初识SLAM

SLAM是什么？

SLAM是Simultaneous Localization and Mapping，也就是同时定位与地图构建。

SLAM指的是搭载特定传感器（视觉SLAM中主要指相机）的主体，在没有环境先验信息的情况下，于运动过程中构建环境的模型，同时估计自己的运动。

所以，SLAM主要的任务也就是告诉机器人：
1.　我在什么地方？——定位。
2.　周围的环境怎么样？——建图。

传感器

当然，传感器在SLAM中是必不可少的。我们姑且把传感器分为两类：
1.　携带于机器人本体上的，例如机器人的轮式编码器、相机、激光等。不会受传感器的约束。
2.　安装于环境中的，例如导轨、二维码标志等。这类传感器约束了外部环境。

相机

按照相机工作方式，我们把相机分为单目(Monocular)、双目(Stereo)、深度相机(RGB-D)。

单目相机
就是只有一个摄像头来做SLAM，被称为单目SLAM。单目相机得到的只是三维空间中的二维投影，那怎么去还原三维结构呢？——通过移动相机的视角。这样我们就能得到它的运动与场景中物体的远近和大小（结构）。

运动：就是说，相机往有运动的时候，场景的物体就会往左移动。这样就能判断出运动；
结构：当相机移动的时候，近处的物体动得快，远处的物体动得慢。这样就能判断出物体离相机的远近。　　　这也就是我们所说的视差。

使用单目相机除了需要提前移动之外，还存在一个问题：尺度不确定性，也就是单目SLAM估计的轨迹、地图与实际的轨迹、地图相差一个比例因子（尺度）。我们却无法通过图像确定这个尺度。

双目相机
双目相机由两个单目相机组成，但这两个相机之间的距离（基线）是已知的。可以通过基线来估算每个像素的空间位置。

• 消除了尺度不确定性。
• 计算机上的双目相机需要大量的计算才能（不太可靠地）估计每一个像素点的深度。
• 双目相机测量到的深度范围与基线有关。
  • 基线距离越大，能够测量到的就越远（例：无人车上搭载的双目通常非常大）。
• 配置与标定均较为复杂。
• 深度量程和精度受双目的基线与分辨率限制。
• 视差的计算非常消耗资源，需要使用GPU和FPGA设备加速后，才能实时输出整张图像的距离信息。

深度相机

• 可以知道距离与深度。
• 主要有两种原理：ToF和红外结构光。

经典SLAM框架

大家可以参考高博书中的图，主要分为：
1.　传感器数据读取。
2.　前端　视觉里程计
3.　后端　非线性优化
4.　回环检测
5.　建图

视觉里程计（VO）
知道这一刻图像和下一刻图像，下一刻图像和下下刻的图像，估计两两之间的运动，从而估计出来轨迹。

• 通过相邻图像估计相机运动。
• 基本形式：通过两张图像来计算运动和结构
• 将不可避免地出现累计漂移（也就是误差的累积）。

由于累积漂移，我们还需要后端优化和回环检测。

后端优化
主要就是处理SLAM过程中的噪声问题。

除了解决“如何从图像估计出相机运动”之外，还要关心这个估计带来多大的噪声，这些噪声是如何从上一时刻传递到下一时刻的、我们定义当前的估计又有多大自信。

后端优化要考虑的问题，就是如何从这些带有噪声的数据中，估计整个系统的状态，以及这个状态估计的不确定性有多大——这称为最大后验概率估计（MAP）。这里的状态包括机器人自身的轨迹，也包含地图。

后端主要是滤波和非线性优化算法。

回环检查
主要解决位置估计随时间漂移的问题。为了实现回环检查，我们需要让机器人具有识别曾到达过的场景的能力。例如，我们可以判断图像间的相似性，来完成回环检测。

建图
Mapping是指构建地图的过程。地图是对环境的描述，但这个描述并不是固定的，需要视SLAM的应用而定。大体上来讲，可以将其分为度量地图和拓扑地图。

度量地图：强调精确地表示地图中物体的位置关系，通常用稀疏和稠密来进行分类。
拓扑地图：相比于度量地图的精确性，拓扑地图则更强调地图元素之间的关系。

数学表述

运动方程：我们要考虑从k-1时刻到k时刻，机器人的位置x是如何变化的。
运动方程：x_k=f (x_k-1,u_k,w_k)
其中：x表示机器人的位置，u_k表示运动传感器的读数（有时也叫做输入），w_k为噪声。

观测方程：假设机器人在k时刻，于x_k处探测到了某一个路标y_j，我们要考虑这件事是如何用数学语言来描述的。
观测方程：z_k,j＝h（y_j,x_k,v_k,j）
其中：z_k,j为这次观测到的数据，v_k,j为这次观测里的噪声。

---

本博客所有内容均整理自高博的《视觉SLAM十四讲》，欢迎大家交流讨论。