三维重建（SFM）与实时定位建图（SLAM）的区分与联系

biaobiao_hust

已于 2024-05-05 18:26:16 修改

阅读量3k

点赞数 9

文章标签：人工智能机器人自动驾驶

于 2024-05-05 18:20:59 首次发布

本文链接：https://blog.csdn.net/weixin_50518899/article/details/138470794

版权

本文探讨了SLAM（同时定位与建图）和SFM（结构从运动）这两种在自主机器人和计算机视觉领域的关键技术。SLAM强调实时性和轻量化，用于定位；SFM追求高精度，适用于大规模场景重建。两者共享多视角几何基础，但SFM更注重精度和后处理优化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、SLAM

SLAM是Simultaneous Location and Mapping，同时定位与地图构建。是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。目的是解决自主机器人“定位”和“建图”两个问题。同时要求能够实时地，没有先验知识地进行。SLAM问题的本质是对主体自身（位姿）和周围环境空间（点云）的不确定性的估计。

2、SFM

Structure from Motion（SFM）是一个估计相机参数及三维点位置的问题。一个基本的SFM pipeline可以描述为:对每张2维图片检测特征点（feature point），对每对图片中的特征点进行匹配，只保留满足几何约束的匹配，最后执行一个迭代式的、鲁棒的SFM方法来恢复摄像机的内参（intrinsic parameter）和外参(extrinsic parameter)。并由三角化得到三维点坐标，然后使用Bundle Adjustment进行优化。

根据SfM过程中图像添加顺序的拓扑结构，SFM方法可以分为增量式（incremental/sequential SFM）,全局式（global SFM），混合式（hybrid SFM）,层次式（hierarchica SFM）。另外有基于语义的SFM(Semantic SFM)和基于Deep learning的SFM。