SLAM算法调研「建议收藏」

大家好，又见面了，我是你们的朋友全栈君。

这里写目录标题

• 1 SLAM算法
  • 1.1 各类SLAM算法的发展
  • 1.2各类SLAM的优缺点
• 2 SLAM算法框架
  • 2.1 基于激光雷达的SLAM算法
  • 2.2 基于视觉的SLAM
  • 2.3 视觉SLAM-间接法
    • 2.3.1 ORB-SLAM
  • 2.4 视觉SLAM-直接法

1 SLAM算法

  SLAM，即：同步定位与地图创建(Simultaneous Localization and Mapping，SLAM)。它试图解决这样的问题：一个机器人在未知环境中运动，如何通过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根据硬件设备的不同主要有两种：基于激光雷达的SLAM和基于视觉的SLAM（VSLAM）。

在这里插入图片描述

可以明显看出，对于同一个场景，视觉SLAM 在后半程中出现了偏差，这是因为累积误差所引起的，所以视觉SLAM 要进行回环检验。

1.1 各类SLAM算法的发展

在这里插入图片描述

1.2各类SLAM的优缺点

在这里插入图片描述

总体来说，激光 SLAM 是目前比较成熟的机器人定位导航技术，而视觉 SLAM是未来研究的主流方向。未来，多传感器的融合是一种必然的趋势。取长补短，优势结合，为市场打造出真正好用的、易用的 SLAM 方案。

2 SLAM算法框架

2.1 基于激光雷达的SLAM算法

  下面介绍几种基于激光雷达的SLAM算法的特点以及优劣，如下表：

在这里插入图片描述

2.2 基于视觉的SLAM

  只利用相机作为外部感知传感器的SLAM称为视觉SLAM (vSLAM)。相机具有视觉信息丰富、硬件成本低等优点，经典的vSLAM系统一般包含前端视觉里程计、 后端优化、 闭环检测和构图四个主要部分。

在这里插入图片描述

• 视觉里程计 (Visual Odometry)：仅有视觉输入的姿态估计；
• 闭环检测 (Loop Closing): 指机器人在地图构建过程中, 通过视觉等传感器信息检测是否发生了轨迹闭环, 即判断自身是否进入历史同一地点；
• 后端优化 (Optimization): 后端接受不同时刻视觉里程计测量的相机位姿，以及闭环检测的信息，对它们进行优化，得到全局一致的轨迹和地图；
• 建图 (Mapping): 根据估计的轨迹，建立与任务要求对应的地图。

根据生成方法的不同，视觉SLAM可以分成两大类：间接方法和直接方法。下面进行详细介绍。

2.3 视觉SLAM-间接法

  间接法首先对测量数据进行预处理来产生中间层，通过稀疏的特征点提取和匹配来实现的，也可以采用稠密规则的光流，或者提取直线或曲线特征来实现。然后计算出地图点坐标或光流向量等几何量，因此间接法优化的是几何误差：

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2.3.1 ORB-SLAM

  采用间接法思想的视觉SLAM主要有MonoSLAM、PTAM和ORB-SLAM。 此处重点介绍ORB-SLAM。ORB-SLAM围绕ORB (Orinted FAST and BRIEF) 特征计算，包括视觉里程计与回环检测的 ORB字典。ORB 特征计算效率比 SIFT 或 SURF 高，又具有良好的旋转和缩放不变性。ORB-SLAM 创新地使用了三个线程完成 SLAM，三个线程是：实时跟踪特征点的Tracking线程，局部 Bundle Adjustment 的优化线程和全局 Pose Graph 的回环检测与优化线程。   该方法的缺点：每幅图像都计算一遍 ORB 特征非常耗时，三线程结构给 CPU带来了较重负担。稀疏特征点地图只能满足定位需求，无法提供导航、避障等功能。

在这里插入图片描述

2.4 视觉SLAM-直接法

  直接法跳过预处理步骤直接使用实际传感器测量值，例如在特定时间内从某个方向接收的光，如图5所示。在被动视觉的情况下，由于相机提供光度测量，因此直接法优化的是光度误差：

在这里插入图片描述

采用直接法思想的视觉SLAM主要有DTAM、LSD-SLAM、SVO(Semi-direct Visual Odoemtry )、DSO(Direct Sparse Odometry)和基于深度学习的SLAM。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/149127.html原文链接：https://javaforall.cn