[SLAM] 传感器总结

本文对SLAM中常见的传感器做出总结，以对SLAM输入端有一个比较全面的理解，分为相机类和非相机类
此处先给出需要的几个概念：
运动Motion：表示相机的位姿变换
结构Structure：场景中物体的远近和大小
尺度Scale：恢复的场景和真实场景相差的比例

1.相机类

相机按照最常用的可以分为单目相机、深度相机和双目相机；
除此之外还有全景相机和事件相机等，由于本人没深入了解过，后续再补充；

单目相机

特点：结构简单、成本低
数据：3D场景在相机平面的投影
原理：需要移动相机视角，本质上基于：
①图像中的物体移动会和相机视角移动方向相反，例如：相机朝左移动，画面中的静止物体会向右移动
②根据视差判断物体距离的远近（相对），例如：近处物体移动快，远处物体移动慢，即三角化
缺点：失去了3D场景的深度信息，因此恢复出的结构只有相对大小关系，与真实情况之间相差了一个尺度！

双目相机

双目相机采集同一时刻的两张照片帧数据，在恢复深度的时候由于采集信息的相机之间距离（基线Baseline）固定，即解决了尺度的问题，因为有一个确切的距离是真实尺度下的，将所有信息与该尺度对齐即可恢复真实尺度的结构。

特点：没有尺度问题；双目的探测距离与基线距离有关，基线距离越大探测深度越大，可以理解为：对于相同距离的点，基线距离越大对应的观测角越大，恢复的深度就越准确，因此自动驾驶场景下需要基线距离较大的双目相机；
数据：3D场景在左右目相机平面的投影
原理：根据左右目固定的视差，推断场景中物体的距离以获得深度；如下图所示，本质上是两个相似三角形的关系，$\Delta P{O}_R{O}_T\simeq \Delta Pp{p}^{\prime }$
缺点：双目相机需要准确标定，标定过程较为复杂+探测距离受到分辨率和基线距离的限制+视差计算比较耗时(计算是主要问题)

RGB-D相机

特点：硬件层面直接输出深度，不需要像双目一样计算
数据：图片+深度图（由红外结构光产生的）
原理：利用红外结构光和time of light原理，通过发射出去和接收回来的光计算距离
缺点：测量范围小，误差大，受光线影响大，无法探测透射材质等，因此主要应用在室内

非相机类

激光雷达

毫米波雷达

IMU

GPS