SLAM学习笔记（四） 建图与展望

前端检测用于估计相机位姿与特征点，后端检测用于优化上述估计，回环检测使建图闭合程度更好。但上述过程得到的都是较为稀疏的地图，建图这一部分讲述了如何建立一个稠密地图。

建图

地图的功能包括定位、导航、避障、重建以及交互，稀疏地图只建模特征点，而稠密地图建模所有看到过的部分。

单目稠密重建

核心点在于估计深度，在室外、大场景中适用。主要运用的是极限搜索和块匹配技术，即确定点所在的一条直线，通过像素块的相似程度来匹配。为估计深度，这里假设深度服从高斯分布，不断计算深度及其不确定性，收敛时停止计算。

存在以下问题及改进：

• 要求像素具有梯度且尽量与极线夹角大（最好垂直）
• 像素深度的倒数假设为高斯分布更有效
• 上述深度估计要求相机平移，但可以通过相机的位姿关系对像素进行变换
• 多线程计算每个像素的深度可以提高计算速度
• 可以假设相邻像素深度变化不大，以便获得更为平滑的深度图
• 均匀-高斯混合分布下的滤波器可以区分外点和内点

RGB-D稠密建图

此时已通过相机获得了深度信息，将点云进行拼接可获得地图，关键在于对地图的进一步处理。统计滤波器可以去除孤立点，提速滤波器可以进行降采样（保证每个立方体只有一个点）。

泊松重建可获得物体表面信息，Surfel重建同理。八叉树地图可节省地图储存空间。实时三维重建领域常用到TSDF地图。

SLAM的发展与展望

方案名称	传感器形式	地址
MonoSLAM	单目	https://github.com/hanmekim/SceneLib2
PTAM	单目	http://www.robots.ox.ac.uk/~gk/PTAM/
ORB-SLAM	单目为主	http://webdiis.unizar.es/~raulmur/orbslam/
LSD-SLAM	单目为主	http://vision.in.tum.de/research/vslam/lsdslam
SVO	单目	https://github.com/uzh-rpg/rpg_svo
DTAM	RGB-D	https://github.com/anuranbaka/OpenDTAM
DVO	RGB-D	https://github.com/tum-vision/dvo_slam
DSO	单目	https://github.com/JakobEngel/dso
RTAB-MAP	双目/RGB-D	https://github.com/introlab/rtabmap
RGBD-SLAM-V2	RGB-D	https://github.com/felixendres/rgbdslam_v2
Elastic Fusion	RGB-D	https://github.com/mp3guy/ElasticFusion
Hector SLAM	激光	http://wiki.ros.org/hector_slam
GMapping	激光	http://wiki.ros.org/gmapping
OKVIS	多目 +IMU	https://github.com/ethz-asl/okvis
ROVIO	单目 +IMU	https://github.com/ethz-asl/rovio

未来SLAM有两种可能的发展方向，一是更轻量级、小型化，二是利用高性能设备实现精密的三维重建和场景理解。

目前也可以采用视觉融合惯导进行SLAM，语义SLAM也是一个发展方向。