高翔slam十四讲第二版 小白学习笔记一：slam框架

slam初认识

 

slam简介

   slam 全称 Simultaneous Localization and Mapping, 中文译成 “同时定位与建图”。它是在没有已知环境信息的情况下，根据传感器数据估计运动并建立环境模型的技术。

主要分为：以相机为主要传感器的slam，称为 “视觉slam”

                  以激光雷达为主要传感器的slam， 称为 “激光slam”
 

                                                      视觉slam

 

                                                      激光slam

 
 
 

slam的组成

   要使机器人拥有自主运动能力，首先就是对周围环境进行感知，否则对路径的规划和机器人的控制就没法实现，就相当于婴儿走路，先明白了墙在什么位置，才会不撞到墙。这便是slam存在的意义。

   一个机器人宛如一个婴儿，它首先要明白两个问题：我在哪（定位）和 周围环境是怎样的（建图）。

    定位： 通过传感器获得机器人本体信息，并进一步估计当前位姿。

               传感器分类：1.携带于机器人本体上（imu，激光雷达，相机）
                                     2.安装在环境中（二维码定位，导轨）

《视觉slam十四讲》一书主要介绍视觉slam，因此详细介绍相机模型，若想研究激光slam可以观看《概率机器人》一书
 

 相机分类：
 
       单目相机（Monocular Slam）: 利用在运动时，观察到近处物体移动快，远处物体移动慢，从而知道物体的远近，但丢失尺度，只知道远近，无法知道实际距离，因为图像放大缩小倍数景象一样。

       双目相机：类比人眼，以左右眼之间的距离为基线（baseline）长度，通过左右眼不同角度图像求得深度。缺点：深度量程和精度受基线和分辨率影响，基线距离越大，深度量程越大。

       深度相机（又称RGB-D相机）：可通过结构光或Tof原理测得深度，可以获得彩色图和对应的深度图。
 

经典slam框架

下图为经典slam框架的结构图：

1.传感器信息读取。在视觉slam中主要是相机图像信息的读取和预处理。

2.前端视觉里程计（又称VO）。从相邻帧图片估计相机运动，以及局部地图的样子。

3.后端优化（Optimization）。后端接收前端估计的相机位姿，并接收来自回环检测的信息，对它们进行优化，矫正地图。

4.回环检测（Loop Closure Detection）。检测是否到过此位置，并将信息发送给后端。

5.建图（Mapping）。根据估计轨迹和需要，建立地图。

地图大体分类：

    度量地图。强调精确的表示物体位置关系，位置状态分为占据，空闲，未知。举个例子：拼积木（积木均为相同正方体），以单个积木为量度，确定某个区域是否有这一个积木。缺点：需要大量储存空间。

    拓扑地图。强调地图元素间的关系。例如：只关注A,B两点是否连通，不细化A到B的路径。

总结：简述slam过程，就是先从传感器获得数据并计算出机器人位姿和局部地图信息，但是在这个过程中会出现误差累积（漂移），通过后端和回环检测消除误差，最终建立较为准确的地图。

---

作者为小白，若有错误请指出，敬请原谅。