视觉SLAM和激光SLAM的实现

激光 SLAM：

早在 2005 年的时候，激光 SLAM 就已经被研究的比较透彻，框架也已初步确定。激光 SLAM，是目前最稳定、最主流的定位导航方法。

激光 SLAM 地图构建

VSLAM（基于视觉的定位与建图）：

随着计算机视觉的迅速发展，视觉 SLAM 因为信息量大，适用范围广等优点受到广泛关注。

视觉 SLAM 地图构建，图片来源：百度 AI

（1）基于深度摄像机的 Vslam，跟激光 SLAM 类似，通过收集到的点云数据，能直接计算障碍物距离；

（2）基于单目、鱼眼相机的 VSLAM 方案，利用多帧图像来估计自身的位姿变化，再通过累计位姿变化来计算距离物体的距离，并进行定位与地图构建；

视觉SLAM和激光SLAM的对比

一直以来，不管是产业界还是学术界，对激光 SLAM 和 VSLAM 到底谁更胜一筹，谁是未来的主流趋势这一问题，都有自己的看法和见解。下面就简单从几个方面对比了一下激光 SLAM 和 VSLAM。

成本

不管是 Sick，北洋，还是 Velodyne，价格从几万到几十万不等，成本相对来说比较高，但目前国内也有低成本激光雷达（RPLIDAR）解决方案。VSLAM 主要是通过摄像头来采集数据信息，跟激光雷达一对比，摄像头的成本显然要低很多。但激光雷达能更高精度的测出障碍点的角度和距离，方便定位导航。

应用场景

从应用场景来说，VSLAM 的应用场景要丰富很多。VSLAM 在室内外环境下均能开展工作，但是对光的依赖程度高，在暗处或者一些无纹理区域是无法进行工作的。而激光 SLAM 目前主要被应用在室内，用来进行地图构建和导航工作。

地图精度

激光 SLAM 在构建地图的时候，精度较高；VSLAM，比如常见的，大家也用的非常多的深度摄像机 Kinect，（测距范围在 3-12m 之间），地图构建精度约 3cm；所以激光 SLAM 构建的地图精度一般来说比 VSLAM 高，且能直接用于定位导航。

易用性

激光 SLAM 和基于深度相机的 VSLAM 均是通过直接获取环境中的点云数据，根据生成的点云数据，测算哪里有障碍物以及障碍物的距离。但是基于单目、双目、鱼眼摄像机的 VSLAM 方案，则不能直接获得环境中的点云，而是形成灰色或彩色图像，需要通过不断移动自身的位置，通过提取、匹配特征点，利用三角测距的方法测算出障碍物的距离。

安装方式

雷达最先开始应用于军事行业，后来逐渐民用。被大家广泛知晓最先应该是从谷歌的无人车上所知道的。当时 Velodyne 雷达体积、重量都较大，应用到一些实际场景中显然不适合。比如无人机、AR、VR 这种，本身体积就很小，再搭载大体积的激光雷达的话，根本无法使用，也影响美感和性能。所以 VSLAM 的出现，利用摄像头测距，弥补了激光雷达的这一缺点，安装方式可以随着场景的不同实现多元化。

其他

除了上面几点之外，在探测范围、运算强度、实时数据生成、地图累计误差等方面，激光 SLAM 和视觉 SLAM 也会存在一定的差距。

比如：

注：左为 Lidar SLAM，右为 VSLAM，数据来源：KITTI

可以明显看出，对于同一个场景，VSLAM 在后半程中出现了偏差，这是因为累积误差所引起的，所以 VSLAM 要进行回环检验。

激光 SLAM 是目前比较成熟的定位导航方案，视觉 SLAM 是未来研究的一个主流方向。所以，未来，多传感器的融合是一种必然的趋势。取长补短，优势结合，为市场打造出真正好用的、易用的 SLAM 方案。

视觉SLAM相关资料

常用方法

特征法:

ORB SLAM https://github.com/raulmur/ORB_SLAM2
优势: 在静态环境下定位准确，稳定， 单目和双目版本都可以达到实时(高于10frames/s)。代码可读性强，易扩展， 网上也有实现和imu融合的版本。

