初识SLAM

SLAM(simultaneous localization and mapping)，中文译作“同时定位与地图构建”。它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（不需要在环境中安装传感器），于运动过程中建立环境的模型，同时估计自己的运动。

如果这里的传感器主要为相机，以一定的速率拍摄周围的环境，形成一个连续的视频流，那么就称为“视觉SLAM”。

SLAM的目的是解决“定位”与“地图构建”这两个问题。也就是说，一边要估计传感器自身的位置，一边要建立周围环境的模型。

单目相机——照片（三维空间的二维投影）：无法通过单张照片来计算场景中物体与我们之间的距离，因此必须移动相机改变其视角才能估计它的运动。当相机移动时，相片中的物体在图像上的运动就形成了视差。通过视差就能知道物体的远近，但这只是一个相对值，无法确定真实尺度，称为“尺度不确定性”。

双目相机——通过两个相机之间的距离（基线）来估计每个像素的空间位置。通过左右眼的差异，判断场景中物体与相机的距离。缺点是计算量大，消耗计算资源，与基线关系大（基线距离越大，能够测量到的就越远）。优点是既可以用在室内，亦可应用与室外。

深度相机——通过主动向物体发射光并接收返回的光，测出物体与相机之间的距离。优点是通过物理测量手段可节省大量的计算。缺点是主要用于室内，室外较难应用。

经典视觉SLAM框架

完整的SLAM系统分成“视觉里程计”、“后端优化”、“建图”以及“回环检测”。
SLAm流程图

1、传感器信息读取：相机图像信息的读取和预处理

2、视觉里程计：估算相邻图像间相机的运动，恢复场景的空间结构，以及局部地图的样子。会出现累计漂移问题（Drift），所以需要后端优化和回环检测来校正整个轨迹。（图像的特征提取与匹配等）

3、后端优化：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（消除噪声），得到全局一致的轨迹和地图。（滤波与非线性优化算法）

4、回环检测：解决位置估计随时间漂移的问题。判断相机是否到达过先前的位置。如果检测到回环，会把信息提供给后端进行处理。（计算图像数据相似性）

5、建图：根据估计的轨迹，建立与任务要求对应的地图。

SLAM过程可以总结为两个基本方程：

运动方程：
$x_k=f(x_{k-1},u_k,w_k)$

观测方程：
$z_{k,j}=h(y_j,x_k,v{k,j})$
各个时刻的位置记为 $x_1,...,x_k$ ，它们构成了运动的轨迹。假设地图是由许多个路标组成的，每个时刻，传感器会测量到一部分路标点，得到它们的观测数据。设路标点一共有N个，用 $y_1,...,y_N$ 表示。

运动方程是k-1时刻到k时刻位置的变化，观测方程是在K时刻于处探测到某一个路标 $y_j$ 。其中 $u_k$ 是运动传感器的读数， $y_j$ 是路标点， $z_{k,j}$ 是运动传感器的观测数据， $w_k$ 和 $v_{k,j}$ 为噪声。

SLAM问题就是当知道运动测量的读数u，以及传感器的读数z时，如何求解定位问题（估计x）和建图问题（估计y）？这是一个状态估计问题。其求解与两个方程的具体形式，以及噪声服从那种分布有关。按照方程是否为线性，噪声是否服从高斯分布进行分类，分为线性/非线性和高斯/非高斯系统。

线性高斯系统（LG系统）的无偏估计可以由卡尔曼滤波器（KF）给出。

非线性非高斯系统（NLNG系统）会使用扩展卡尔曼滤波器（EKF）和非线性优化两大类方法求解。

为了克服EKF的缺点（线性化误差和噪声高斯分布假设），人们开始使用粒子滤波器等其他滤波器。时至今日，主流视觉SLAM使用以图优化为代表的优化技术进行状态估计。优化技术已经明显优于滤波器技术，只要计算资源允许，通常都偏向于使用优化方法。

来源：CSDN

作者：汪汪队要加油呀

链接：https://blog.csdn.net/weixin_44053287/article/details/88804130

标签