第14讲 SLAM：现在与未来

喵喵不爱吃鱼

已于 2024-09-30 23:36:09 修改

阅读量830

点赞数 25

分类专栏：视觉SLAM十四讲文章标签：计算机视觉

于 2024-09-26 21:33:02 首次发布

本文链接：https://blog.csdn.net/weixin_42391513/article/details/142577278

版权

视觉SLAM十四讲专栏收录该内容

13 篇文章 0 订阅

订阅专栏

了解经典SLAM实现方案，通过实验，比较各种SLAM方案的异同，探讨SLAM的未来发展方向。

1、当前的开源方案

方案	概述	优点	缺点
MonoSLAM	2007年，A.J.Davison提出，第一个实时单目视觉SLAM系统。以EKF为后端，追踪前端非常稀疏的特征点。以相机当前状态和所有路标点为状态量，更新其均值和协方差。	里程碑，第一个实时单目视觉SLAM。	应用场景窄，路标数量有限，稀疏特征点非常容易丢失。开发已停止。
PTAM（Parallel Tracking and Mapping）	2007年，Klein等提出。	1、提出并实现了跟踪与建图过程的并行化。 2、第一个使用非线性优化，而不是传统的滤波器作为后端的方案。引入的关键帧机制。 3、同时是一个增强现实软件，可以在虚拟平面上叠加虚拟物体。	场景小，跟踪容易丢失。
ORB-SLAM	2015年，是现代SLAM系统中做的非常完善、非常易用的系统之一。代表主流的特征点SLAM的一个高峰。	1、支持单目、双目、RGB-D模式 2、整个系统围绕ORB特征计算，包括视觉里程计与回环检测的ORB字典。 3、回环检测，运行前必须加载一个很大的ORB字典文件。 4、三线程完成SLAM：实时跟踪特征点的Tracking线程，局部BA的优化线程（小图），全局位姿图的回环检测与优化线程（大图）。 5、围绕特征点进行很多优化。提取特征保证特征点均匀分布、优化位姿时循环优化4遍、宽松的关键帧选取策略。 6、代码清晰易读，注释完善。	1、必须对每幅图像计算一遍ORB特征，非常耗时。 2、三线程结构给CPU带来较重的负担，移植到嵌入式设备较困难。 3、ORB-SLAM的建图为稀疏特征点，只能满足定位功能，无法提供导航、避障、交互功能。仅用其处理定位问题，显得过于重量级。
LSD-SLAM（Large Scale Direct momocular SLAM）	2014年，J.Engel提出。标志着单目直接法在SLAM中的成功应用。核心贡献是将直接法应用到了半稠密的单目SLAM中，不仅不需要计算特征点，还能构建半稠密的地图（半稠密指估计梯度明显的像素位置）。	1、LSD-SLAM的直接法是针对像素进行的。提出了像素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。 2、在CPU上实现了半稠密的重建。 3、LSD-SLAM的半稠密追踪使用了一些精妙的手段保证追踪的实时性和稳定性。在极线上等距取5个点，度量其SSD；深度均值归一化；考虑极线与深度的夹角；关键帧约束使用了相似变换群及与之对应的李代数显式表达尺度。	直接法跟踪，既有优点（对特征缺失区域不敏感），又继承了其缺点。对相机内参和曝光敏感；在相机快速移动时容易丢失；回环检测仍依赖特征点计算。
SVO（Semi-direct Visual Odometry）	2014年，Forster等人提出一种基于稀疏直接法的视觉里程计。半直接法指特征点与直接法的混合使用：SVO跟踪了一些关键点（无描述子），然后像直接法那样，根据关键点周围信息估计相机运动和位置。	1、速度极快（不必计算描述子，不必处理稠密和半稠密信息），适用于计算平台受限的场合，例如无人机、手持AR/VR设备的定位。该系统目标场景也是无人机。 2、提出深度滤波器概念。并推导了基于均匀-高斯混合分布的深度滤波器。用于关键点的位置估计，并使用逆深度。	1、目标应用平台为无人机的俯视相机，其视野内的物体主要是平面，且相机主要运动为上下和水平移动，SVO很多细节围绕该应用设计，因此在平视相机表现不佳。 2、舍弃了后端优化和回环检测，且基本没有建图功能。因此SVO位姿估计比如存在累计误差，丢失后不容易重定位。因此称它为视觉里程计，而不是完整SLAM。
RTAB-MAP（Real Time Appearance-Based Mapping）	RGB-D SLAM中比较经典的一个方案，实现了所有应该有的东西：基于特征的视觉里程计、基于词袋的回环检测、后端的位姿优化、以及点云和三角网格地图。	支持一些场景的RGB-D和双目传感器，像Kinect、Xtion等，且提供实时定位和建图。	集成度较高，使得二次开发困难，更适合作为SLAM应用而非研究。

2、未来的SLAM

发展趋势：一是轻量化、小型化发展；二是利用高性能计算设备，实现精密的三维重建、场景理解等功能。

2.1 视觉+惯性导航SLAM

IMU能够测量传感器本体的角速度和加速度，被认为与相机传感器具有明显的互补性，而且极有可能在融合之后得到更完善的SLAM系统
- IMU虽然可测角速度和加速度，但都存在明显漂移，使得积分两次得到的位姿数据非常不可靠。但是对于短时间的快速运动，IMU能够提供一些较好的估计，这正是相机的弱点。相机运动过快时，两帧之间重叠太少可能无法特征匹配。有了IMU，在相机无效时间，也能保持一个较好的位姿估计，这是纯视觉SLAM无法做到的。
- 相比IMU，相机不会有漂移，慢速运动后的位姿估计依然有效。
- 纯视觉SLAM难以处理动态的障碍物（当图像变化，无法知道是相机自身运动，还是外界发生变化）。而IMU可以感受到自己的运动信息，减轻动态物体的影响。
IMU为快速运动提供了较好的解决方式，而相机能在慢速运动下解决IMU漂移问题，因此二者是互补的。
VIO（Visual Inertial Odometry），有两大类：松耦合和紧耦合。
- 松耦合（Loosely Coupled）是指IMU和相机分别进行自身的运动估计，然后对其位姿估计结果进行融合。
- 紧耦合（Tightly Coupled）是指把IMU和相机的状态合并到一起，共同构建运动方程和观测方程，然后进行状态估计。
VIO为将来SLAM的小型化和低成本提供了一个非常有效的方向。

2.2 语义SLAM

SLAM另外一个大方向：与深度学习技术结合。语义SLAM：
- 将物体识别与视觉SLAM结合起来，构建带物体标签的地图。
- 把标签引入BA或优化端的目标函数和约束中，可以结合特征点的位置和标签信息进行优化。
SLAM和语义的结合：
- 语义帮助SLAM：运动的图像带上物体标签，就能得到一个带标签的地图。另外物体信息可为回环检测、BA优化带来更多条件。
- SLAM帮助语义：SLAM可以估计相机运动，自动计算物体在图像中的位置，自动生成带高质量标注的不同视角下的样本，加速训练。
目前已经有学者将神经网络引入SLAM的物体识别和分割中，甚至SLAM本身的位姿估计和回环检测中。