【自动驾驶100问】第九问：SLAM是什么？

【自动驾驶100问】第九问：SLAM是什么？ 视频

博主是《学习OpenCV4：基于Python的算法实战》和《深度学习计算机视觉实战》图书的作者，目前从事自动驾驶感知融合算法与SLAM算法开发，分享内容包括深度学习、计算机视觉、OpenCV、自动驾驶、SLAM、C++/Python语言开发等方向的内容。
《学习OpenCV4：基于Python的算法实战》：OpenCV4所有模块系统讲解，200+个实战案例，Python/C++双语编写（Python为主），对入门学习很有帮助。
《深度学习计算机视觉实战》：算法理论、算法实战案例到算法模型部署都有系统讲解，特别是模型部署目前学习资源少，但是对于算法学习很重要，本书部署基于Tensorflow
Lite（所有框架部署流程基本一样），还有模型优化，模型转换等方向的详细讲解。

---

SLAM是Simultaneous Localization And Mapping的英文首字母组合，即：同时定位与建图。
目的有2个，一个是进行定位，一个是进行周围环境的地图的构建，二者相互依赖，只有同时进行求解才能够解决这个问题。
定位，是通过将当前传感器感知到的环境信息与构建好的环境地图进行匹配，确定机器人在当前地图中的位置，只有地图准确了，定位才能够准确。
地图构建，通过将当前传感器感知到的环境信息构建成地图，这时的地图是要放到机器人当前位置处的，所以只有定位准确了，构建的地图才能够与真实环境相符合。
SLAM分为激光SLAM和视觉SLAM。
二维激光SLAM构建的二维栅格地图，可以用来做机器人的定位与导航。
三维激光SLAM构建的三维点云地图，可以用来做无人车的定位与导航，也可以用来做三维建模。
视觉SLAM构建的稀疏点云地图，可以用来做定位。
视觉SLAM构建的半稠密与稠密的点云地图，可以用来做定位与导航，也可以用来做VR领域的交互场景，也可以用来做三维建模。
SLAM的框架大体上已经固定了，分为前端里程计模块，后端优化模块，以及回环检测模块。

（激光SLAM岗位职责）
采集激光传感器数据，根据点云数据对自动驾驶车辆的周围环境进行地图构建；负责实现基于激光传感器的SLAM算法设计和开发，能够覆盖各种复杂场景的高精度地图更新和制作。
（视觉SLAM岗位职责）
以VSLAM为基础，研发机器人自主导航定位算法，包括基于激光雷达、陀螺仪、里程计、视觉等多信息融合，构建机器人运动模型。