SLAM学习

SLAM（Simultaneous localization and mapping，即时定位与地图构建），主要用于解决机器人在未知环境运动时的定位与地图构建问题。

一、 SLAM典型应用领域

1. 自动驾驶
作为激光传感器的辅助（百度、腾讯、驭势、图森）
2. AR\VR
辅助增强视觉效果，该算法能够构建视觉效果更为真实的地图，将当前视角渲染虚拟物体的叠加效果，VR/AR代表性产品中微软Hololens、谷歌ProjectTango以及MagicLeap都应用了SLAM作为视觉增强手段。
增强现实：手机、智能眼镜上结合IMU用于定位（微软、三星、华为、虹软、悉见）
3. 机器人
无人机领域：地图建模。SLAM可以快速构建局部3D地图，并与地理信息系统（GIS）、视觉对象识别技术相结合，可以辅助无人机识别路障并自动避障规划路径，曾经刷爆美国朋友圈的Hovercamera无人机，就应用到了SLAM技术。
机器人定位导航领域：地图建模。SLAM可以辅助机器人执行路径规划、自主探索、导航等任务。国内的科沃斯、塔米、岚豹等扫地机器人都是通过SLAM算法结合激光雷达或者摄像头的方法，可以告知绘制室内地图，智能分析和规划扫地路径。
工业机器人定位导航：阿里，京东AGV仓库运输。
4. 三维重建
物体重建（3D打印，3D虚拟试衣）
大场景重建（虚拟全景漫游，遗迹电子化）

二、 SLAM框架

传感器数据：主要用于采集实际环境中的各类型原始数据。包括激光扫描数据、视频图像数据、点云数据等。
视觉里程计：主要用于不同时刻间移动目标相对位置的估算。包括特征匹配、直接配准等算法的应用。
后端：主要用于优化视觉里程计带来的累计误差。包括滤波器、图优化等算法应用。
建图：用于三维地图构建。
回环检测：主要用于空间累积误差消除。
其工作流程大致为：
传感器读取数据后，视觉里程计估计两个时刻的相对运动（Ego-motion），后端处理视觉里程计估计结果的累积误差，建图则根据前端