论文笔记_SLAM_An Overview of SLAM_SPIE

青旅半醒 2023-07-07 03:43 20阅读 0赞

**目录**

1 论文介绍

2 典型的 Visual SLAM 结构

3 ORB-SLAM

4 RGB-D SLAM

5 发展趋势

5.1 多传感器融合

5.2 深度学习在SLAM上的应用

5.3 动态的场景的探索

5.4 多机器人协作

6 经典文献

--------------------

# 1 论文介绍 #

*  出处：SPIE 国际光学工程学会
 *  时间：2018
 *  作者：Feng Yang, Northwestern Polytechnical University

# 2 典型的 Visual SLAM 结构 #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70][]

# 3 ORB-SLAM #

*  起源：Mur-Artal \[28\] in 2015
 *  论文：ORB-SLAM: **A Versatile and Accurate Monocular SLAM System**\[J\]. IEEE Transactions on Robotics, 2015
    
     *  作者：Raul Mur-Artal, J. M. M. Montiel, and Juan D. Tardos.
 *  特点：特征稳定，高精度，易于使用

# 4 RGB-D SLAM #

*  起源：Henry in 2010
 *  论文：**RGB-D mapping**: Using Kinectstyle depth cameras for dense 3D modeling of indoor environments\[J\]. International Journal of Robotics Research, 2010
 *  基本特点：
    
     *  使用深度相机，可以直接获取空间点的三维信息，且价格低廉 
     *  RANSAC：(随机样本一致性)，匹配提取的特征点；
     *  ICP：(迭代最近点)，估计相机的姿态；
     *  算法后端采用基于树的网络优化(TORO)\[39\]，并加入循环检测，构造全局最优的三维场景地图；
     *  SIFT：提取两幅相邻彩色图像的SIFT\[36\]特征，加入相应深度信息，生成3D-3D特征点对信息；
        
         *  使用SIFT缺点：
            
             *  计算量太大
     *  **Henry** 2014 自己的改进：
        
         *  使用 Feature from Accelerated Segment Test (FAST)
         *  使用 Calonder方法 计算 descriptors
     *  Engelhard 2011 的改进:
        
         *  SURF算法；
         *  RANSAC： 估计两帧之间的运动；
         *  改进的ICP法：优化状态转移矩阵。
     *  Endres 2012 改进:
        
         *  使用General Graph Optimization (g2o) 优化后端全局位姿图；
         *  对得到的点云进行体素化，构建三维网格图。
 *  **优缺点：**
    
     *  优点：
        
         *  直接获取图像点的深度信息，从而减少计算量；
         *  可以建立稠密的地图，使用红外结构光或飞行时间来测量深度，确保深度数据独立于纹理。
     *  缺点：
        
         *  测量距离短；
         *  受日光影响大，不能用于大型户外环境。
     *  **对比 Lidar SLAM 优缺点**：
        
         *  优点：
            
             *  精度高；
             *  技术成熟；
             *  所构建的地图可直接用于路径规划。
         *  缺点：
            
             *  探测范围有限；
             *  无法获取语义信息。

# 5 发展趋势 #

## 5.1 多传感器融合 ##

*  **MSCKF**: **Mourikis** 2008 提出的，基于EKF方法，对 monocular vision 和 IMU 进行实时整合的方法
 *  **OKVIS**: Leutenegger 2013 提出的，基于关键帧和IMU融合，使用全概率的方式，将IMU的误差融合到roadmap的重投影误差中去，，形成了一个联合的非线性优化误差函数，联合优化相机的pose和3D map点。
 *  **IMU Pre-integration**: Forster 2015，通过 Pre-integration 选择的关键帧序列之间的inertial measurement，降低计算的复杂度。
 *  **V-LOAM**: Zhang J, Singh S. 2017, 联合使用vision传感器和 laser radar(激光雷达)。

## 5.2 深度学习在SLAM上的应用 ##

*  应用领域：
    
     *  inter-frame 评估
     *  闭环检测
 *  一些探索
    
     *  Konda 2015：使用end-to-end的深度神经网络结构，预测相机速度和方向的改变
     *  Costante 2015：利用卷积神经网络，学习图像数据的最优特征表示，进行visual odometry (视觉测量) 估计
        
         *  该方法对运动模糊图像，和光照变化，具有鲁棒性
     *  Hou Y, Zhang H,2015: 利用caffe框架下的AlexNet模型，进行特征提取
        
         *  提高了提取速度和鲁棒性
     *  Arandjelovic R 2017：提出了一种端到端 scene recognition（场景识别）算法
     *  Lecun Y. 2016：提出了一种基于深度学习的，stereo matching（立体匹配）方法
     *  Costante G,2015：利用卷积神经网络，学习最佳视觉特征，和视觉测量的最优估计
     *  Kendall A, 2015：提出了一种利用贝叶斯卷积神经网络，从单色图像中计算相机六自由度姿态，及其不确定性的重定位系统
     *  Anand A,2013：在语义SLAM上，构造带有object labels（对象标签）的map。

## 5.3 动态的场景的探索 ##

*  Saarinen J P, 2013 ，提出三维正态分布转换占有地图（3D Normal Distributions Transform Occupancy Maps）

## 5.4 多机器人协作 ##

*  Zou D, Tan P. 2013，**CoSLAM**: Collaborative Visual SLAM in Dynamic Environments

# 6 经典文献 #

*  \[14\] Wang L J, Chen J B, Huan Y U, et al. **An Overview of RGB-D SLAM**\[J\]. Navigation Positioning & Timing, 2017
 *  \[15\]QUAN Meixiang, PIAO Sonhao, LI Guo. **An overview of visual SLAM** \[J\]. CAAI transactions on intelligent systems, 2016, 11(6):768-776.
 *  \[16\]Liu H, Zhang G, Bao H. **A Survey of Monocular Simultaneous Localization and Mapping**\[J\]. Journal of Computer-Aided Design &Computer Graphics, 2016.

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200220175403840.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ==,size_16,color_FFFFFF,t_70