---

声明：本文是深蓝学院 高翔博士主讲的《SLAM理论与实践》的学习笔记。

大致是什么

SLAM:Simultaneous Localization and Mapping

同时定位与地图构建

• 定位：室内、室外
• 建图：稀疏、半稠密、稠密

主要应用方向

• 手持设备定位
• 机器人定位
• 自动驾驶定位
• AR(增强现实)

参考资料

SLAM概述

自主运动的两大基本问题：

• 我在哪？ （定位）
• 周围环境如何？ （建图）

定位与建图=内外兼修 定位侧重对自身的了解,建图侧重对外在的了解，相互关联（鸡生蛋？蛋生鸡？）准确的定位需要精确的地图,精确的地图来自准确的定位

视觉SLAM框架

自动驾驶（机器人）主要分为：传感、感知，规划与决策 这几个模块。视觉SLAM只包含集中 部分技术点。它的框架如下：

• 前端：Visual Odometry
• 后端：Optimization
• 回环检测：Loop Closing
• 建图：Mapping

前端

传感

传感器是机器人感知外界环境的手段，分为内质和外质两种。

内质：感受机器人本体信息，如 相机 IMU 激光， 更加自由
外质：安装与环境中的设备，如GPS 、导轨、二维码Marker， 环境限制了传感器的形式（GPS需要能接受卫星信号，Marker 导轨等需要环境允许安装）

视觉SLAM主要采用内质的相机作为传感器，相机的特点是以二维投影形式记录了三维世界的信息，过程丢掉了一个距离 维度。主要包括：

• 单目相机 Monocular： 无深度，深度需要其它手段估计
• 双目相机(立体相机) Stereo：通过视差计算深度
• 深度相机 RGB-D：通过物理方法测量深度
• 其他 全景、Event Camera：

当相机运动时,可通过视差确定深度。深度即第三维信息,对SLAM来说至关重要

视觉里程计

视觉里程计用于估计邻近时刻的相机运动（注意是估计两帧图片之间相机的相对运动，并不是真的为了计算里程）。最简化:两个图像的相对运动。

方法包括：

• 特征点法
• 直接法

后端

负责从带有噪声的数据中估计最优轨迹　与　地图。

• 滤波器法：可由最大后验概率推导出来
• 图优化法：

回环检测

检测相机是否到达过之前位置(判断与之前位置的差异：计算图像相似性，如词袋模型)

建图

• 目的：导航、规划、通讯、交互、可视化
• 种类：度量地图、拓扑地图、稀疏地图、稠密地图

SLAM问题的数学描述