【SLAM】初识SLAM

• ref: 《视觉SLAM十四讲从理论到实践 第2版》
  

  文章目录

  • • 2.1视觉SLAM
    • 2.2经典视觉SLAM框架
    • 2.3数学建模

2.1视觉SLAM

• 单目相机
  • 通过视差得知物体的相对远近
  • 尺度不确定性(Scale Ambiguity)
• 双目相机
  • 极几何推算距离
  • 计算量大,需要GPU和FPGA等加速
• 深度相机
  • 物理测量距离,节省算力
  • 范围窄,噪声大,视野小,易受日光干扰,无法测量透射材质

2.2经典视觉SLAM框架

1. 传感器信息读取:
   1. 相机图像(编码器,IMU)信息读取和预处理
2. 前端视觉里程计 Visual Odometry:
   1. 估算相邻图像间相机的运动和局部地图
   2. 计算机视觉, 图像特征提取匹配
3. 后端(非线性)优化 optimization:
   1. 接受不同时刻视觉里程计相机位姿 & 回环检测信息, 处理噪声问题
   2. 优化得全局一致的轨迹 & 地图
   3. 滤波与非线性优化
4. 回环检测 Loop closure:
   1. 判断机器人是否到达过先前位置
   2. 利用图像间的相似性
5. 建图 mapping
   1. 度量地图 Metric Map: 表示地图中物体位置关系
      1. 稀疏 Sparse: 抽象路标组成, 忽略非路标, 用于定位
      2. 稠密 Dense: 重建所有, 用于导航, 小方块/小格子
   2. 拓扑地图 Topological Map: 节点与边组成, 仅考虑连通性

2.3数学建模

• $t=\mathrm{1...}K$ 离散时刻中发生的事件
• $x_1...x_K$ 各时刻的位置
• $y_1...y_N$ 路标点
• $u_k$ 运动传感器的读数/输入
• $w_k$ 噪声
• $\mathcal{O}$ 记录k时刻观察到j路标的集合

建模->状态估计问题

• 运动方程 $x_k=f(x_{k-1},u_k,w_k),k=\mathrm{1...}K$
• 观测方程 $z_{k,j}=h(y_j,x_k,v_{k,j}),(k,j)\in \mathcal{O}$

分类:

• 线性/非线性系统: 运动,观测方程是否为线性
• 高斯/非高斯系统: 噪声是否服从高斯分布
  • 线性高斯LG系统->卡尔曼滤波KF得出无偏最优估计
  • 非线性非高斯NLNG系统->扩展卡尔曼EKF+非线性优化求解