slam问题总结与解决方案

基于特征的SLAM中防止错误匹配对后端估计造成影响的处理手段

在基于特征的SLAM中，特征匹配是一个非常关键的问题，为了防止错误匹配对后端的估计造成影响，出现了很多鲁棒估计算法，在视觉SLAM中，目前比较流行两种方式: 一种是在SLAM后端优化中添加核函数防止错误匹配权重过大；另一种就是RANSAC随机采样一致性算法。(细节在知乎收藏)

硬件方案优缺点

常用硬件传感器及其优缺点

slam常用的相机有:
Stereo lab的ZED；双目相机，自身提供不错的功能比如深度估计和ZED Fusion；
DUO3d；红外双目相机，集成IMU；
国内的perceptIn、小觅、远形、INDEMIND，等等。
激光雷达有:
rs、velodyne等

视觉SLAM算法对相机的需求

1、图像频率: 图像频率越高越好。频率高，两个图像之间的差异就越小，算法允许的运动速度就越快。无人车上用的相机常见为15Hz，20Hz，普通的约30Hz，60Hz，更快的也有120Hz左右的。
2、图像分辨率。常见的有640x480，752x480，1920x1080的。高分辨率图像会影响算法性能，并且分辨率和频率成反比。在SLAM应用里，我们更偏向频率。
3、卷帘快门/全局快门。全局快门相