经典SLAM学习

最新推荐文章于 2025-06-23 14:58:05 发布

原创

最新推荐文章于 2025-06-23 14:58:05 发布 · 950 阅读

3 ·

CC 4.0 BY-SA版权

这篇博客汇总了多位专家对于SLAM（Simultaneous Localization And Mapping）的学习资源，包括冯兵的公开课、白巧克力亦唯心的博客、ORB系列讲解、Xingyin-Fu的博客以及路游侠和高博知乎上的专业解答，是初学者深入理解SLAM的宝贵资料。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

经典SLAM对比
	ORB	SVO
	一、追踪 ORB特征提取初始姿态估计（速度估计）姿态优化（Track local map，利用邻近的地图点寻找更多的特征匹配，优化姿态）选取关键帧二、地图构建加入关键帧（更新各种图）验证最近加入的地图点（去除Outlier）生成新的地图点（三角法）局部Bundle adjustment（该关键帧和邻近关键帧，去除Outlier）验证关键帧（去除重复帧）三、闭环检测选取相似帧（bag of words）检测闭环（计算相似变换（3D<->3D，存在尺度漂移，因此是相似变换），RANSAC计算内点数）融合三维点，更新各种图图优化（传导变换矩阵），更新地图所有点	整个过程分为两个大模块：追踪与建图（与PTAM类似）。上半部分为追踪部分。主要任务是估计当前帧的位姿。又分为两步：先把当前帧和上一个追踪的帧进行比对，获取粗略的位姿。然后根据粗略的位姿，将它与地图进行比对，得到精确的位姿并优化见到的地图点。随后判断此帧是否为关键帧。如果为关键帧就提取新的特征点，把这些点作为地图的种子点，放入优化线程。否则，不为关键帧的时候，就用此帧的信息更新地图中种子点的深度估计值。下半部分为建图部分。主要任务是估计特征点的深度。因为单目SLAM中，刚提的特征点是没有深度的，所以必须用新来的帧的信息，去更新这些特征点的深度分布，也就是所谓的“深度滤波器”。当某个点的深度收敛时，用它生成新的地图点，放进地图中，再被追踪部分使用
初始化	1.选取足够多的特征点（这里当然是ORB特征了）（如果没有则重置），归一化所有特征点，分别同时（并行）计算特征点的H阵和F阵，计算每个点对的symmetric transfer errors,和卡方分布的对应值比较，由此判定该点是否为内点。累计内点的总得分。（这里的SM既可以是SH也可以是SF，TM也是如此。分别是从当前帧到参考帧的变换误差和参考帧到当前帧的变换误差） 2.然后就是模型的选择了，根据公式如果大于0.4选H，反之选F 3.根据模型恢复运动（即求R和T） 4.进行了全局BA。ORB中对初始化要求高，所以要有足够的视差。另外，由于坐标系会附着在初始化成功的那帧图像的位置，因此每次初始化不能保证在同一个位置。疑问：全局BA是优化里面对所有关键帧（除了第一帧）和所有mappoint的全局优化？	首先 SVO是混合使用了特征点法和直接法：它跟踪了一些关键点（角点，没有描述子，由FAST实现），然后像直接法那样，根据这些关键点周围的信息，估计相机运动以及它们的位置。（不需要知道点与点的对应关系p1,p2，根据当前的位姿估计值来寻找p2的位置，通过优化两点的光度误差来求得位姿的转化关系）它假设前两个关键帧所拍到的特征点在一个平面上(四轴飞行棋对地面进行拍摄)，然后估计单应性H矩阵，并通过三角化来估计初始特征点的深度值。从而获得第一帧的特征点位置及它们的深度。 SVO适用于摄像头垂直向下的情况（也就是无人机上,垂直向上也可以,朝着一面墙也可以），为什么呢？1.初始化的时候假设的是平面模型 2.KF的选择是个极大的限制（关键帧选取靠的是关于景深的一个阈值，当前帧和相邻关键帧之间任意轴向运动（x方向,y方向,z方向）超过场景平均深度的一个百分比，就会选为关键帧，和图像无关，和相机运动距离有关。），除了KF的选择原因外摄像头水平朝前运动的时候，SVO中的深度滤波做的不好。
T r a c k	track主要做两件事：①确定每帧的位姿 ②确定关键帧提供给Local Mapping 具体模块：（1）将初始化的数据封装成帧，后续针对帧处理 ①Feature对特征封装（keypoint+descriptor） ②Feature是Frame与MapPoint之间的纽带 ③MapPoint对特征对应的3D点的封装 ④MapPoint对应最好的特征描述子（2）帧间跟踪：Track Reference Key Frame, &nb

