SLAM--激光&视觉--比较及联合标定

激光SLAM与视觉SLAM的区别

https://my.oschina.net/u/4042231/blog/2992945

 

视觉激光雷达信息融合与联合标定

https://blog.csdn.net/weixin_35695879/article/details/86666784?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-4.add_param_isCf&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-4.add_param_isCf

 

Camera-LIDAR 联合标定方法总结

https://blog.csdn.net/cdeveloperV/article/details/105015092?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf

 

总的来说ORB-SLAM还是在智能驾驶领域用的最广泛的SLAM算法，因为它在work的时候可以work的很好，急需解决的问题是对特征点提取的加速，以及处理的环境中的动态物体。

直接法

1. DSO https://github.com/JakobEngel/dso

优势：可以生成相当稠密的点云， 这个优点给DSO很大想象空间。 速度在可以work的时候很快, 大概在20-30frames/s。

劣势：对场景光照要求高，要求尽量保持曝光时间的稳定。对动态物体没有orb那样敏感。代码可扩展性比较差，目前开源的只有单目版本，这个版本没有做尺度恢复因此没法在实际中直接用。这里贴一个我开发的stereo dso: https://github.com/JiatianWu/stereo-dso， 可以恢复相对准确的pose。

DSO的缺点和优点都很明显，目前的局限应该是还没有一个开源可用的像双目orb那样稳定的版本，但是有很大的潜力去做一些orb无法做的事，比如建稠密的高精地图，甚至semantic的高精地图都有可能。

简单说一下LSD，自从DSO出来后LSD就没多少价值了，因为DSO在准确性，稳定性和速度上都比LSD好。LSD有个优势就是回环检测，这个对于DSO有些鸡肋，因为如果odometry都可以很精确为什么需要用额外的计算量去做回环检测呢。

半直接法

1. SVO https://github.com/uzh-rpg/rpg_svo

优点：非常快, 快到可以在laptop上达到300frames/s。

缺点：误差大，不准确。这也是为达到高速度牺牲性能的结果吧。

SVO适用的主要场景是无人机，因此代码中采用了一些无人机上的假设，比如假设相机的姿态是向下看的。SVO的最大问题就是不准确，这个可以通过融合imu改善，前提是你拥有一个准确的imu。。

Visual-inertial SLAM

1. 首推港科大的VINS https://github.com/HKUST-Aerial-Robotics/VINS-Mono。 没仔细研究过， 不过港科大的这个工作开源的很彻底，ros版本的和ios版本的都开源了， 大家可以看看产品级的slam应用是怎么实现的，代码也很清晰，主要侧重点在后端的优化，前端写的很简洁。

另外经典的VIO还是ETH的OKVIS： https://github.com/ethz-asl/okvis 。VINS和OKVIS性能差不多， OKVIS开发得更早一些， 后端优化的一些思想比如sliding window optimization也被DSO和VINS所借鉴。

