视觉SLAM - 01

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:
  1. 后端优化
  2. 回环检测

2. 后端优化（Optimization）

• 传统SLAM研究
  1. 粒子滤波
  2. 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
  1. 添加环境传感器：二维码
  2. 判断图像相似性

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

SLAM两个基本方程