SLAM的传感器

SLAM传感器分类

SLAM：Simultaneous Localization And Mapping

获取传感器的信息来进行定位和建图

雷达传感器：
2D(SICK,HOKUYO，…)，3D(无人车等)

视觉传感器：
单目相机，红外摄像机（夜间等）

direct time of flight imagers：打出平行光，没有遇到物体平行光平行，遇到物体平行光轨迹发生改变
phase shift time of fight imagers：单目相机+红外
stereo cameras：双目相机

声呐：
2D：智能车、倒车
3D：水下

视觉传感器

perspective projection：
相机成像（小孔成像模型 pinhole model）：

1. 倒像
2. size缩小
3. 亮度降低
4. 丢失深度信息

模型：
xyz左手定理

内参变化：

Z轴沿着光学轴
图像平面的深度：z=f
相机的中心就是投影中心：
相机内参：u0，v0，fx，fy，f
u0，v0：相机中心
fx，fy：scale信息，数字化的过程中物体大小的变化为fx、fy尺度信息
f：焦距

成像过程：

CMOS：x = f × X/Z，y = f × Y/Z
图像：x = -（Xim-Ox）× Sx，y = -（Yim-Oy）× Sy

外参变化：

外参：旋转R，平移T
世界坐标系的点通过旋转平移到相机坐标系
P = R×Pw + T
相机看到的都是在相机坐标系下的点，整个过程是世界坐标系的点通过旋转平移变成相机坐标系下的点（外参），再通过小孔成像模型到图像坐标系（内参）

数学过程：
所以得到投影模型：

通过地图观测到可以得到特征点的位置Xw、Yw、Zw，通过特征提取可以得到特征在像素中的位置想x1、x2、x3，通过相机标定可以得到内参，只要求出外参就能得到相机的位姿

外参Mext就是Ransac PNP的求解目标3D -> 2D

标定：

八点法：

特征

一般在高对比区域（物体的边缘等），避免edge
有SIFT、FAST、SURF、ORB等

特征描述器：存放着特征的信息（梯度等），特征匹配基于特征描述器做的

双目立体视觉

根据相似三角形可得：

激光传感器

优势：

1. 不受光照、季节条件的影响，适合全日时运行
2. 检测精度高，有效检测范围可达70~100m
3. 可以根据对象材质的不同波长的反射回率不同

劣势：

1. 价格高昂
2. 受特殊天气（雨雪雾沙尘等）天气的影响
3. 无法返回丰富的纹理信息，且分辨率低，视野受限

xyz右手定理

内参的标定由公司给出，一般不会个人标定内参，只标定外参

特征

1. 表面法向量（Surface normal）
2. 点特征直方图（Point Feature Histogram）
3. 旋转图片特征（Spin-image）
4. 迭代最近邻点（Iterative Closest Point）

表面法向量
法向量可以描述表面曲率和变化情况的一些信息，在关键点上求解法向量获得特征

法向量的计算：

1. 曲面重建技术：
   从获取的点云数据集中得到采样点所对应的曲面，然后从曲面模型中计算表面法线
2. 根据邻近点云数据集近似推断表面法向量（最小二乘法或PCA）
   
   取一个圆，包含k个点，计算均值信息：
   
   估计最小二乘法协方差矩阵

曲率信息：

优：表面法向量可以快速计算几何对象的法向量和曲率信息
缺：无法提供能加丰富的特征信息（如两个姿态点之间的关联度需要12个量（1个点需要6个量））

点特征直方图

12个量->4个量

旋转图片

沿着轴向做360°旋转，再进行投影到图片上

得到一系列的图片之后，经过PCA放到库中，新的图像与库中的图像进行匹配

激光点云匹配

迭代最近邻匹配（ICP）：

给定两组待匹配点云：
X = {x1,x2,…,xn}
P = {p1,p2,…,pn}

最小化方程，求得最优的旋转平移矩阵

SVD求解
假设满足：
求出旋转平移矩阵：

X点云从P点云中寻找最近的点，再进行match，但是这个过程容易陷入局部最优，为了提高精度，提出了GICP算法