参考书籍: 视觉SLAM十四讲
视觉SLAM中的相机
1. 单目相机
- 优势:结构简单,成本低廉
- 缺点:平移才能计算深度,无法确定真实尺度
2.双目相机
- 优势:可测量深度,并且可以消除尺度不确定性
- 缺点:计算量大,配置及标定较复杂
3.深度相机
- 优势:可测量深度,消除了尺度不确定性,并且节省计算资源
- 缺点:测量范围窄,噪声大,视野小,易受日光干扰,无法测量透射材质等问题
- 主要应用于室内,室外较难应用
经典视觉SLAM框架
1. 视觉里程计(Visual Odometry)
- 核心:相邻图像之间的相机运动
- 困难: 累计漂移
- 解决方案:
- 后端优化
- 回环检测
2. 后端优化(Optimization)
- 传统SLAM研究
- 粒子滤波
- EKF
- 滤波与非线性优化算法
3. 回环检测(Loop Closing)
- 矫正漂移
- 通过让机器人意识到自己回到了原点(到过的地方)更新位置估计参数来消除漂移
-判断是否到过的场景
- 添加环境传感器:二维码
- 判断图像相似性
- 通过让机器人意识到自己回到了原点(到过的地方)更新位置估计参数来消除漂移
4. 建图(Mapping)
- 指构建地图的过程。
- 地图分类
1. 度量地图
- 强调精确表示地图中物体的位置关系,通常用稀疏(sparse)与稠密(Dense)对其分类。
- 具有代表意义的东西 称之为路标(Landmarks)
- 导航时需要稠密地图
- 稠密地图
- 二维地图往往按照某种分辨率,由某种网格(Grid)组成
- 三维地图往往按照某种分辨率,由某种小方块(Voxel)组成
- Grid/Voxel 具有 占据,空闲,未知三种状态
- 以此类地图导航可以应用诸如A*,D*等导航算法
2. 拓扑地图
- 强调地图元素之间的关系
- 是一个图(Graph)
- 由节点和边构成,只考虑节点之间的连通性