slam的研究历史

最新推荐文章于 2024-09-26 21:33:02 发布

wuxin0706

最新推荐文章于 2024-09-26 21:33:02 发布

阅读量3.7k

点赞数 2

文章标签： sla 语义地

本文链接：https://blog.csdn.net/wuxin0706/article/details/80918308

版权

本文探讨了SLAM（即时定位与地图构建）的研究历程，重点介绍了视觉SLAM的三种传感器类型：单目、双目和深度摄像头。随着计算机性能提升，视觉SLAM成为热门研究领域。单目SLAM通过图像匹配计算位姿，而图优化方法如GTSAM、g2o已成为主流。此外，文章提到了LSD-SLAM和ORB-SLAM在单目SLAM中的贡献，以及CNN-SLAM等在语义地图方面的进展。

摘要由CSDN通过智能技术生成

国内外研究现状、发展动态描述

即时定位与地图构建（Simultaneous Localization and Mapping, 即SLAM）的目的是让机器人在未知环境中持续地构建环境地图，并同时在地图中给自己定位。定位和建图两个问题相互依赖，准确的定位依赖于正确的地图，而构建正确的地图又需要准确的定位，这是一个迭代的过程[1]。

进入2000年以后，随着计算机处理性能的大幅提升，以各种摄像头为传感器的SLAM逐渐成为研究新热点，并在近年开始有市场化的迹象。视觉传感器主要分为三种：1. 单目摄像头（Monocular Camera）2. 双目摄像头（BinocularCamera）3. 深度摄像头（RGB-D Camera）深度摄像头可以通过time of flight等方法来直接获得图像及对应的深度信息，优点在于方便获得深度数据，缺点在于成本高，体积大，室外环境基本报废。双目摄像头可以通过三角方法计算出深度信息，市面上有一些深度摄像头也是直接基于双摄像头来做的。然而双目摄像头在目标距离较远的时候会退化成单目。因此近年来大量的研究都是围绕单目进行的。单目SLAM可以通过临近图像匹配计算出摄像头位姿的变换[2]，在两个视角上进行三角测距又可以得出对应点的深度信息[3]。通过这样迭代的过程可以实现定位及建图[4]。原理听起来很直观，然而现实环境中大量的测量噪声，计算误差造成了SLAM问题的无限复杂。于是解决不确定性问题是SLAM的核心。不确定性问题是很多研究领域的核心，但其实并没有很多的解决办法。大多数不确定性问题都用贝叶斯网络进行建模的[5]，