最新VSLAM比较汇总

### 最新VSLAM技术比较分析 随着计算机视觉技术的发展，视觉同时定位与地图构建（Visual Simultaneous Localization and Mapping, VSLAM）技术已成为机器人导航、无人机飞行控制、增强现实等多个领域的关键技术之一。本文旨在汇总2019年最新的VSLAM技术，并对比其性能指标，帮助研究人员和技术人员更好地理解当前的技术发展水平。 #### 闭源VSLAM系统 **SOFT及SOFT2** - **应用对象**: 无人机 - **平移精度**: 0.65% - **旋转精度**: 0.0014 - **实时性**: 0.1s/2core.2.5GHz - **开发环境**: C/C++ - **特点**: 针对无人机设计的VSLAM系统，拥有较高的平移和旋转精度，能够在两核心2.5GHz的环境下保持良好的实时性。适合于需要高精度定位的无人机应用场景。 **ESO** - **基础**: 基于libviso2 - **主要改进**: - 自动关键帧用于旋转 - 单独的平移和旋转估算器 - 自适应惯性感知RANSAC - 惯性感知非线性优化 - 点重新平衡 - **实时性**: 每帧平均运行时间0.08秒，不超过0.1秒 - **特点**: 在libviso2的基础上进行了多项优化，提高了系统的鲁棒性和实时性。适合于需要高精度和快速响应的应用场景。 **sGAN-VO** - **研究队伍**: 厦门大学纪荣嵘团队 - **技术内容**: 基于语义生成式对抗神经网络（GAN）的视觉里程计 - **特点**: 结合深度学习技术，能够提高VSLAM系统在复杂环境下的识别能力和准确性。适用于需要在动态和复杂环境中进行定位的地图构建任务。 **LG-SLAM** - **技术内容**: 李群（LG-ESDSF）上的精确稀疏延迟状态滤波器 - **特点**: 通过引入李群理论，提高了SLAM系统的稳定性和准确性，适用于需要高精度地图构建的场景。 **RotRocc+** - **算法层面研究**: 模型+验证 - **特点**: 专注于算法层面的研究，通过模型和实验验证，提供了一种有效的姿态估计方案。 **GDVO** - **算法层面研究**: 模型+验证 - **特点**: 同样是在算法层面上进行的研究，通过对模型和验证过程的优化，提高了系统的整体性能。 **Elbrus** - **技术内容**: 一种视觉测距算法 - **特点**: 不需要对相机运动做出任何先验假设，适用于多种类型的平台，如轮式和腿式车辆。具有较高的准确性和鲁棒性。 **ROCC** - **技术内容**: 异常值去除方案 - **特点**: 改善了大规模深度环境中的高速姿态变化估计问题，通过迭代交替方案实现了异常值的有效识别和去除。 **cv4xv1-sc** - **技术内容**: GPU加速的VSLAM系统 - **特点**: 利用GPU的强大计算能力，提高了系统的实时处理能力和精度。 #### 开源VSLAM系统 **VINS-Fusion** - **研究机构**: 香港科技大学 - **误差**: 1.09%，0.0033 - **实时性**: 0.1s/1core/3.0GHz - **开发环境**: C/C++ - **开源地址**: <https://github.com/HKUST-Aerial-Robotics/VINS-Fusion> - **特点**: 一款高度优化的VSLAM系统，结合了IMU和视觉信息，具有较好的实时性和精度。 **ORB-SLAM2** - **误差**: 1.15%，0.0027 - **实时性**: 0.06s/2cores/>3.5GHz - **开发环境**: C/C++ - **开源地址**: <https://github.com/raulmur/ORB_SLAM2> - **变体地址**: <https://github.com/BertaBescos/DynaSLAM> - **特点**: 基于ORB特征的VSLAM系统，支持单目、立体和RGB-D相机，是目前广泛使用的开源SLAM框架之一。 **StereoDSO** - **研究机构**: 慕尼黑工业大学 - **误差**: 0.93%，0.0020 - **实时性**: 0.1s/1core/3.4GHz - **开发环境**: C/C++ - **数据集**: <https://github.com/JakobEngel/dso> - **特点**: 采用了直接法稀疏特征的方法，具有良好的实时性和准确性，适用于立体视觉SLAM任务。 **ProSLAM** - **研究机构**: 罗马大学 - **误差**: 1.39%，0.0035 - **实时性**: 0.02s/1cores/3.0GHz - **开发环境**: C/C++ - **开源地址**: <https://gitlab.com/srrg-software/srrg_proslam> - **特点**: 轻量级开源立体视觉SLAM系统，无需完全捆绑调整，适合于教育目的和资源受限的环境。 **RTAB-Map** - **误差**: 1.26%，0.0026 - **实时性**: 0.1s/1cores/2.5GHz - **开发环境**: C/C++ - **开源地址**: <http://introlab.github.io/rtabmap/> - **特点**: 支持多种传感器输入，包括单目、立体、RGB-D相机和激光雷达，具有较好的通用性和扩展性。 这些VSLAM系统各具特色，适用于不同的应用场景。闭源系统通常在特定领域有更高的定制化程度和更好的技术支持，而开源系统则提供了更广泛的社区支持和灵活性。根据具体的应用需求选择合适的VSLAM系统对于项目的成功至关重要。