SLAM综述(2)-视觉SLAM

SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。
本系列文章主要分成四个部分：
在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。
第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。
第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以及未来。
第四部分中，将介绍激光雷达与视觉的融合。

摘要
随着CPU和GPU的发展，图形处理能力变得越来越强大。相机传感器同时变得更便宜，更轻巧，功能更广泛。在过去的十年中，视觉SLAM迅速发展。与Lidar系统相比，使用相机的Visual SLAM还使该系统更便宜，更小。如今SLAM可视化系统可以在微型PC和嵌入式设备中运行，甚至可以在智能手机[1],[2]等移动设备中运行。

视觉SLAM通常包含了传感器数据的处理，包括了摄像机或惯性测量单元，前端的视觉里程计或视觉惯导融合的里程计，后端的优化，后端的闭环以及构建地图[3]。并且重定位是稳定和准确的视觉SLAM的另外一个十分重要的模块[4]。在视觉里程计的过程中，除了基于特征或模板匹配的方法或确定相机运动的相关方法之外，还有另一种方法依赖于Fourier-Mellin变换[5]。[6]和[7]给出了使用地面摄像头时没有明显视觉特征的环境中的实例

视觉传感器

基于视觉SLAM的最常用的传感器