SLAM：无人系统和增强现实overview

目录

1 本文介绍

2 SLAM与机器人领域常识

3 SLAM经历的阶段

4 SLAM知识框架

4.1 点云地图的弊端

4.2 深度学习

5 SLAM与无人系统的结合点

---

1 本文介绍

• 如题目所示，介绍SLAM在无人系统和增强现实方面的应用，这部分是一个overview。
• 链接：2017.11 https://www.chinahadoop.cn/course/1084/learn#lesson/20439
• 作者：杨亮([email protected])

2 SLAM与机器人领域常识

• 机器人顶会：ICRA
• 机器人开源系统：
  • ROS robot operating system
  • 
• 执行器(驱动器)-》感知器(传感器)-》控制器-》环境理解-》定位-》导航-》避障
• SLAM知名综述：
  • 
• SLAM能提供什么：
  • 高速高精定位
  • 尺度信息，三维模型

3 SLAM经历的阶段

• 滤波器模型
  • 奠基人：javier civera, Andrew J. Davison 提出 EKF monocular SLAM
  • 模型图：
    • 
  • 滤波器模型的缺陷：
    • 公式中0-k，k一直在增加，计算量一直在膨胀
  • 滤波器-》图优化
    • EKF-SLAM -》 PTAM-SLAM
  • 滤波器越来越重要：
    • 便宜：IMU+相机
      • 不用RGBD: 不实用：尺寸大用在手机上，功耗大
    • 使用滤波器的源头：
      • 运动控制的估计量+观测量，通过贝叶斯概率的方式进行融合
• RGBD-SLAM
• ORB-SLAM
• LSD-SLAM: 基于连续两张图片的照度不变
• 激光SLAM
  • 主动式的(基于图像是被动式的)
  • 最大问题：定位精度太高，单帧地图的理解能力特别强(如：ICP)
  • 激光领域的大神： zhang ji 精度0.5m
    • LOAM
    • V-LOAM
  • 谷歌：
    • 标准：Cartographer
  • 伯克利大学：
    • BLAM 开源的 效果还可以
  • SegMatch

4 SLAM知识框架

• 
• 深度还原：
  • 通过单目还是双目，做深度还原都是不靠谱的，因为这个滤波器问题
    • 即概率问题
  • 方案：RGBD 深度相机
• 卡尔曼滤波器：
  • 在贝叶斯估计的基础上，加上了噪声是高斯分布的估计
• 四元数：
  • 将位-姿用向量的形式表示，然后两个向量之间一次旋转到位
  • 对比欧拉角：必须绕一个轴旋转，比如：先x再y再z….严格的顺序
    • 最大弊端：万向节锁(Gimbal Lock)问题
• 回路和图优化
  • 开源工具包：G2O, Ceres

4.1 点云地图的弊端

• 都是点，理解起来比较困难
• 激光的相应比较慢
• 
• 热点：
  • 语义地图（如PointNet）,场景理解
  • 代表人物：李飞飞博士 dense capture

4.2 深度学习

• 
• 热点：
  • 单目深度估计- 如基于视觉
• 目前在美国状态：
  • 更侧重于编程：因为理论知识要求少，而实践应用要求高
• 动态障碍物追踪和规避
  • 目前先进的方法：end-to-end方法
    • 直接使用图片+depth进行解算，输出该左转还是右转
• 创业：
  • camare-IMU融合！ 低成本，VR&AR 应用广泛
  • VR一键装修，家具，装饰等
• Event Camera
  •  与传统相机相比，Event Camera是完全不同的，它不是记录一个场景的，而是记录一个场景的变化。在一个没有物体移动的场景中架设一台Event Camera，它不会显示任何东西。但是一旦Event Camera检测到运动（像素级的光线发生了变化），它就会在每个像素的基础上以非常高的刷新率（毫秒）呈现出来。如果你所关心的是在移动时避开物体，一台Event Camera就是你的不二之选，因为这种相机只是在寻找像素的变化，对低光也很敏感，并且不会因为强光而拍不到移动物体。
  • https://www.zhihu.com/question/47111443
  • https://blog.csdn.net/libocao/article/details/90201141

5 SLAM与无人系统的结合点

• 
• 
• 增强现实与无人驾驶：
  • JOCOMMENT：如将行驶信息，直接投影到车道上去…
  • 增强现实推荐书籍:
    •