SLAM入门_01

• SLAM

Simultaneous Localization and Mapping

• 知识储备

C&C++/Linux/cmake/vim&emacs/openCV&PCL&Eigen/ROS

• 硬件

激光雷达或者单目/双目摄像头

• 实现

是定位(Localization)，建图(Mapping)，路径规划(Navigation)。

• 应用

室内机器人/AR/无人机/无人驾驶

 

• AR/机器人SLAM区别

 

1. 精度上，AR一般更关注于局部精度，要求恢复的相机运动避免出现漂移、抖动，这样叠加的虚拟物体才能看起来与现实场景真实地融合在一起;机器人一般更关注全局精度，需要恢复的整条运动轨迹误差累积不能太大，循环回路要能闭合，而在某个局部的漂移、 抖动等问题往往对机器人应用来说影响不大。
2. 效率上，AR需要在有限的计算资源下实时求解，人眼的刷新率为24帧，所以AR的计算效率通常需要到达30帧以上; 机器人本身运动就很慢，可以把帧率降低，所以对算法效率的要求相对较低。
3. 配置上，AR对硬件的体积、功率、成本等问题比机器人更敏感，比如机器人上可以配置鱼眼、双目或深度摄像头、高性能CPU等硬件来降低SLAM的难度，而AR应用更倾向于采用更为高效、鲁邦的算法达到需求。

 

• 无人车/无人机SLAM区别

　　关于无人车和无人机中，Slam的区别，最大的区别是二维和三维。无人车是二维，无人机是三维。SLAM在二维世界中，有三个量，x轴，y轴，和方向角。三维世界中，会复杂很多，有6个量，x，y，z，roll，yaw，pitch。就是说，在确定位置时，无人机要多确定三个量，相应的计算量会大很多。但是原理仍然是一样的。

 

• 　摄像头/激光雷达区别

 

算法上分，他们精度上目前能做到差不多，激光相对要稳定一些，而帧数，视觉要快很多，比如比30针(人眼上限)要快很多，毕竟每秒出数不同，配置的话，现在激光雷达也有平价华的方案了，配置要求都不是那么高。

 

•  SLAM的一般过程

EKF：扩展卡尔曼滤波器。

最终目的:更新机器人的位置估计信息。