藏经阁-复杂环境下的视觉同时定位与地图构建.pdf
SLAM（Simultaneous Localization and Mapping）是机器人和计算机视觉领域的基本问题，即在未知环境中定位自身方位并同时构建环境三维地图。SLAM technique 是一种基本的技术，广泛应用于增强现实、虚拟现实、机器人和无人驾驶等领域。
传感器是SLAM系统中的重要组件，常用的传感器包括：
1. 红外传感器：较近距离感应，常用于扫地机器人。
2. 激光雷达：单线、多线等，用于测量距离和角度。
3. 摄像头：单目、双目、多目等，用于获取视觉信息。
4. 惯性传感器（IMU）：智能手机标配，包括陀螺仪、加速度计等，用于测量设备的位姿和加速度。
SLAM系统的框架包括：
1. 输入：传感器数据。
2. 前台线程：根据传感器数据进行跟踪求解，实时恢复每个时刻的位姿。
3. 后台线程：进行局部或全局优化，减少误差累积。
4. 输出：设备实时位姿、 三维点云、RGB图、深度图、IMU测量值。
SLAM技术有广泛的应用，包括：
1. 扫地机器人：小米扫地机器人以激光雷达为核心，戴森360°Eye扫地机器人以视觉为核心。
2. 无人机：大疆Phantom4结合双目立体视觉和超声波，实现空中精准悬停和安全航线自动生成。
3. 无人车：MobileEye、特斯拉等自动驾驶方案，以廉价的摄像头为主，Google无人车项目Waymo使用高精度激光雷达构建地图。
4. 虚拟/增强现实：Inside-Out方案，基于SLAM技术的VR/AR可以实现Inside-Out方案，优点是不需要提前布置环境中的传感器，且没有活动范围的限制。
5. 混合现实：微软HoloLens，融合了场景位置感知和头盔显示技术，并提供了完整的软硬件解决方案。
视觉SLAM的主要传感器包括：
1. 单目摄像头
2. 双目摄像头
3. 多目摄像头
4. 其他辅助传感器：廉价IMU、GPS、深度传感器
视觉SLAM的优势包括：
1. 硬件成本低廉
2. 小范围内定位精度较高
3. 无需预先布置场景
视觉SLAM的基本原理是多视图几何投影函数，主要模块包括：
1. 特征跟踪：获得一堆特征点轨迹
2. 相机姿态恢复与场景三维结构恢复：求解相机参数和三维点云
在复杂环境下，SLAM技术面临的挑战包括：
1. 如何处理循环回路序列和多视频序列？
2. 如何高效高精度地处理大尺度场景？
3. 如何处理动态场景？
4. 如何处理快速运动和强旋转？
我们的课题组的工作包括：
1. 面向大尺度场景的运动恢复结构
2. ENFT-SFM：能够高效地处理大尺度场景下拍摄的循环回路和多视频序列。
3. 单目视觉的同时定位与地图构建：ENFT-SLAM：能在大尺度场景下实时稳定工作、在线回路闭合。
4. RDSLAM：能在动态场景下稳定工作。
5. RKSLAM：可以实时运行在移动设备上，并能处理快速运动和强旋转。
SLAM技术是机器人和计算机视觉领域的基本问题，广泛应用于增强现实、虚拟现实、机器人和无人驾驶等领域。SLAM技术的发展将会推动相关领域的发展，解决复杂环境下的挑战，并提高机器人的智能化和自动化水平。
