第二讲 初识SLAM

1、SLAM 两大基本问题：定位、建图（定位和建图相互耦合：精确的定位需要精确的地图；精确的地图来自精确的定位）

2、SLAM传感器：

• 传感器有两类

  • 安装于环境中（二维码 Marker、GPS、导航、磁条）

  • 携带于机器人本体上（IMU、激光、相机）

• SLAM更倾向使用携带式传感器是因为环境中的传感器限制了应用环境：

  • 需要环境允许使用GPS、允许贴marker

  • 而SLAM强调未知环境

  • 更重视携带式传感器

• SLAM激光传感器和相机传感器的优缺点

  • 激光传感器优点：精确、快、研究成熟；

  • 激光传感器缺点：重、贵

  • 相机传感器优点：便宜、轻巧、信息丰富

  • 相机传感器缺点：消耗更多的计算资源（视频流的解析）、需要在特定条件下才能工作（无遮挡、有纹理）

3、相机

• 分类：

  • 单目 Monocular

  • 双目 Stereo

  • 深度 RGBD

  • 其他 鱼眼、全景 、Event Camera

• 本质：以二维投影形式记录了三维世界的信息，丢掉了深度信息。

• 各类相机区别：有没有深度信息

  • 单目：没有深度，必须通过移动相机产生深度（近处物体像运动快，远处物体运动慢），并且无法确定真实尺度

  • 双目：通过视差计算深度（通过左右眼的差异，可以判断场景中物体离相机距离）

  • RGBD：通过物理方法测量深度（主从测量功耗大，深度值较准确，量程小红外光室外容易受干扰，主要用于室内）

  • 共同点：利用图像和场景的几何关系，计算相机运动和场景结构；三维空间的运动和结构；图像来自连续的视角

4、视觉SLAM模型

• 视觉里程计（Visual Odometry）:

  • 相邻图像估计相机运动

  • 基本形式：通过两张图像计算运动和结构

  • 不可避免有漂移问题，局部估计累加，随着误差累积，存在不准的问题

  • 方法：特征点法 第七讲；直接法 第八讲

• 后端优化

  • 从带有噪声的数据中优化估计和地图 状态估计问题

  • 最大后验概率估计 MAP

  • 方法：迁移以EKF（ExtendedKalmanFilter）为代表，想在以图优化为代表 第十、十一讲

• 回环检测

  • 检测机器人是否回到早先位置，全局校正

  • 识别到达过的场景

  • 计算图像间的相似性

  • 方法：词袋模型 第十二讲

• 建图

  • 用于导航、规划、通讯、可视化、交互等

  • 度量地图（强调精确标识地图中物体的位置关系） vs 拓扑地图（强调地图元素之间的关系）

    • 度量地图分类：稀疏地图（由路标组成） vs 稠密地图（着重建模所有看到的东西）

  • 第十三讲

• SLAM问题的数学描述

  • 离散时间： t=1,2,...,k

  • 萝卜位置：x1,x2,...xk （看成随机变量，服从概率分布）

  • 萝卜是从上一时刻运动到下一时刻的，其运动方程：， 为输入，为噪声

  • 路标（三维空间点，萝卜每个时刻观测到的东西）：y1,y2,...yn东西

  • 传感器在位置xk处观测到了路标yj，观测方程：，v_{k,j}是噪声

  • 问题：位置是三维的，如何表述？（第三、四讲）；观测是相机中的像素点，如何表述（第五讲）；已知u,z，如何推断x,y（第六讲）