视觉SLAM十四讲笔记---02初始SLAM

第二次看高翔博士的《视觉SLAM十四讲》，把一些觉得重要的笔记或者一些自己的想法写下来。
之前第一次主要读完之后没有留下深刻的印象，代码也就只是简单地跑了一下，希望这次能够沉淀下自己的东西，也能学会自己写一些代码。
代码都是在kdevelop中跑的，比直接gedit下调试方便。
欢迎志同道合的朋友们一起交流！

---

1、相机的分类

（1）单目Monocular

• 优势：结构简单、成本低。

• 局限：

  深度信息的缺失==>通过平移可以计算深度
  但仍然是一个相对的值（将相机的运动和场景大小同时放大，单目看到的像是一样的）==>尺度不确定性
  ==>双目、深度相机或融合激光雷达等其他传感器

（2）双目Stereo

由两个单目相机组成，两个相机之间的距离（基线）已知。

• 优势：可以获得深度信息。

• 缺点：配置与标定均较为复杂，其深度量程和精度受双目的基线与分辨力的限制，且视差的计算非常消耗计算资源。

（3）深度RGB-D

利用红外结构光或Time-of-Flight原理，主动向物体发射光并接受返回的光，测出物体距离相机的距离，

• 优势：可以获得深度信息；利用物理手段，可节省大量的计算量。

• 缺陷：测量范围窄、噪声大、视野小、易受到日光干扰等，适用于室内。

2、经典视觉SLAM框架

当把工作环境限制在静态、刚体、光照变化不明显、没有人为干扰的场景下，这个系统相当成熟。

（1）视觉里程计

• 计算机如何通过图像确定相机的运动？==>了解相机与空间点的几何关系
• 视觉里程计仅利用相邻两帧图像来估计两帧图像间的相机运动，如此累计可以得到机器人的轨迹，即解决了定位问题。同样可以根据每个时刻的相机位置，计算出各像素对应的空间点的位置，即得到地图。
• 但是每次估计会有误差产生，如此累计会导致累计漂移问题，最终无法建立一致的地图。
• 故，在视觉里程计的基础上需要加入后端优化和回环检测技术。

（2）后端优化

• 目标：处理前端传来的带噪声的数据，以此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（最大后验概率估计）。
• 主要是滤波与非线性优化算法。

（3）回环检测

• 目标：解决位置估计随时间漂移的问题。实质上是计算图像数据相似性的算法。
• 需要让机器人具有识别曾到达过的场景的能力。可以判断图像间的相似性来完成回环检测。
• 回环检测的信息会使后端优化得到的结果更加的正确。

（4）建图

• 度量地图Metric Map
  强调精确地表示地图中的物体的位置关系。
  有时也会出现一致性问题。
  • 稀疏Sparse
    选择具有代表意义的东西，即路标Landmark，其余可忽略；可以用于定位。
  • 稠密Dense
    二维格子（grid）或三维方块（voxel）都存储着该位置是否可以通过的信息；消耗大量存储空间；可以用于导航。
• 拓扑地图
  强调地图元素之间的关系。 只考虑节点间的连通性，放送了地图对精确位置的需要，去掉地图的细节问题。
  不擅长表达具有结构结构的地图。
  导航与路径规划的实现还在研究中。

总结：传感器数据为输入，仅用视觉里程计也能完成定位和建图，但是为了解决漂移累计得到全局一致的地图，可以采用后端优化的问题更正确地得到最终的结果，而回环检测则可以理解为一种特殊情况的数据输入。

3、SLAM问题的数学表述

（1）数学模型

时刻：t = 1, …, K
位置：x₁,…,x_K
路标：y₁,…,y_N 假设有N个路标点

• 数学模型：

运动方程：x_k = f(x_k-1, u_k, w_k)

u_k为运动传感器的读数（或输入），w_k为噪声。
反映从k-1时刻到k时刻，位置x如何变化。

观测方程：z_k,j = h(y_j, x_k, v_k,j)

v_k,j为噪声。
反映在x_k位置上看到某个路标点y_j，产生了一个观测数据z_k,j。

（2）参数化
根据真实运动和传感器的种类，存在着若干种参数化的方式。

• 例：位姿由两个位置和一个转角描述，即x_k = [x, y, θ]^T_k
  运动传感器能够测量到在每两个时间间隔位置和转角的变化量u_k = [△x, △y, △θ]^T_k
  且假设线性关系，则运动方程可以为：
  
• 例：假设使用二维激光传感器获得一个2D路标点，测得到路标点的距离r和夹角φ。
  记路标点为y = [p_x, p_y]^T，观测数据为z = [r, φ]^T
  则观测方程可以有：
  
  （3）状态估计问题
  由两个方程描述了最基本的SLAM问题：已知运动测量的读数u，及传感器读数z，求解定位问题（x）和建图问题（y）==>状态估计问题
• 根据运动和观测方程是否为线性，噪声是否服从高斯分布可以分类：
  • 线性高斯：卡尔曼滤波器。
  • 非线性非高斯：扩展卡尔曼滤波器+非线性优化。
  • 线性非高斯
  • 非线性高斯