SLAM在传感器方向上的分类

刚开始学习SLAM，对它的分类并不是很了解，在这里总结一下。

在这个方向上，SLAM主要分为激光SLAM和视觉SLAM。

一、激光SLAM

首先激光SLAM中又分为2D和3D，2D激光雷达一般用于室内机器人上（如扫地机器人），而3D激光雷达一般使用于无人驾驶领域。激光雷达的出现和普及使得测量更快更准，信息更丰富。激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，被称为点云。通常，激光SLAM系统通过对不同时刻两片点云的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，也就完成了对机器人自身的定位。

激光雷达测距比较准确，误差模型简单，在强光直射以外的环境中运行稳定，点云的处理也比较容易。同时，点云信息本身包含直接的几何关系，使得机器人的路径规划和导航变得直观。激光SLAM理论研究也相对成熟，落地产品更丰富。
 

二、视觉SLAM

这里就是高翔博士的《视觉SLAM十四讲》里面主要讲的了，刚开始我还认为激光SLAM也是其中的一部分内容，其实并不是。早期的视觉SLAM基于滤波理论，其非线性的误差模型和巨大的计算量成为了它实用落地的障碍。近年来，随着具有稀疏性的非线性优化理论(Bundle Adjustment)以及相机技术、计算性能的进步，实时运行的视觉SLAM已经不再是梦想。

视觉SLAM的优点是它所利用的丰富纹理信息。例如两块尺寸相同内容却不同的广告牌，基于点云的激光SLAM算法无法区别他们，而视觉则可以轻易分辨。这带来了重定位、场景分类上无可比拟的巨大优势。同时，视觉信息可以较为容易的被用来跟踪和预测场景中的动态目标，如行人、车辆等，对于在复杂动态场景中的应用这是至关重要的。

通过对比我们发现，激光SLAM和视觉SLAM各擅胜场，单独使用都有其局限性，而融合使用则可能具有巨大的取长补短的潜力。例如，视觉在纹理丰富的动态环境中稳定工作，并能为激光SLAM提供非常准确的点云匹配，而激光雷达提供的精确方向和距离信息在正确匹配的点云上会发挥更大的威力。而在光照严重不足或纹理缺失的环境中，激光SLAM的定位工作使得视觉可以借助不多的信息进行场景记录。
 

总结一下就是，激光SLAM就是相当准确。视觉SLAM在提取特征上，十四讲里介绍的是提取点特征，现在论文大多数提取线特征，先在这里记录一下，线特征比点特征高了一个维度，所以识别到的纹理信息更加丰富，理论上效果更好，但导致速度会变慢；可以转化为二进制计算汉明距离来加速计算。这个里面在东南大学学报上有篇论文《一种基于改进TF_IDF的SLAM回环检测算法_董蕊芳》 ，知网上可以搜到。

比较常用的平台是turtlebot2，它上面带了RGB_D相机，可以在最上面安装一个激光雷达，可能会对信息融合有用吧。

参考博客：https://blog.csdn.net/SLAMTEC/article/details/82736142