劣势：建的地图点云稀疏。 运行速度方面，因为提特征点的时间有瓶颈最快的运行速度应该不超过30frames/s, 我在本机 (i7-6600U) 测的速度基本都在20frames/s左右，因此对于高帧率的相机需要降帧率才能用。对动态物体很敏感，再有动态物体时非常容易tracking lost。

总的来说ORB-SLAM还是在智能驾驶领域用的最广泛的SLAM算法，因为它在work的时候可以work的很好，急需解决的问题是对特征点提取的加速，以及处理的环境中的动态物体。

直接法

2. DSO https://github.com/JakobEngel/dso

优势：可以生成相当稠密的点云， 这个优点给DSO很大想象空间。 速度在可以work的时候很快, 大概在20-30frames/s。

劣势：对场景光照要求高，要求尽量保持曝光时间的稳定。对动态物体没有orb那样敏感。代码可扩展性比较差，目前开源的只有单目版本，这个版本没有做尺度恢复因此没法在实际中直接用。这里贴一个我开发的stereo dso: https://github.com/JiatianWu/stereo-dso， 可以恢复相对准确的pose。

DSO的缺点和优点都很明显，目前的局限应该是还没有一个开源可用的像双目orb那样稳定的版本，但是有很大的潜力去做一些orb无法做的事，比如建稠密的高精地图，甚至semantic的高精地图都有可能。

简单说一下LSD，自从DSO出来后LSD就没多少价值了，因为DSO在准确性，稳定性和速度上都比LSD好。LSD有个优势就是回环检测，这个对于DSO有些鸡肋，因为如果odometry都可以很精确为什么需要用额外的计算量去做回环检测呢。

半直接法

3. SVO https://github.com/uzh-rpg/rpg_svo

优点：非常快, 快到可以在laptop上达到300frames/s。

缺点：误差大，不准确。这也是为达到高速度牺牲性能的结果吧。

SVO适用的主要场景是无人机，因此代码中采用了一些无人机上的假设，比如假设相机的姿态是向下看的。SVO的最大问题就是不准确，这个可以通过融合imu改善，前提是你拥有一个准确的imu。。

Visual-inertial SLAM

4. 首推港科大的VINS https://github.com/HKUST-Aerial-Robotics/VINS-Mono。 没仔细研究过， 不过港科大的这个工作开源的很彻底，ros版本的和ios版本的都开源了， 大家可以看看产品级的slam应用是怎么实现的，代码也很清晰，主要侧重点在后端的优化，前端写的很简洁。

另外经典的VIO还是ETH的OKVIS： https://github.com/ethz-asl/okvis 。VINS和OKVIS性能差不多， OKVIS开发得更早一些， 后端优化的一些思想比如sliding window optimization也被DSO和VINS所借鉴。

参考：http://blog.csdn.net/akunainiannian/article/details/45363731

链接：https://www.zhihu.com/question/51045335/answer/340167377

MonoSLAM、Co-SLAM、Swarm SLAM、ORB_SLAM、RGB-D SLAM

视觉SLAM学习资料

一、入门篇

1. Andrew Davison的课程： http://www.doc.ic.ac.uk/~ajd/Robotics/index.html

   week7 SLAM，week8里面推荐了slam的两个入门 Tutorial 1 和Tutorial 2

2. 瑞士苏黎世理工的学生练习：http://www.csc.kth.se/~kootstra/index.php?item=313&menu=300

   把excise 3：SLAM（EKF）做完，SLAM原理基本理解

3. 高博的CNBLOG：http://www.cnblogs.com/gaoxiang12/

二、现有资源

1. OpenSLAM：https://openslam.org/

   这个网站中含有很多slam方面的资料，编写的程序也各有不同，很权威

2. Kitti图库，可以做simulation：http://www.cvlibs.net/datasets/kitti/

3. 苏黎世理工学习练习excise3看完后可以使用Javier Civera 的程序进行试手，注意对calibration的调整

   http://webdiis.unizar.es/~jcivera/code/1p-ransac-ekf-monoslam.html

4. 对于Javier Civera的1p RANSAC-monoSLAM有一定了解了，可以试试用SURF去实现

   南理工论文可以参考 http://cdmd.cnki.com.cn/Article/CDMD-10288-1012319519.htm

5. RGB-D SLAM Dataset and Benchmark：http://cvpr.in.tum.de/data/datasets/rgbd-dataset

   慕尼黑工业大学，还有其他的数据库，如单目视觉里程计数据库，详见http://vision.in.tum.de/data/datasets

6. Monocular SLAM：http://vision.ia.ac.cn/Students/gzp/monocularslam.html

   The research in monocular SLAM technology is mainly based on the EKF(Extended Kalman Filter) SLAM approaches.

