高翔视觉slam十四讲学习（1）

第一章（第一讲、第二讲）视觉SLAM基础

1. SLAM概述

1.1 概念

SLAM（Simultaneous Localization and Mapping）:同时定位与地图构建，指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动。

1.2 SLAM主要内容

SLAM主要内容：

1. 定位
2. 建图

所需传感器分类

根据安装位置分为

1. 携带于机器人本体（轮式编码器、相机、激光等）：测得的通常都是一些间接的物理量而不是直接的位置数据，只能通过一些简介的手段从这些数据中推算自己的位置。
2. 安装与环境中（导轨、二维码标示等）：能够直接测量到机器人的位置信息，简单有效的解决定位信息。

视觉SLAM主要使用传感器：相机

相机分类

1. 单目（Monocular）：以二维的形式反映三维的世界，缺少深度维度，若要恢复三维结构，必须移动相机的视角，但无法通过单个图像确定三维结构的真实尺度（尺度不确定性）。
2. 双目（Stereo）：由两个单目相机组成，两个相机间的距离（基线）已知，通过左右眼图像的差异和基线来估计每个像素的空间位置，场景的三维结构可通过单个（应该是左右目各一张）图像恢复出来。基线距离越大，能够测量到的距离就越远，即可用于室内，亦可用于室外。缺点：配置与标定均较为复杂
3. 深度相机（RGB-D）：通红外结构光或Time-of-Flight（ToF）测量物体离相机的距离，这种方法为物理测量，相比双目节约了大量计算量。缺点：测量范围窄、噪声大、视野小、易受日光干扰、无法测量投射材质等。

1.3 经典视觉SLAM框架

1. 传感器信息读取
2. 视觉里程计（Visual Odometry,VO）：视觉里程计任务是估算相邻图像间相机的运动,以及局部地图的样子。VO 又称为前端(Front End)。仅通过视觉里程计来估计轨迹,将不可避免地出现累计漂移(Accumulating Drift)。前端和计算机视觉研究领域更为相关,比如图像的特征提取与匹配等。
3. 后端优化：后端接受不同时刻视觉里程计测量的相机位姿,以及回环检测的信息,对它们进行优化,得到全局一致的轨迹和地图。由于接在 VO 之后,又称为后端(Back End)。后端则主要是滤波与非线性优化算法。
4. 回环检测（Loop Closing）：回环检测判断机器人是否曾经到达过先前的位置。如果检测到回环,它会把信息提供给后端进行处理。
5. 建图（Mapping）：它根据估计的轨迹,建立与任务要求对应的地图。地图可以分为度量地图与拓扑地图两种。度量地图强调精确地表示地图中物体的位置关系,通常我们用稀疏(Sparse)与稠密(Dense)对它们进行分类。相比于度量地图的精确性,拓扑地图则更强调地图元素之间的关系。

1.4 SLAM问题的数学表述

1. 运动方程
2. 观测方程

我们按照运动和观测方程是否为线性,噪声是否服从高斯分布进行分类,分为线性/非线性和高斯/非高斯系统。