SLAM - Simultaneous Localization and Mapping
- 2 Task
- 在完全没有周围的环境先验信息的时候,完成
- 获取传感器当前的位置
- 建立周围环境的模型
- 在完全没有周围的环境先验信息的时候,完成
- 结构框架
Data-IN -- |VO| -- |Backend Optimization| -- |Creating Map| |-----|Loop Detection|---------|
- 组成
- VO(Visual Odometry)视觉里程计,通过相邻帧间的图像来估计相机的运动
- 可以看做2 Stage-第一步是特征点提取(可以用NN);然后通过特征点的变化获得xyz,ypr等信息
- Loop Closing 判断自己是否走到了轨迹回环
- 解决VO可能存在的累积漂移
- Bakend Opt(后端优化) 是一个最大后验估计(从带noise的信息中获取相机真正的位姿变换)
- 一般使用的是非线性滤波等方法
- 是一个状态估计问题
- 常用方法
- EKF(拓展卡尔曼滤波)
- VO(Visual Odometry)视觉里程计,通过相邻帧间的图像来估计相机的运动
- 相机模型
- 真实世界坐标系(world coordinate system) GT
- 相机坐标系(camera)
- 图像坐标系(image)
- 畸变
- 由于摄像头不满足针孔假设
- 分类
- vSLAM视觉:
- 硬件成本低
- vSLAM视觉:
- Famous Models
- MonoSLAM
- ORB-SLAM-围绕ORB特征进行计算
- 利用了多线程
- CPU负担大,而且提供的稀疏地图难以完成导航
- LSD-SLAM -大尺度的单目SLAM框架
- DL in SLAM
- VO的特征点提取用CNN做(非常Elegant)比SIFT等手调(handcrafted)的方法要有显著提升