SLAM刚刚开始的未来

作者：张哲，纽约州立大学机器人方向博士，清华大学自动化系本科。研发方向:地图重建、位置跟踪、机器人自主避障导航、设备端和云端的算法优化。2009-2014年在微软，2014-2016年初在Magic Leap工作。
责编：周建丁（zhoujd@csdn.net）
本文为《程序员》原创文章，未经允许不得转载，更多精彩文章请订阅2016年《程序员》

SLAM技术随着最近几年机器人、VR、AR的火爆而为人所知，在传感器、算法、软件、硬件等方向都有不同的进展。本文简要解释了SLAM的定义和分类，具体分析了当前VR、AR、机器人等各种应用需要什么类别的SLAM，探讨了在实际应用中实现SLAM的一些工程细节，并展望了SLAM刚刚开始的未来。

什么是SLAM

SLAM是什么？根据Wikipedia的介绍：“Simultaneous Localization and Mapping (SLAM) is the computational problem of constructing or updating a map of an unknown environment while simultaneously keeping track of an agent’s location within it.”最简单而又直指本质的理解，SLAM指的是当某种设备（如机器人、VR设备等）来到一个完全陌生的环境时，它需要精准地建立时间和空间的对应关系，并能完美地回答以下一系列问题：我刚才在哪里，现在在哪里？我看到了什么，现在看到的和之前看到的有哪些异同？我过去的行走轨迹是什么？我现在看到的世界是什么样子，和过去相比有怎样的变化？我的轨迹抖吗，我的位置飘吗？我还能跟踪到自己的轨迹吗，如果我丢了应该怎么办？我过去建立的对世界的认识还有用吗？我能在已有世界的抽象里快速对我现在的位置进行定位吗？

SLAM的主要分类

robotic SLAM

从最早期军事用途的雏形到后来的机器人应用，业界对SLAM有了进一步的研究。robotic SLAM主要包括卡尔曼滤波和粒子滤波。卡尔曼滤波在很多工程领域中都有应用，最早期用于机器人的卡尔曼滤波，默认系统是线性的且带高斯分布的噪音，经典的卡尔曼滤波可以直接给出最优解，但现实比这复杂太多，所以有了卡尔曼滤波的很多变种。而如果不是线性系统或噪音不是高斯分布，那么粒子滤波算法生成很多粒子，并且每个粒子是模型状态的一种可能，再根据观察和更新得到粒子群的状态趋于一致的收敛结果。当然粒子滤波也有实际的问题，比如经典的粒子衰减问题（particle depletion），和工程上如何控制准确性和收敛速度很好平衡的问题。

PTAM

PTAM（Parallel Tracking and Mapping）架构更多的是系统上的设计，姿态跟踪（Tracking）和建立地图（Mapping）两个线程是并行的，这实质上是一种针对SLAM的多线程设计。PTAM在当前SLAM领域看来是小儿科，但在当时是一个创举，第一次让大家觉得对地图的优化可以整合到实时计算中，并且整个系统可以跑起来。具体而言，姿态跟踪