视觉 SLAM 的主流方案有哪些

视觉 SLAM 的主流方案主要有以下几种，其区别如下：

1. 基于特征点法的方案1：
   • ORB-SLAM1：
     • 原理：对新来的图像提取 ORB 特征点，并与最近的关键帧进行比较，计算特征点的位置并粗略估计相机位姿。它有三个线程，包括跟踪线程、局部建图线程以及回环检测和全局优化线程。
     • 优点：支持单目、双目、RGBD 等多种传感器模式，具有良好的泛用性；ORB 特征计算速度较快，且具有良好的旋转和缩放不变性，能在大范围运动时进行回环检测和重定位；关键帧的选取策略能保证后续帧的鲁棒跟踪和建图的效率精度；代码可读性强，易扩展。
     • 缺点：计算 ORB 特征耗时，三线程结构导致 CPU 消耗大，难以移植到嵌入式设备；构建的是稀疏特征点地图；对动态物体敏感，有动态物体时容易跟踪失败；纯旋转场景下也容易丢失跟踪。
   • PTAM：
     • 原理：前端线程通过匀速运动模型预测当前帧方位，搜索 FAST 角点，并根据匹配关系优化帧方位，若跟踪失败开始重定位，跟踪成功则判断是否满足关键帧条件。后端线程沿极线匹配不同关键帧之间的图像特征点，通过三角化恢复三维位置，并对所有关键帧和三维点运行 BA（Bundle Adjustment，光束法平差）优化1。
     • 优点：提出并实现了跟踪和建图过程的并行化，首次区分出前后端的概念；是第一个使用非线性优化的方案，引入了关键帧机制，对后续视觉 SLAM 系统的发展影响深远；可作为增强现实软件，根据估计的相机位姿在虚拟平面上放置虚拟物体1。
     • 缺点：应用场景较小，跟踪容易丢失1。
2. 基于直接法的方案：
   • LSD-SLAM：
     • 原理：将直接法应用到了半稠密的单目 SLAM 中。该方法提出了地图梯度与直接法的关系，以及像素梯度与极线方向在稠密重建中的角度关系1。
     • 优点：在 CPU 上实现了实时半稠密场景的重建；具有回环检测功能；通过一些技巧保证了追踪的实时性与稳定性1。
     • 缺点：对相机内参和曝光非常敏感；在相机快速运动时容易丢失；依赖于特征点的方法进行回环检测1。
   • DSO：
     • 原理：后端使用一个由若干个关键帧组成的滑动窗口，除了维护这个窗口中的关键帧与地图点外，还会维护与优化相关的结构，如 Hessian 矩阵和 b 向量等1。
     • 优点：可以得到较为精确的相机位姿和场景结构信息，对光照变化有一定的鲁棒性。
     • 缺点：计算复杂度较高，对硬件性能要求较高；初始化过程相对复杂，需要较好的初始估计。
3. 基于稀疏直接法的视觉里程计方案：
   • SVO1：
     • 原理：跟踪一些关键点（角点），然后像直接法那样根据关键点周围的信息（4*4 小块进行块匹配）估计相机运动及其位置。
     • 优点：速度极快，适用于计算平台受限的场合；提出了深度滤波器的概念，用于关键点的位置估计，并使用了逆深度作为参数化形式。
     • 缺点：误差大，不准确；目标应用平台为无人机，在平视相机中表现不佳；舍弃了后端优化和回环检测功能，没有建图功能。
4. 基于深度学习的方案：
   • 基于光流的方法：利用光流信息来估计相机的运动。光流描述了图像中像素的运动情况，可以通过计算相邻帧之间的像素位移来获取相机的运动信息。这种方法在动态场景中具有一定的优势，但对光照变化和图像噪声比较敏感。
   • 基于深度学习的端到端方法：使用深度神经网络直接从图像中预测相机的位姿和场景结构。这种方法不需要手动设计特征提取器和匹配算法，能够自动学习图像中的特征和运动信息，但需要大量的训练数据和较高的计算资源。

       基于特征点法的方案在特征匹配和回环检测方面较为成熟，但计算量较大；基于直接法的方案可以避免特征提取和匹配的过程，提高计算效率，但对光照和场景变化较为敏感；基于深度学习的方案具有较高的准确性和鲁棒性，但需要大量的训练数据和计算资源。在实际应用中，需要根据具体的场景和需求选择合适的视觉 SLAM 方案。