《视觉SLAM十四讲》笔记——第二讲_初识SLAM

自身位置——定位

周围环境——建图

传感器分类

• 机器人携带 编码器 相机 激光传感器 IMU（惯性测量单元）——可适用于未知环境
• 环境中安装 导轨 标志 GPS ——使用场景受限

视觉SLAM 强调未知环境

视觉——相机，不同于单反相机，它更简单，连续拍摄，形成视频流。普通摄像头30帧/秒

相机分类

单目相机（Monocular）

单目相机的数据：照片；

照片（图像）以二维的形式反映了三维的世界。

无法通过单张图片得到深度信息。——存在尺度不确定性

双目相机（Stereo）

两个相机间的距离——基线已知。

基线越大，能测量的距离越远。因此，无人车上的双目相机体积较大。

优点：

• 不依赖其他传感器，适用于室内室外。

缺点：

• 配置与标定配置与标定较为复杂。
• 深度量程和精度受基线和分辨率限制。
• 视差的计算非常消耗计算资源。（需要使用GPU和FPGA加速）

深度相机（RGB-D）

• 结构光
• Time-of-Flight(ToF)

通过发射光并接收物体对光的反射来计算距离。——物理手段。

优点：

• 需要的计算资源少

缺点：

• 测量范围窄、噪声大、视野小、易受日光干扰、无法测量透射材质。

经典视觉SLAM框架

1. 传感器数据读取
2. 视觉里程计（Visual Odometry, VO）
3. 后端优化（Optimization）
4. 回环检测（Loop Closing）
5. 建图（Mapping）

视觉里程计

• 通过相邻图像，估计相机的运动。

• 根据每个时刻相机的位置，计算出像素点对应的空间位置。

会有累积为误差。——累积漂移（Accumulating Drift）

回环检测，检测出漂移，后端优化根据检测的信息，校正轨迹。

计算机视觉领域，图像的特征提取和匹配。

后端优化

• 目的：处理SLAM过程中的噪声问题，传感器的噪声，受环境的干扰。

视觉里程计的估计误差，状态（轨迹和地图）估计不确定性——最大后验概率估计（Maximum-a-Posteriori，MAP）。

滤波与非线性优化算法。

回环检测

• 识别到过的场景，使后端可以据此消除累积误差。

实现方式

1. 环境传感器：在环境中设置标志，二维码等。——受环境限制。
2. 携带的传感器：判断图像间的相似性。

建图

地图形式丰富：

分类：

• 度量地图

  • 稀疏：路标组成的地图，——可用于定位
  • 稠密：建模所有看到的东西，——可用于导航

• 拓扑地图

数学描述

机器人 携带传感器 在未知环境中 运动

• 运动方程——定位
• 观测方程——建图

方程是否为线性——线性/非线性

噪声是否服从高斯分布——高斯/非高斯

线性高斯系统（Linear Gaussian, LG）：无偏的最优估计可由卡尔曼滤波器给出。

非线性非高斯系统（Non-Linear Non-Gaussian, NLNG）:扩展卡尔曼滤波器（EKF） 和非线性优化。

主流SLAM使用图优化，优化技术优于滤波器技术。