SLAM系统发展

SLAM系统发展

2007:
  MSCKF(Multi-State Constraint Kalman Filter,多状态约束Kalman滤波器):基于滤波的单目VIO
2014:
  SVO(Semi-direct Vision Odometry,半直接法)
2015:
  ORB-SLAM
2016:
  DSO(Direct Sparse Odometry,稀疏直接法)
  ORB-SLAM2
2017:
  INS-mono
2019:
  Basalt:双目VIO

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
动态SLAM(Simultaneous Localization and Mapping)是指在移动机器人或无人驾驶车辆等实时感知和建图过程中,同时估计自身位置和环境地图的算法。以下是动态SLAM发展趋势: 1. 增量式优化:传统的SLAM算法通常使用批处理优化方法,需要离线处理所有收集到的数据。而动态SLAM倾向于采用增量式优化,能够实时处理新的传感器数据,并逐步更新地图和估计位置。 2. 多传感器融合:动态SLAM往往利用多种传感器(如激光雷达、摄像头、惯性测量单元等)来获取更多信息,以应对环境中的动态变化。多传感器融合可以提高位置估计的准确性和鲁棒性。 3. 深度学习技术:深度学习在计算机视觉和感知领域取得了重大突破,因此也被引入到动态SLAM中。通过深度学习可以实现更准确的目标检测、语义分割和动态物体跟踪,从而提高SLAM系统对动态环境的理解能力。 4. 实时性和效率:随着移动机器人和自动驾驶车辆的应用需求增加,动态SLAM需要更高的实时性和效率。因此,优化算法和数据结构的设计将更加注重实时性,以满足实时感知和建图的要求。 5. 跨平台和开放性:动态SLAM算法的开放性和跨平台性将成为发展趋势。开放源代码的SLAM库和框架能够促进研究和应用的快速发展,并且可以在不同硬件平台上进行移植和应用。 这些趋势将推动动态SLAM发展,使其能够更好地应对复杂和动态的环境,实现高精度的定位和地图构建。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值