SLAM：无人系统和增强现实overview
目录
1 本文介绍
2 SLAM与机器人领域常识
3 SLAM经历的阶段
4 SLAM知识框架
4.1 点云地图的弊端
4.2 深度学习
5 SLAM与无人系统的结合点
1 本文介绍
- 如题目所示，介绍SLAM在无人系统和增强现实方面的应用，这部分是一个overview。
- 链接：2017.11 https://www.chinahadoop.cn/course/1084/learn#lesson/20439
- 作者：杨亮(chiyangliang@gmail.com)
2 SLAM与机器人领域常识
- 机器人顶会：ICRA
机器人开源系统：
- ROS robot operating system
- 执行器(驱动器)-》感知器(传感器)-》控制器-》环境理解-》定位-》导航-》避障
SLAM知名综述：
SLAM能提供什么：
- 高速高精定位
- 尺度信息，三维模型
3 SLAM经历的阶段
滤波器模型
- 奠基人：javier civera, Andrew J. Davison 提出 EKF monocular SLAM
模型图：
滤波器模型的缺陷：
- 公式中0-k，k一直在增加，计算量一直在膨胀
滤波器-》图优化
- EKF-SLAM -》 PTAM-SLAM
滤波器越来越重要：
便宜：IMU+相机
- 不用RGBD: 不实用：尺寸大用在手机上，功耗大
使用滤波器的源头：
- 运动控制的估计量+观测量，通过贝叶斯概率的方式进行融合
- RGBD-SLAM
- ORB-SLAM
- LSD-SLAM: 基于连续两张图片的照度不变
激光SLAM
- 主动式的(基于图像是被动式的)
- 最大问题：定位精度太高，单帧地图的理解能力特别强(如：ICP)
激光领域的大神： zhang ji 精度0.5m
- LOAM
- V-LOAM
谷歌：
- 标准：Cartographer
伯克利大学：
- BLAM 开源的 效果还可以
- SegMatch
4 SLAM知识框架
深度还原：
通过单目还是双目，做深度还原都是不靠谱的，因为这个滤波器问题
- 即概率问题
- 方案：RGBD 深度相机
卡尔曼滤波器：
- 在贝叶斯估计的基础上，加上了噪声是高斯分布的估计
四元数：
- 将位-姿用向量的形式表示，然后两个向量之间一次旋转到位
对比欧拉角：必须绕一个轴旋转，比如：先x再y再z….严格的顺序
- 最大弊端：万向节锁(Gimbal Lock)问题
回路和图优化
- 开源工具包：G2O, Ceres
4.1 点云地图的弊端
- 都是点，理解起来比较困难
- 激光的相应比较慢
热点：
- 语义地图（如PointNet）,场景理解
- 代表人物：李飞飞博士 dense capture
4.2 深度学习
热点：
- 单目深度估计- 如基于视觉
目前在美国状态：
- 更侧重于编程：因为理论知识要求少，而实践应用要求高
动态障碍物追踪和规避
目前先进的方法：end-to-end方法
- 直接使用图片+depth进行解算，输出该左转还是右转
创业：
- camare-IMU融合！ 低成本，VR&AR 应用广泛
- VR一键装修，家具，装饰等
Event Camera
- 与传统相机相比，Event Camera是完全不同的，它不是记录一个场景的，而是记录一个场景的变化。在一个没有物体移动的场景中架设一台Event Camera，它不会显示任何东西。但是一旦Event Camera检测到运动（像素级的光线发生了变化），它就会在每个像素的基础上以非常高的刷新率（毫秒）呈现出来。如果你所关心的是在移动时避开物体，一台Event Camera就是你的不二之选，因为这种相机只是在寻找像素的变化，对低光也很敏感，并且不会因为强光而拍不到移动物体。
- https://www.zhihu.com/question/47111443
- https://blog.csdn.net/libocao/article/details/90201141
5 SLAM与无人系统的结合点
增强现实与无人驾驶：
- JOCOMMENT：如将行驶信息，直接投影到车道上去…
增强现实推荐书籍:
缺乏、安全感
太过爱你忘了你带给我的痛
柔情只为你懂
朱雀
骑猪看日落
还没有评论，来说两句吧...