slam

SLAM学习笔记

前言

提示：这里可以添加本文要记录的大概内容：
例如：随着现代科技的不断发展，slam视觉同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）这门技术也越来越重要，本文就介绍了SLAM的基础内容。

---

提示：以下是本篇文章正文内容，仅是个人见解，仅供参考。

一、SLAM是什么？

视觉同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）目前被广泛应用于机器人领域。SLAM 算法使得机器人处于一个陌生环境时，能够通过自身搭载的传感器来感知环境信息并且建立环境地 图，完成对自身位置的标定，从而能够在未知环境中进行移动。

二、SLAM分类

1.激光slam

激光slam通常搭载2D或3D激光雷达，一般在室内用2D，3维空间使用3D,其价格昂贵。
一般在工作过程中，激光雷达通过扫描环境信息获
得分散的点，这些点中包含各种距离和角度，物体特征等各种信息，此类分散的点聚集在一起称为点云。每两个点中的 信息存在不同，机器人系统要将每个点的信息进行比对来获得距离和角度的变化，通过计算距离和角度的差异可以得出移动机器人的位置在怎样变化，从而明确机器人的位姿。

2.视觉SLAM

视觉SLAM据相机的不同分为分为单目相机、双目相机和深度相 机 3 类，它们有各自的特点，例如，单目相机具有真实的比例关系，但没有深度信息和绝对尺度，称为尺度模糊；双目相机又叫立体相机，和人眼一样来判断物体位置，两相机之间的距离是已知的，使用它可计算出深度信息；RGB-D相机又叫深度相机，是由相机和激光雷达在一起构成。其包括立体视觉，结构光，和飞行时间技术，其中，立体视觉收集图像信息，激光雷达向物体表面发射具有结构特征的图案，进而收集不同深度的表面信息（结构光理论）；飞行时间技术（TOF）是指通过激光飞行时间，计算距离。

3.多传感器融合SLAM

3.1激光雷达和双目相机融合的slam

基于激光雷达与双目视觉的移动机器人 SLAM 算法，该算法通过改进 RBPF-SLAM 算法，采用双目视觉与激光雷达，并 结合里程计数据进行信息融合，进而进行机器人的定位与导航。该算法的提出改善了单 一传感器的局限性问题，既改善了激光雷达机械结 构不稳定的问题，又充分利用了视觉 SLAM中图像 采集精度较高的优势，提高了机器人建图的鲁棒性。

3.2单目相机和IMU融合的SLAM算法

该算法利用了 IMU 对角速度和加速度的准确测 量，又利用了相机在图像方面丰富的信息采集。还有人在单目视觉和 IMU融合的基础上加入了磁力计，将磁力计的数据融合到单目视觉 SLAM算法中，不 但可以解决纯旋转情况下轨迹漂移的问题，还可以提高精度。

3.3深度学习与SLAM

传统的视觉 SLAM由于相机的某些局限性，在 建图过程中存在着许多问题。例如，相机不适宜在 光照强度变化大的环境中工作；在缺乏照明或环境 纹理信息不明显时相机的工作效果不佳；移动机器 人系统运动过快或位于动态环境中时相机容易跟 丢目标。这些都会影响定位与建图的准确度。深度 学习在图像处理方面的优势为 SLAM 带来了很大 的提升空间，弥补了传统视觉 SLAM的不足，提高 了鲁棒性。

室内移动机器人的 SLAM算法综述