参考：http://blog.csdn.net/akunainiannian/article/details/45363731

链接：https://www.zhihu.com/question/51045335/answer/340167377

MonoSLAM、Co-SLAM、Swarm SLAM、ORB_SLAM、RGB-D SLAM

视觉SLAM学习资料

一、入门篇

1. Andrew Davison的课程： http://www.doc.ic.ac.uk/~ajd/Robotics/index.html

   week7 SLAM，week8里面推荐了slam的两个入门 Tutorial 1 和Tutorial 2

2. 瑞士苏黎世理工的学生练习：http://www.csc.kth.se/~kootstra/index.php?item=313&menu=300

   把excise 3：SLAM（EKF）做完，SLAM原理基本理解

3. 高博的CNBLOG：http://www.cnblogs.com/gaoxiang12/

二、现有资源

1. OpenSLAM：https://openslam.org/

   这个网站中含有很多slam方面的资料，编写的程序也各有不同，很权威

2. Kitti图库，可以做simulation：http://www.cvlibs.net/datasets/kitti/

3. 苏黎世理工学习练习excise3看完后可以使用Javier Civera 的程序进行试手，注意对calibration的调整

   http://webdiis.unizar.es/~jcivera/code/1p-ransac-ekf-monoslam.html

4. 对于Javier Civera的1p RANSAC-monoSLAM有一定了解了，可以试试用SURF去实现

   南理工论文可以参考 http://cdmd.cnki.com.cn/Article/CDMD-10288-1012319519.htm

5. RGB-D SLAM Dataset and Benchmark：http://cvpr.in.tum.de/data/datasets/rgbd-dataset

   慕尼黑工业大学，还有其他的数据库，如单目视觉里程计数据库，详见http://vision.in.tum.de/data/datasets

6. Monocular SLAM：http://vision.ia.ac.cn/Students/gzp/monocularslam.html

   The research in monocular SLAM technology is mainly based on the EKF(Extended Kalman Filter) SLAM approaches.

7. MRPT：http://www.mrpt.org/ the mobile robot programming toolkit非常好的东西

8. PTAM：http://www.robots.ox.ac.uk/~gk/PTAM/

   libCVD：http://www.edwardrosten.com/index.html

   编译PTAM：http://www.fx114.net/qa-207-77156.aspx

   windows下编译PTAM：http://blog.csdn.net/cgf_909/article/details/24457771

9. ORB_SLAM：http://webdiis.unizar.es/~raulmur/orbslam/

10. LSD_SLAM：http://www.cnblogs.com/hitcm/category/763753.html

三、相关书籍

1. Multiple View Geometry in Computer Vision Second Edition ，http://www.robots.ox.ac.uk/~vgg/hzbook/

   计算机视觉方面大神级别的书，也有中文版

2. Robotics Vision and Control ，http://www.petercorke.com/RVC/

   澳大利亚昆士兰理工大学的Peter Corke是机器视觉领域的大牛人物，他所编写的Robotics, vision and control一书更是该领域的经典教材

   配套有matlab工具箱。工具箱分为两部分，一部分为机器人方面的，另一部分为视觉方面的工具箱

   源代码都是开放免费下载的： http://petercorke.com/Toolbox_software.html

3. Probabilistic Robotics，http://www.probabilistic-robotics.org/理解这本书要有很好的数学基础

四、研究学者

国内激光雷达Slam武汉大学做得好，李明教授是最早一批做3Dslam的；国防科大的应该也不错。

国外的话斯坦福的塞巴斯蒂安是绝对的大牛，他的徒弟也都很厉害；KIT的SLAM6D做的很好，现在网上有开源的3DTK，内部集成了slam6D；

德国弗莱堡大学做的也不错。

1. 英国帝国理工学院Andrew Davison：http://www.doc.ic.ac.uk/~ajd/，SLAM领域的权威

2. 麻省理工John Leonard：http://marinerobotics.mit.edu/ 侧重于应用。目前主要在做水下SLAM的项目。参加过DARPA的智能车挑战赛。

3. 悉尼大学Victoria Par： http://www-personal.acfr.usyd.edu.au/nebot/victoria_park.htm 经典数据库

4. 慕尼黑工业大学Jakob Engel：http://vision.in.tum.de/members/engelj

5. 斯坦福Sebastian Thrun：http://robots.stanford.edu/papers.html

五、其他资源（一）

1. Giorgio Grisetti; Cyrill Stachniss; Wolfram Burgard; (GridMapping 算法,及概率机器人一书作者)

2. M. Montemerlo; Dirk Haehnel; Sebastian Thrun; (FastSLAM创始者,理论水平和实际应用能力非常强)

   参加过DARPA的智能车挑战赛，取得最好成绩。

3. Austin Eliazar; Ronald Parr; (DP-SLAM创始者,从文章到数据,程序都公开的牛人)

4. 以 Jose Neira和Jose luis Blanco为代表的一批西班牙学者.

5. http://babel.isa.uma.es/mrpt/index.php/Main_Page 2008年开始陆续出现了一些好文章.

6. http://cres.usc.edu/radishrepository/view-all.php 包含了大量的用于验证SLAM算法的数据.

7. http://www.isa.uma.es/C13/jlblanco/default.aspx 西班牙的一个博士生.编程能力极强. 另外Jose Neira带领的团队也比较猛.

参考链接：https://blog.csdn.net/xuzhexing/article/details/90726323?utm_medium=distribute.pc_relevant.none-task-blog-title-8&spm=1001.2101.3001.4242