SLAM技术分享

同时定位与地图重建（Simultaneous Localization and Mapping, SLAM）,是机器人领域中的一项基础的底层技术，其希望机器人能在一个陌生的环境下实现自身的实时定位，同时能够重建出有关于环境的地图。随着近年无人驾驶、增强现实、虚拟现实等应用的兴起，作为实现这些应用的SLAM技术也越发引人注目。SLAM技术主要完成两项任务：自身定位与环境建图，也是让机器知道自己在哪里，已经周围的环境是啥。然而，如果想要精确的实现定位任务就不可避免的需要高精度的地图，而高精度的地图重建是需要以更为精确的自身定位作为基础的。
近年以来，除了传统的激光SLAM解决方案，基于视觉，基于惯性传感器等等的解决方案也在不断变多，整个SLAM领域整体呈现百花齐放的态势。
一. 目前在SLAM领域中的关键问题：
1、数据关联：SLAM技术在未来的发展过程中必然会有一个方向是将SLAM系统中集成多传感器，进行多传感器的融合任务。但是显而易见的是不同的传感器之间具有不同的特征，目前的很多SLAM研究人员都转向了研究多传感器SLAM中的传感器校准（例如自校准或者快速标定等内容），状态估计和后端BA优化。
2、 多机SLAM联合建图：目前在小范围内已有的若干SLAM系统大多都能获得比较好的效果，但是面对大规模，长时间的SLAM问题，如果只采用单机SLAM系统则获得良好的效果，此时通过分散的多机SLAM系统来解决大场景，长时间的SLAM任务将会是一个比较合适的选择，属于比较前沿的SLAM研究方向。
3、 高清晰度、信息量丰富的地图：SLAM技术作为机器人领域的一项底层基础技术，需要根据上层应用程序需要提供一张具有丰富信息的地图，其中比较具有代表性的地图形式就是拓扑地图，语义地图，以及点云地图等等；同时当SLAM系统的面对大场景，长时间的情况时，采用何种方式来存储更新地图也将是一个迫切需要解决的问题。
3、目前SLAM技术仍然面对着更强适应性、鲁棒性、可扩展性的要求。
4、适合的SLAM应用：目前SLAM技术具有广泛的应用场景，但是许多SLAM系统依然处在实验室研究阶段，缺乏合适的工程工具进行封装，需要我们继续完善SLAM的应用生态。
二. SLAM领域中的经典数据集：
1.KITTI数据集（单目视觉 ,双目视觉, velodyne, POS 轨迹）

KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。KITTI包含市区、乡村和高速公路等场景采集的真实图像数据，每张图像中最多达15辆车和30个行人ÿ