SLAM整体框架

一个完整的SLAM系统如下图所示

传感器

传感器主要影响原始数据，分为两个大类：相机与雷达

1.相机

• 单目相机

  仅能通过两帧之间图片进行位姿估计，通常采用对极约束（估计位姿）+三角测量（估计点云位姿）方法

• 双目相机

  可通过视差测距，常见如PnP方法

• 深度相机 TOF/结构光等方法，可直接得到深度信息

• 全景相机 360°无需转动

• 事件相机 动态视觉相机，仅关注动态变化

  每个像素均受独立控制，输出具有稀疏性

• 红外相机 拥有夜视能力，忽略光照影响

优点

• 便宜
• 通过两张图即可测量姿态变化
• 没有累计误差（对比IMU）— 因为仅使用当前两张图片，与前面时刻无关

缺点

• 单目尺度不确定性
• 双目计算量大
• 受光照影响大
• 高速运动不利
• 要求具有丰富的纹理信息

相机标定

建立相机成像几何模型并矫正透镜畸变—待补充

2.雷达

激光雷达

• 旋转式
  • 单线2D
  • 多线3D
    • velodyne（16/32/64/128线）360°不停旋转
• 半固态式
  • 大疆livox，雷达不需要旋转，但里面有运动的偏振镜
    • 不是360°，有固定的FOV
• 纯固态式
  • 相控阵OPA、Flash
    • 没有运动器件

优点

• 精度高、距离远
• 无视光照变化
• 算法较简单

缺点

• 价格昂贵
• 重量大
• 退化问题
  • 隧道、走廊等弱纹理区域
• 受天气影响
  • all-weather-slam 使用毫米波雷达radar，穿透力更强

3.IMU

• 加速度计
• 陀螺仪
• 磁力计（一般不用）

优点

• 效果稳定
  • 光照不影响
  • 运动速度不影响
  • 纹理结构不影响
  • 无退化问题

缺点

• 噪声大，且价格差异极大
• 存在漂移，运动过程中漂移量不恒定—需要标定
  • 在科研中有纯IMU的里程计，通过learning方法在线标定（克服游走bias）

4.GNSS

• 如GPS等通过卫星定位
  • 精度较低，为米级
  • 室内信号质量差

5.RTK

• 通过地面基站修正GNSS误差
  • 达到厘米级别精度

---

前端

前端的作用：根据帧间数据，得到帧间运动并建立局部地图

• Visual Odom 例如，可以检查两帧图片的特征点并匹配，从而获得相对运动，进而反推各点世界坐标系建图
• Lidar Odom 例如，可以寻找两帧扫描点云中的特征关系（边缘线 、平面等），从而获得相对运动，进而反推点云至世界坐标系建图

---

后端

既然前端可以建图，为什么还需要后端？ 前端计算两帧运动，而后端从全局整体角度进行取最优

后端主要是起优化作用：隔一段实践在大范围进行优化，使轨迹与建图在全局最优

---

回环检测

在运动轨迹闭合时，启动回环检测，实际就是一次整体后端优化调整

---

建图

前后端的过程其实就是局部建图、综合优化调整的过程

目标不同，建图种类不同

• 稀疏建图（路标），用于定位
• 2D地图用于平面导航，如扫地机器人
• 稠密建图，用于避障导航