最低0.47元/天解锁文章

200万优质内容无限畅学

	ORB	SVO
	一、追踪 ORB特征提取初始姿态估计（速度估计）姿态优化（Track local map，利用邻近的地图点寻找更多的特征匹配，优化姿态）选取关键帧二、地图构建加入关键帧（更新各种图）验证最近加入的地图点（去除Outlier）生成新的地图点（三角法）局部Bundle adjustment（该关键帧和邻近关键帧，去除Outlier）验证关键帧（去除重复帧）三、闭环检测选取相似帧（bag of words）检测闭环（计算相似变换（3D<->3D，存在尺度漂移，因此是相似变换），RANSAC计算内点数）融合三维点，更新各种图图优化（传导变换矩阵），更新地图所有点	整个过程分为两个大模块：追踪与建图（与PTAM类似）。上半部分为追踪部分。主要任务是估计当前帧的位姿。又分为两步：先把当前帧和上一个追踪的帧进行比对，获取粗略的位姿。然后根据粗略的位姿，将它与地图进行比对，得到精确的位姿并优化见到的地图点。随后判断此帧是否为关键帧。如果为关键帧就提取新的特征点，把这些点作为地图的种子点，放入优化线程。否则，不为关键帧的时候，就用此帧的信息更新地图中种子点的深度估计值。下半部分为建图部分。主要任务是估计特征点的深度。因为单目SLAM中，刚提的特征点是没有深度的，所以必须用新来的帧的信息，去更新这些特征点的深度分布，也就是所谓的“深度滤波器”。当某个点的深度收敛时，用它生成新的地图点，放进地图中，再被追踪部分使用
初始化	1.选取足够多的特征点（这里当然是ORB特征了）（如果没有则重置），归一化所有特征点，分别同时（并行）计算特征点的H阵和F阵，计算每个点对的symmetric transfer errors,和卡方分布的对应值比较，由此判定该点是否为内点。累计内点的总得分。（这里的SM既可以是SH也可以是SF，TM也是如此。分别是从当前帧到参考帧的变换误差和参考帧到当前帧的变换误差） 2.然后就是模型的选择了，根据公式如果大于0.4选H，反之选F 3.根据模型恢复运动（即求R和T） 4.进行了全局BA。ORB中对初始化要求高，所以要有足够的视差。另外，由于坐标系会附着在初始化成功的那帧图像的位置，因此每次初始化不能保证在同一个位置。疑问：全局BA是优化里面对所有关键帧（除了第一帧）和所有mappoint的全局优化？	首先 SVO是混合使用了特征点法和直接法：它跟踪了一些关键点（角点，没有描述子，由FAST实现），然后像直接法那样，根据这些关键点周围的信息，估计相机运动以及它们的位置。（不需要知道点与点的对应关系p1,p2，根据当前的位姿估计值来寻找p2的位置，通过优化两点的光度误差来求得位姿的转化关系）它假设前两个关键帧所拍到的特征点在一个平面上(四轴飞行棋对地面进行拍摄)，然后估计单应性H矩阵，并通过三角化来估计初始特征点的深度值。从而获得第一帧的特征点位置及它们的深度。 SVO适用于摄像头垂直向下的情况（也就是无人机上,垂直向上也可以,朝着一面墙也可以），为什么呢？1.初始化的时候假设的是平面模型 2.KF的选择是个极大的限制（关键帧选取靠的是关于景深的一个阈值，当前帧和相邻关键帧之间任意轴向运动（x方向,y方向,z方向）超过场景平均深度的一个百分比，就会选为关键帧，和图像无关，和相机运动距离有关。），除了KF的选择原因外摄像头水平朝前运动的时候，SVO中的深度滤波做的不好。
T r a c k	track主要做两件事：①确定每帧的位姿 ②确定关键帧提供给Local Mapping 具体模块：（1）将初始化的数据封装成帧，后续针对帧处理 ①Feature对特征封装（keypoint+descriptor） ②Feature是Frame与MapPoint之间的纽带 ③MapPoint对特征对应的3D点的封装 ④MapPoint对应最好的特征描述子（2）帧间跟踪：Track Reference Key Frame, &nb