视觉SLAM十四讲 第14讲 SLAM的现在与未来

1、经典SLAM方案
2、比较不同SLAM的特点
3、SLAM发展方向

0、常用开源SLAM方案

1、mono-slam

• 扩展卡尔曼滤波后端，前端为稀疏特征点；
• 缺点：路标数量有限，稀疏特征点容易丢失；
• $停止开发$

2、PTAM

• parallel trancking and mapping
• 提出跟踪建图的并行化，区分出了前后端，跟踪需实时，地图优化可以后台进行
• 提出使用非线性优化，引入关键帧机制；
• 完成了ar效果
• $缺点明显，场景小，跟踪易丢失$

3、ORB-SLAM

• 2015年提出，支持单目、双目、rgbd；
• 从sift、surf特征转向orb特征，可在cpu实时进行；
• 相比Harris特征，具有旋转和缩放不变性；
• 提供回环检测；
• 创新式的使用了三个线程：tracking、局部BA、回环检测与全局BA
• 
• 不足之处：
  

4、LSD-SLAM

• 2014年提出，单目直接法，核心贡献：直接法应用到了半稠密单目SLAM，不需要计算特征点，能够建立半稠密地图（估计梯度明显的像素位置）
• 优点：直接法是针对像素进行处理
• 
• 半稠密地图？？？
• 
• 缺点：

5、SVO

• 2014年，半直接法，（又用到特征点，也用到直接法）

终. SLAM未来研究方向

两个发展方向：
一是往轻量级、小型化方向发展，让 SLAM 能够在嵌入式或手机等小型设备上良好的运行，然后考虑以它为底层功能的应用。我们的真正目的都是实现机器人、 AR/VR 设备的功能，比如说运动、导航、教学、娱乐，而 SLAM 是为上层应用提供自身的一个位姿估计。在这些应用中，我们不希望 SLAM 占据所有计算资源，所以对 SLAM 的小型化和轻量化有非常强烈的要求。
二是利用高性能计算设备，实现精密的三维重建、场景理解等功能。在这些应用中，我们的目的是完美地重建场景，而对于计算资源和设备的便携性则没有多大限制。由于可以利用GPU，这个方向和深度学习亦有结合点。

1、视觉+惯导（主要方向）

• 二者具有互补性。
• 
• 
• $松耦合和紧耦合$
• 松耦合是指， IMU 和相机分别进行自身的运动估计，然后对它们的位姿估计结果进行融合。
• 紧耦合是指，把 IMU 的状态与相机的状态合并在一起，共同构建运动方程和观测方程，然后进行状态估计
• 紧耦合理论也必将分为$基于滤波和基于优化$的两个方向。在滤波方面，传统的 EKF以及改进的MSCKF都取得了一定的成果，研究者们对 EKF 也进行了深入的讨论；优化方面亦有相应的方案

2、语义SLAM

其他方向