼀样。 在 VR/AR ⽅⾯，根据 SLAM 得到地图和当前视⾓对叠加虚拟物体做相应渲染，这样做可以使得叠加的虚拟物体看起来⽐较真实，没 有违和感。在⽆⼈机领域，可以使⽤ SLAM 构建局部地图，辅助⽆⼈机进⾏⾃主避障、规划路径。在⽆⼈驾驶⽅⾯，可以使⽤ SLAM 技术 提供视觉⾥程计功能，然后跟其他的定位⽅式融合。机器⼈定位导航⽅⾯，SLAM 可以⽤于⽣成环境的地图。基于这个地图，机器⼈执⾏ 路径规划、⾃主探索、导航等任务。 SLAM 技术的发展距今已有 30 余年的历史，涉及的技术领域众多。由于本⾝包含许多步骤，每⼀个步骤均可以使⽤不同算法实 现，SLAM 技术也是机器⼈和计算机视觉领域的热门研究⽅向。 SLAM 的英⽂全程是 Simultaneous Localization and Mapping，中⽂称作「同时定位与地图创建」。SLAM 试图解决这样的问 题：⼀个机器⼈在未知的环境中运动，如何通过对环境的观测确定⾃⾝的运动轨迹，同时构建出环境的地图。SLAM 技术正是为了实现这 个⽬标涉及到的诸多技术的总和。 SLAM 技术涵盖的范围⾮常⼴，按照不同的传感器、应⽤场景、核⼼算法，SLAM 有很多种分类⽅法。按照传感器的不同，可以分为 基于激光雷达的 2D/3D SLAM、基于深度相机的 RGBD SLAM、基于视觉传感器的 visual SLAM（以下简称 vSLAM）、基于视觉传感 器和惯性单元的 visual inertial odometry（以下简称 VIO）。 基于激光雷达的 2D SLAM 相对成熟，早在 2005 年，Sebastian Thrun 等⼈的经典著作《概率机器⼈学》将 2D SLAM 研究和总 结得⾮常透彻，基本确定了激光雷达 SLAM 的框架。⽬前常⽤的 Grid Mapping ⽅法也已经有 10 余年的历史。2016 年，Google 开源 了激光雷达 SLAM 程序 Cartographer，可以融合 IMU 信息，统⼀处理 2D 与 3D SLAM 。⽬前 2D SLAM 已经成功地应⽤于扫地机器 ⼈中。 基于深度相机的 RGBD SLAM 过去⼏年也发展迅速。⾃微软的 Kinect 推出以来，掀起了⼀波 RGBD SLAM 的研究热潮，短短⼏年 时间内相继出现了⼏种重要算法，例如 KinectFusion、Kintinuous、Voxel Hashing、DynamicFusion 等。微软的 Hololens 应该集成 了 RGBD SLAM，在深度传感器可以⼯作的场合，它可以达到⾮常好的效果。 视觉传感器包括单⽬相机、双⽬相机、鱼眼相机等。由于视觉传感器价格便宜，在室内室外均可以使⽤，因此 vSLAM 是研究的⼀⼤ 热点。早期的 vSLAM 如 monoSLAM 更多的是延续机器⼈领域的滤波⽅法。现在使⽤更多的是计算机视觉领域的优化⽅法，具体来说， 是运动恢复结构（structure-from-motion）中的光束法平差（bundle adjustment）。在 vSLAM 中，按照视觉特征的提取⽅式，⼜可 以分为特征法、直接法。当前 vSLAM 的代表算法有 ORB-SLAM、SVO、DSO 等。 视觉传感器对于⽆纹理的区域是没有办法⼯作的。惯性测量单元（IMU）通过内置的陀螺仪和加速度计可以测量⾓速度和加速度，进 ⽽推算相机的姿态，不过推算的姿态存在累计误差。视觉传感器和 IMU 存在很⼤的互补性，因此将⼆者测量信息进⾏融合的 VIO 也是⼀个 研究热点。按照信息融合⽅式的不同，VIO ⼜可以分为基于滤波的⽅法、基于优化的⽅法。VIO 的代表算法有 EKF、MSCKF、 preintegra