基本情况

• 标题：LSD-SLAM: Large-Scale Direct Monocular SLAM
• 引用：Engel, J., Schöps, T., & Cremers, D. (2014, September). LSD-SLAM: Large-scale direct monocular SLAM. In European conference on computer vision (pp. 834-849). Springer, Cham.

评价

• 类似于特征点法中的ORB-SLAM,单目直接法的是LSD-SLAM.
• 核心贡献是：将直接法应用到了半稠密的单目SLAM中，不需要计算特征点，还能构建半稠密的地图（梯度明显的像素位置）
• 缺点是：对相机内参和曝光非常敏感，且相机快速运动时容易丢失；回环检测部分，仍然使用特征点法，不能摆脱特征点。

摘要

本文提出一种基于直接法的单目SLAM算法，和现有直接法相比，能够创建大尺度，全局一致性的环境地图。

除了基于直接匹配图像得出的高精度位姿估计，还能够将3D地图环境实时重构为关键帧位姿图和对应的半稠密的深度图。通过大量像素点对之间的基线立体匹配结果滤波后得到，

提出计算尺度飘移的公式，即时在大范围移动的挑战场景下也能实现。

引言

单目SLAM相机挑战：

1、尺度不确定性，场景的尺度随着时间漂移。但是可以对不同规模大小环境空间切换

2、深度或立体视觉相机提供的深度信息是有限的，所以不如单目相机尺度灵活性好

主要贡献：

1、提出一种基于（相似变换空间对应的李代数）sim3的直接跟踪方法，很明确的检测尺度飘移

2、使用一种概率方法，对图像跟踪过程中，处理噪声对深度图像信息的影响。

算法流程：

 算法分为三部分：图像跟踪，深度图优化、地图优化。

• 图像跟踪：估算参考关键帧和新图像帧之间刚体变换se3;
• 深度图估计：深度更新是基于像素小基线立体配准的滤波方式，同时耦合对深度地图的正则化。
• 地图优化：一旦关键帧被当前图像替代，它的深度信息将不会被进一步优化，而是通过地图优化模块插入到全局地图中。

实验结果：