论文笔记——基于多传感器融合的即时定位与地图构建方法研究

1、多传感器融合SLAM不完全分类：

视觉和IMU融合VIO：

基于滤波的VIO：采用EKF进行视觉信息和IMU数据进行数据融合、预测和更新。经典算法：MSCKF、ROVIO
基于优化的VIO：对视觉和IMU提取的关键帧进行优化，使用预积分构建耦合框架。经典算法：OKVIS、VINS-Mono

激光和视觉融合：

大多数的激光和视觉融合SLAM都采用松耦合方式，通过将激光雷达数据进行滤波处理生成栅格地图与相机经过图像配准、点云拼接生成的点云地图先进行部分地图融合，然后利用贝叶斯融合方法实现局部地图融合及更新，完成激光和视觉融合的SLAM自主导航定位。

一些研究者的思路：
（1）Mengxiao Chen提出：将2D激光雷达的点云数据送入视觉SLAM的连续关键帧中融合，进行闭环检测。
（2）Shao-Hung Chan提出：轨迹匹配融合代替传统的特征匹配融合，缩小定位误差。
（3）Yinglei Xu提出：在视觉前端进行特征与地图的PNP匹配，在Lidar前端使用相关匹配方法进行扫描匹配，后端统一采用图优化方法将视觉和激光雷达的位姿进行融合，实现地图构建和自主导航。
（4）周阳提出：激光和视觉融合的松耦合方法和紧耦合方法。松耦合方法主要是使用激光雷达SLAM输出位姿对视觉SLAM关键帧进行时间戳匹配线性插值；紧耦合方法通过误差状态卡尔曼滤波实现IMU和里程计位姿融合并将其作为激光扫描匹配和视觉里程计关键帧的初始状态，然后将激光和视觉闭环检测结果一起进行位姿图优化实现激光和视觉融合SLAM。

2、多传感器数据融合：

根据融合的层次可分为数据层融合、特征层融合和决策层融合；

数据层融合算法：分量替换、多分辨率分析、基于模型的算法；
决策层融合算法：MAP方法、MI方法、BC方法、D-S论证理论；

根据耦合的复杂程度可分为松耦合、紧耦合和超紧耦合；

松耦合是基于导航解的融合；
紧耦合基于观测量的融合；
超紧耦合是信号层次或硬件层次的融合；

根据融合的方法可分为加权平均法、卡尔曼滤波、贝叶斯估计、D-S证据理论、模糊逻辑、神经网络等。

加权平均法：简单直观、计算量少，适用实时处理，没考虑环境干扰。
卡尔曼滤波：一种线性最小方差滤波法，常用的卡尔曼滤波算法：协方差卡尔曼滤波、EKF。在线性情况下，卡尔曼滤波是系统状态的最优估计，但实际上SLAM状态往往是非线性的。
贝叶斯估计：贝叶斯估计常使用在静态环境中，先将多个传感器提供的信息表示为相应概率，然后使用贝叶斯条件概率公式对他们进行处理。
D-S证据理论：是贝叶斯估计的一般化，它能融合不同层次上的信息，还能较好地解决报告冲突，容错能力强。
模糊逻辑：不需要建立数学模型，在信息融合过程中存在的不确定性直接用0-1之间的实数表示，然后使用多值逻辑推理进行合并。
神经网络：实质是不确定性推理的过程，经过大量的训练、学习和推理，实现多传感器数据融合。