7. MRPT：http://www.mrpt.org/ the mobile robot programming toolkit非常好的东西

8. PTAM：http://www.robots.ox.ac.uk/~gk/PTAM/

   libCVD：http://www.edwardrosten.com/index.html

   编译PTAM：http://www.fx114.net/qa-207-77156.aspx

   windows下编译PTAM：http://blog.csdn.net/cgf_909/article/details/24457771

9. ORB_SLAM：http://webdiis.unizar.es/~raulmur/orbslam/

10. LSD_SLAM：http://www.cnblogs.com/hitcm/category/763753.html

三、相关书籍

1. Multiple View Geometry in Computer Vision Second Edition ，http://www.robots.ox.ac.uk/~vgg/hzbook/

   计算机视觉方面大神级别的书，也有中文版

2. Robotics Vision and Control ，http://www.petercorke.com/RVC/

   澳大利亚昆士兰理工大学的Peter Corke是机器视觉领域的大牛人物，他所编写的Robotics, vision and control一书更是该领域的经典教材

   配套有matlab工具箱。工具箱分为两部分，一部分为机器人方面的，另一部分为视觉方面的工具箱

   源代码都是开放免费下载的： http://petercorke.com/Toolbox_software.html

3. Probabilistic Robotics，http://www.probabilistic-robotics.org/理解这本书要有很好的数学基础

四、研究学者

国内激光雷达Slam武汉大学做得好，李明教授是最早一批做3Dslam的；国防科大的应该也不错。

国外的话斯坦福的塞巴斯蒂安是绝对的大牛，他的徒弟也都很厉害；KIT的SLAM6D做的很好，现在网上有开源的3DTK，内部集成了slam6D；

德国弗莱堡大学做的也不错。

1. 英国帝国理工学院Andrew Davison：http://www.doc.ic.ac.uk/~ajd/，SLAM领域的权威

2. 麻省理工John Leonard：http://marinerobotics.mit.edu/ 侧重于应用。目前主要在做水下SLAM的项目。参加过DARPA的智能车挑战赛。

3. 悉尼大学Victoria Par： http://www-personal.acfr.usyd.edu.au/nebot/victoria_park.htm 经典数据库

4. 慕尼黑工业大学Jakob Engel：http://vision.in.tum.de/members/engelj

5. 斯坦福Sebastian Thrun：http://robots.stanford.edu/papers.html

五、其他资源（一）

1. Giorgio Grisetti; Cyrill Stachniss; Wolfram Burgard; (GridMapping 算法,及概率机器人一书作者)

2. M. Montemerlo; Dirk Haehnel; Sebastian Thrun; (FastSLAM创始者,理论水平和实际应用能力非常强)

   参加过DARPA的智能车挑战赛，取得最好成绩。

3. Austin Eliazar; Ronald Parr; (DP-SLAM创始者,从文章到数据,程序都公开的牛人)

4. 以 Jose Neira和Jose luis Blanco为代表的一批西班牙学者.

5. http://babel.isa.uma.es/mrpt/index.php/Main_Page 2008年开始陆续出现了一些好文章.

6. http://cres.usc.edu/radishrepository/view-all.php 包含了大量的用于验证SLAM算法的数据.

7. http://www.isa.uma.es/C13/jlblanco/default.aspx 西班牙的一个博士生.编程能力极强. 另外Jose Neira带领的团队也比较猛.

---

作者：Darlingqiang
来源：CSDN
原文：https://blog.csdn.net/Darlingqiang/article/details/80689922
版权声明：本文为博主原创文章，转载请附上博文链接！