22、基于视觉辅助的SLAM与群体映射方法解析

基于视觉辅助的SLAM与群体映射方法解析

在机器人技术中，同时定位与地图构建（SLAM）是一项至关重要的技术，它能让机器人在未知环境中确定自身位置并构建环境地图。近年来，随着视觉技术的发展，基于视觉的SLAM方法成为研究热点，同时群体机器人的映射方法也在不断探索中。

1. SLAM算法发展历程

SLAM算法的发展经历了多个阶段。早期，如FastSLAM算法，它基于滤波方法，通过扩展卡尔曼滤波器（EKF）生成地图，机器人位置由粒子集分布表示，每个粒子代表一条轨迹。这种方法降低了算法复杂度，但位置估计不够准确，特别是对于长轨迹。

后来出现了基于图的方法，将地图上的地标和机器人的位姿用图中的节点表示。与EKF方法相比，基于图的方法适用于更大的地图。在SLAM发展的经典时期（1986 - 2004年），主要使用雷达、激光雷达和超声波传感器。

当研究人员开始关注相机图像中的信息时，视觉SLAM（Visual SLAM）应运而生。根据使用相机的数量，可分为单目视觉SLAM（仅使用一个相机）和立体视觉SLAM（使用两个相机）。

2. 视觉SLAM算法类型

视觉SLAM算法主要有以下几种类型：
- 基于特征 - 滤波方法 ：2007年，Davison等人提出了第一个使用单相机实时工作的SLAM系统MonoSLAM。它将6自由度相机运动和特征点的3D位置表示为EKF中的状态向量。但这种方法存在计算时间长、线性化误差传播以及在突然运动时无法正常工作等缺点，且在大环境中状态向量尺寸会增大，EKF - SLAM地图密度低，仅适用于小环境中的相机定位。
- 基于特征