V-SLAM笔记整理总结

V-SLAM笔记整理总结

参考博文：https://blog.csdn.net/qq_33414553/article/details/81270112
SLAM（即时定位与建图）理解：建图：描述机器人制图Mapping时假设机器人位姿已知。制图时只需要更新地图。
定位：描述机器人定位问题时假设环境地图Map已知。
视觉SLAM相机种类：单目（Mono）、双目（Stereo）、深度（RGB-D）、鱼眼全景（其他类型）。
整体框架：前端（VO视觉里程计），后端（Optimization），回环检测（Loop Closing）、建图（Mapping）。
开源代码：ORB-Slam ORB-Slam2 vins-mono vins-fusion（vins稳定性好。orb容易掉帧）。
特征点法求点云深度（用于建图）： 2D-2D（对极几何）：第一组图片用于初始化。
3D-2D（PNP）：已知3D点与2D点进行匹配。
3D-3D（ICP）：3D与3D点之间进行匹配。
光流法求点云深度（用于建图）：图像灰度值进行匹配。其他计算与上述相同。
计算效率上主要是特征提取与匹配耗时，后期配准、三角化计算速度快。
小知识点：
1.相机位姿转换（旋转+平移）是基于世界坐标系的（SLAM中世界坐标系由自己选定，是相对的，不是绝对的。可以选择与相机坐标系重合。）
2.相机运动时观察到的路标（传统二维码等，视觉特征点）会在世界坐标系中不断收敛，基本不会产生漂移现象。
3.IMU是自身坐标系标定，由于IMU传感器与相机位置不同，因此在转换世界坐标系的时候一定会产生误差，随着时间的积累必定会产生漂移现象。因此现阶段大多是二者相互融合。
4.闭环检测一般使用词袋模型进行场景匹配。涉及场景识别问题，因此闭环检测模块可以看作是视觉系统的模式识别问题。可以使用机器学习方法。但是slam要求实时性能，因此需要侧重在线学习方法。
正在学习的闭环算法：基于图像感兴趣区域的闭环检测。
基于局部语义拓扑图的闭环检测
机器学习在线学习方法：支持向量机中的感知算法。
机器学习离线学习方法：绝大部分常见的算法。
5.噪声模型：高斯分布表达式；
运动模型：采样方式表达式；主要应用粒子滤波算法。
6.常见的地图有：度量地图，拓扑地图，语义地图。slam中（自己做的项目中）常用占用概率栅格地图。