《视觉SLAM十四讲》公式笔记（ch02 初识SLAM）

目录

相机

单目相机

双目相机 (Stereo) 

深度相机（RGB-D）

经典视觉 SLAM 框架

视觉里程计

后端优化

回环检测

建图

度量地图（Metric Map）

拓扑地图（Topological Map）

SLAM 问题的数学表述

---

相机

        按照相机的工作方式，我们把相机分为单目（Monocular）、双目（Stereo）和深度相机（RGB-D）三个大类。

单目相机

        只使用一个摄像头进行 SLAM 的做法称为单目 SLAM（ Monocular SLAM）。 这种传感器结构特别的简单、成本特别的低，所以单目 SLAM 非常受研究者关注。照片，本质上是拍照时的场景（Scene），在相机的成像平面上留下的一个投影。它以二维的形式反映了三维的世界。显然，这个过程丢掉了场景的一个维度：也就是所谓的深度（或距离）。在单目相机中，我们无法通过单个图片来计算场景中物体离我们的距离（远近）。 我们必须移动相机之后，才能估计它的运动（Motion ），同时估计场景中物体的远近和大小，不妨称之为 结构 （ Structure ）。

双目相机 (Stereo) 

        双目相机由两个单目相机组成，但这两个相机之 间的距离（称为基线 （ Baseline））是已知的。我们通过这个基线来估计每个像素的空间位置。

深度相机（RGB-D）

        它最大的特点是可以通过红外结构光或 Time-of-Flight （ToF）原理，像激光传感器那样，通过主动向物体发射光并接收返回的光，测出物体离相机的距离。 这部分并不像双目那样通过软件计算来解决，而是通过物理的测量手段，所以相比于双目可节省大量的计算量。 不过，现在多数 RGB-D 相机还存在测量范围窄、噪声大、视野小、易受日 光干扰、无法测量透射材质等诸多问题，在 SLAM 方面，主要用于室内 SLAM，室外则较难应用。

经典视觉 SLAM 框架

 我们把整个视觉 SLAM 流程分为以下几步：

1. 传感器信息读取：在视觉 SLAM 中主要为相机图像信息的读取和预处理。如果在机器人中，还可能有码盘、惯性传感器等信息的读取和同步。

2. 视觉里程计 (Visual Odometry, VO)：视觉里程计任务是估算相邻图像间相机的运动，以及局部地图的样子。 VO 又称为前端（ Front End）。

3. 后端优化 （ Optimization）：后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图。由于接在 VO 之后，又称为后端（ Back End）。

4. 回环检测 （ Loop Closing）：回环检测判断机器人是否曾经到达过先前的位置。如果检测到回环，它会把信息提供给后端进行处理。

5. 建图 （ Mapping ）：它根据估计的轨迹，建立与任务要求对应的地图。

视觉里程计

        叫它为“里程计”是因为它和实际的里程计一样，只计算相邻时刻的运动，而和再往前的过去的信息没有关联。估计了两张图像间的相机运动。那么，只要把相邻时刻的运动“串”起来，就构成了机器人的运动轨迹，从而解决了定位问题。然而， 仅通过视觉里程计来估计轨迹，将不可避免地出现累计漂移（Accumulating Drift）。这是由于视觉里程计（在最简单的情况下）只估计两个图像间运动造成的。

后端优化

        后端优化主要指处理 SLAM 过程中 噪声的问题。后端优化要考虑的问题，就是如何从这些带有噪声的数据中，估计整个系统的状态，以及这个状态估计的不确定性有多大——这称为 最大后验概率估计（Maximum-a-Posteriori，MAP）。

回环检测

        回环检测，又称闭环检测（Loop Closure Detection ），主要解决位置估计 随时间漂移的问题。 为了实现回环检测，我们需要让机 器人具有 识别曾到达过的场景的能力。在检测到回环之后，我们会把“ A 与 B 是同一个点”这样的信息告诉后端优化算法。

建图

        建图（Mapping）是指构建地图的过程。地图是对环境的描述，但这个描述并不是固 定的，需要视 SLAM 的应用而定。

        大体上讲，它们可以分为 度量地图 与 拓扑地图 两种。

度量地图（Metric Map）

        度量地图强调精确地表示地图中物体的位置关系，通常我们用稀疏（Sparse）与稠密（ Dense ）对它们进行分类。

拓扑地图（Topological Map）

        相比于度量地图的精确性，拓扑地图则更强调地图元素之间的关系。拓扑地图是一个图（Graph ），由节点和边组成，只考虑节点间的连通性。

SLAM 问题的数学表述

“小萝卜携带着传感器在环境中运动”，由如下两件事情描述：

1. 什么 是运动 ？我们要考虑从   时刻到   时刻，小萝卜的位置   是如何变化的。

运动方程：

其中，  和   表示小萝卜在  和    时刻的位置，  是 是运动传感器的读数（有时也叫 输入 ），  为噪声。

2. 什么 是观测 ？假设小萝卜在   时刻，于 处探测到了某一个路标  ，我们要考虑 这件事情是如何用数学语言来描述的。

其中， 是第  个路标点， 是在  位置上观测   产生的观测数据， 表示噪声。