slam Q&A 汇总帖

slam面试问题前期总结（一）

https://blog.csdn.net/liu502617169/article/details/96831664

 

 

1. 单目SLAM难点

单目的优点是成本低，最大的局限性是测不到空间物体的距离，只有一个图像。所以早期视觉SLAM也被称为“只有角度的SLAM”（Bearing Only）。距离在定位中至关重要，双目和RGBD相机的使用就是为了能够计算（或测量）这个距离。

距离未知导致单目SLAM存在以下问题：

• 需要初始化
• 尺度不确定
• 尺度漂移
•  

高博关于单目的介绍及推导

https://blog.csdn.net/qq_24509229/article/details/82858779

 

作者：EpsAvlc
链接：https://www.zhihu.com/question/301977205/answer/1287772351
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
 

尺度不确定性其实其他答主有解释了，我试着表达下我对尺度漂移的理解。

我自己断断续续正在写一个naive 的 structure from motion的框架（传送门）。这个和单目VO其实有很像的地方，主要分为三步。

1. 任选两张图（设为第0帧和第1帧），先提取关键点并匹配，再根据对极几何求本质矩阵E，再从E中恢复R,t。这个在单目VO里属于初始化的部分，其中得到的t是个单位向量，因为任意缩放t，极线约束都成立。你可以对t进行任意缩放。缩放完后，设第0帧的位置为相机坐标系原点，则第1帧的位置就可以由R, t得到。虽然这个t不是真值，但是可以固定下来。然后根据两帧的位置，可以对图像帧0和1中匹配的三维点进行三角化。
2. 对之后的图像帧，就不再是利用对极几何求R,t了。依旧是先提取关键点再匹配哈， 但是这次匹配的上一帧的特征中，有些是已经被三角化过的，因此可以像之前答主说的用运动模型加BA求该图像帧与上一帧的位置关系，也可以用PnP求R,t。求出来R,t之后，再三角化该帧与上一帧的没被三角化过的匹配点。
3. 最后加上回环检测。

尺度漂移就是出现在第二步。因为对于新的图像帧，都是先计算其R,t，再利用该R,t三角化与之前图像帧匹配的点。问题就是，如果第一步算的R,t有误差，那么第二步三角化的三维点的深度就存在误差，也就是说其深度会存在一个缩放。对于新来的每一帧，都会有这样的问题。

如果没有回环检测，那么这个缩放的误差会一直存在并被传递与叠加，导致后面三角化的点的尺度与第一幅图的点不一致。这就是我理解的尺度漂移。

再反问自己一下，为何双目，RGBD与激光雷达没有尺度漂移？

1.双目相机基线确定，即左右两幅图像的R,t确定，那么其三角化的三维点的误差也是固定的。

2. RGBD相机与激光雷达的测量值都是不依赖于相机自身位置的深度值，因此其不会有尺度上的变化。