视觉SLAM十四讲 第14讲 SLAM的现在与未来
1、经典SLAM方案
2、比较不同SLAM的特点
3、SLAM发展方向
文章目录
0、常用开源SLAM方案
1、mono-slam
- 扩展卡尔曼滤波后端,前端为稀疏特征点;
- 缺点:路标数量有限,稀疏特征点容易丢失;
2、PTAM
- parallel trancking and mapping
- 提出跟踪建图的并行化,区分出了前后端,跟踪需实时,地图优化可以后台进行
- 提出使用非线性优化,引入关键帧机制;
- 完成了ar效果
3、ORB-SLAM
- 2015年提出,支持单目、双目、rgbd;
- 从sift、surf特征转向orb特征,可在cpu实时进行;
- 相比Harris特征,具有旋转和缩放不变性;
- 提供回环检测;
- 创新式的使用了三个线程:tracking、局部BA、回环检测与全局BA
- 不足之处:
4、LSD-SLAM
- 2014年提出,单目直接法,核心贡献:直接法应用到了半稠密单目SLAM,不需要计算特征点,能够建立半稠密地图(估计梯度明显的像素位置)
- 优点:直接法是针对像素进行处理
- 半稠密地图???
- 缺点:
5、SVO
- 2014年,半直接法,(又用到特征点,也用到直接法)
终. SLAM未来研究方向
两个发展方向:
一是往轻量级、小型化方向发展,让 SLAM 能够在嵌入式或手机等小型设备上良好的运行,然后考虑以它为底层功能的应用。我们的真正目的都是实现机器人、 AR/VR 设备的功能,比如说运动、导航、教学、娱乐,而 SLAM 是为上层应用提供自身的一个位姿估计。在这些应用中,我们不希望 SLAM 占据所有计算资源,所以对 SLAM 的小型化和轻量化有非常强烈的要求。
二是利用高性能计算设备,实现精密的三维重建、场景理解等功能。在这些应用中,我们的目的是完美地重建场景,而对于计算资源和设备的便携性则没有多大限制。由于可以利用GPU,这个方向和深度学习亦有结合点。
1、视觉+惯导(主要方向)
- 二者具有互补性。
- 松耦合是指, IMU 和相机分别进行自身的运动估计,然后对它们的位姿估计结果进行融合。
- 紧耦合是指,把 IMU 的状态与相机的状态合并在一起,共同构建运动方程和观测方程,然后进行状态估计
- 紧耦合理论也必将分为的两个方向。在滤波方面,传统的 EKF以及改进的MSCKF都取得了一定的成果,研究者们对 EKF 也进行了深入的讨论;优化方面亦有相应的方案