2019年SLAM综述

摘要
slam是同步定位和建图的缩写，它包含定位和建图两个主要任务。这是移动机器人学中一个重要的开放性问题：要精确地移动，移动机器人必须有一个精确的环境地图；然而，要建立一个精确的地图，移动机器人的感知位置必须精确地知道[1]。这样，同时建立地图和定位就可以看到一个问题：先是鸡还是蛋？（地图还是运动？）1990年，首次提出使用扩展卡尔曼滤波（ekf）来逐步估计机器人姿态上的后验分布和标志点的位置。事实上，机器人从未知环境的未知位置出发，在运动过程中通过反复观察环境特征来定位自身的位置和姿态，然后根据自身位置建立周围环境的增量地图，从而达到同步定位和地图建设的目的。定位是近年来一个非常复杂和热门的话题。定位技术依赖于环境和对成本、精度、频率和鲁棒性的要求，可以通过GPS（全球定位系统）、imu（惯性测量单元）和无线信号等来实现。但是gps只能在户外工作，imu系统有累积误差[5]。无线技术作为一种主动系统，无法在成本和精度之间取得平衡。近年来，随着激光雷达、摄像机、惯性测量单元等传感器的快速发展，slam技术应运而生。

从基于滤波器的slam开始，基于图的slam现在占据了主导地位。算法从kf（kalman filter）、ekf和pf（particle filter）发展到基于图的优化。单线程已被多线程所取代。随着多传感器的融合，slam技术也从最初的军用原型向后来的机器人应用转变。

本文的组织结构概括如下：第二节阐述了包括激光雷达传感器在内的激光雷达slam系统、开源激光雷达slam系统、激光雷达的深入学习、面临的挑战和未来。

第三章重点介绍了视觉slam，包括摄像机传感器、不同密度的开源视觉slam系统、视觉惯性里程测量slam、视觉slam的深度学习和未来。在第四节中，将演示激光雷达和视觉的融合。最后，本文指出了slam未来研究的几个方向，为slam的新研究者提供了高质量、全方位的用户指南。

II 激光SLAM
A 激光雷达传感器
Velodyne
SLAMTEC
Ouster
Quanergy
Ibeo
其他sick, Hokuyo, HESAI, RoboSense, LeddarTech, ISureStar, benewake, Livox, Innovusion, Innoviz, Trimble, Leishen Intelligent System
B 激光雷达SLAM系统
1）2D SLAM

Gmapping
HectorSlam
KartoSLAM
LagoSLAM
CoreSLAm
Cartographer
2）3D SLAM
LOAM
Lego-Loam
Cartographer
IMLS-SLAM
3)激光SLAM的深度学习
特征提取：PointNetVLAD， VoxelNet，BirdNet ， LMNet，OPIXOR，Yolo3D，PointCNN，MV3D
识别和分割：PointNet，Point-Net++，VoteNet，SegMap，SqueezeSeg，PointSIFT，PointWise，3P-RNN，SPG，SegMatch，Kd-Network，DeepTemporalSeg，PointRCNN
定位：L3-Net，SuMa++
C 未来与挑战
1）费用和适应性
2）低纹理和动态环境
3）其他传感器的干扰
III 视觉SLAM
A 视觉传感器
类型

单目
双目
RGB-D
事件相机
公司

微软
英特尔
ZED
MYNTAI
Occipital Structure
Samsung
其他：Leap Motion, Orbbec Astra, Pico Zense, DUO, Xtion,Camboard, IMI, Humanplus, PERCIPIO.XYZ, PrimeSense
B 视觉SLAM系统
1）稀疏视觉SLAM

MonoSLAM
PTAM
ORB-SLAM
proSLAM
ENFT-sfm
OpenVSLAm
TagSLAM
UcoSLAM
2) 半稠密SLAM
LSD-SLAM
SVO
DSO
EVO
3）稠密SLAM
DRAM
MLM SLAM
Kinect Fusion
DVO
RGBG-SLAM-V2
Kintinuous
RTAB-MAP
Dynamic Fusion
Elastic Fusion
InfiniTAM
Bundle Fusion
其他：SLAMRecon, RKD-SLAM ，RGB-D SLAM ，Maplab , PointNVSNet , MID-Fusion，MaskFusion
4）视觉惯性里程计SLAM
SSF
MSCKF
ROVIO
OKVIS
VINS
ICE-BA
Maplab
VI-ORB
StructVIO
RKSLAM
5）基于深度学习的视觉SLAM
特征提取：
SuperPoint
GCN-SLAM
SalientDSO
CubeSLAM
MonoGRNet
识别与分割：
SLAM++
Semanticfusion
MarrNet
3DMV
Pix3D
ScanComplete
Fusion++
Mask-RCNN
SegMap
3D-SIS
DA-RNN
DenseFusion
CCNet
尺度恢复：
DeepVO
GS3D
UnDeepVO
GeoNet
CodeSLAM
GEN-SLAM
Deep-MVS
位姿输出与优化
PoseNet
VINet
DeepVO
SFM-Net
VSO
MID-Fusion
VidLoc
长期定位：
X-View
基于事件相机的长期定位
动态SLAM：
RDSLAM
DS-SLAM
MaskFusion
Co-Fusion
Detect-SALAM
DynaSLAM
StaticFusion
RGB-D SLAM
C 挑战与未来
1）鲁棒性与便携性
2）多传感器融合
3）语义SLAM

IV 激光视觉SLAM系统
A 多传感器标定
相机与IMU：

Kalibr
Vins-Fusion
MSCKF-VIO
IMU-TK
相机与深度：
BAD SLAM
雷达与IMU：
LIO-mapping
Lidar-Align
相机与雷达
Lidar-Camera
RegNet
LIMO
CalibNet
Autoware
B 激光与视觉融合
1）硬件层：

Pandora公司
2）数据层
DFuseNet
3）任务层
V-Loam
VI-SLAM
VIL-SLAM
PointFusion
RoarNet
AVOD
MV3D
FuseNet
C 挑战与未来
1）数据关联
2）硬件集成
3）高精度地图
4）鲁棒性与可扩展
5）抵御风险和约束的能力
6）在UAV，VR/AR/MR
7）端到端的深度学习SLAM会是未来吗？
————————————————
版权声明：本文为CSDN博主「南山二毛」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_16481211/article/details/102735616