SLAM札记

1、视觉SLAM的关键性问题

1）特征检测与匹配

2）关键帧的选择

3）闭环检测（Loop Closing）

4) 地图优化

2、视觉SLAM主要发展趋势及研究热点

1）多传感器融合

2）与深度学习结合

3、SLAM问题的求解方法

1、基于滤波器的方法

1）卡尔曼滤波：EKF、UKF，eg:EKF-SLAM

UKF对EKF的不确定性有所改善，但同时也增加了计算复杂度

2）粒子滤波：PF、RBPF, eg:Fast-SLAM

2、基于图优化的方法

Graph-SLAM

学术界一般认为基于图优化的方法比基于滤波的方法要好，但是基于优化的方法容易受异常值的影响，一个异常值足够影响整个优化效果。

4、典型SLAM系统中前端和后端

SLAM的后端估计就是最小化非线性最小二乘法问题

5、地图的表示方法

特征地图、栅格地图、拓扑地图

6、根据对地图信息利用的不同

SLAM可以分为：直接法和特征法，其中直接法又可以分为：半稠密法、稠密法

7、视觉SLAM按使用视觉传感器的不同，可以分为：单目SLAM(DTAM、PTAM、LSD-SLAM、ORB-SLAM)、RGB-D-SLAM、双目SLAM

RGB-D SLAM:使用RGB-D相机对室内环境进行三维重建的方法，在彩色图像中提取SIFT特征并在深度图像上查找相应的深度信息。然后使用RANSAC方法对3D特征点进行匹配并计算出相应的缸体运动变换，再以此作为ICP的初始值来求出更精确的位姿。RGB-D SLAM通常使用ICP算法来进行位姿估计。

ORB特征最大的优点是计算速度快，是SIFT特征的100倍，SURF特征的10倍，其原因是FAST特征检测速度就很快，再加上BRIEF描述符是二进制串，大大缩减了匹配速度，而且具有旋转不变性，但不具备尺度不变性。