（每日一讀2019.10.26）2019年SLAM綜述

摘要

slam是同步定位和建圖的縮寫，它包含定位和建圖兩個主要任務。這是移動機器人學中一個重要的開放性問題：要精確地移動，移動機器人必須有一個精確的環境地圖；然而，要建立一個精確的地圖，移動機器人的感知位置必須精確地知道[1]。這樣，同時建立地圖和定位就可以看到一個問題：先是雞還是蛋？（地圖還是運動？）1990年，首次提出使用擴展卡爾曼濾波（ekf）來逐步估計機器人姿態上的後驗分佈和標誌點的位置。事實上，機器人從未知環境的未知位置出發，在運動過程中通過反覆觀察環境特徵來定位自身的位置和姿態，然後根據自身位置建立周圍環境的增量地圖，從而達到同步定位和地圖建設的目的。定位是近年來一個非常複雜和熱門的話題。定位技術依賴於環境和對成本、精度、頻率和魯棒性的要求，可以通過GPS（全球定位系統）、imu（慣性測量單元）和無線信號等來實現。但是gps只能在戶外工作，imu系統有累積誤差[5]。無線技術作爲一種主動系統，無法在成本和精度之間取得平衡。近年來，隨着激光雷達、攝像機、慣性測量單元等傳感器的快速發展，slam技術應運而生。

從基於濾波器的slam開始，基於圖的slam現在佔據了主導地位。算法從kf（kalman filter）、ekf和pf（particle filter）發展到基於圖的優化。單線程已被多線程所取代。隨着多傳感器的融合，slam技術也從最初的軍用原型向後來的機器人應用轉變。

本文的組織結構概括如下：第二節闡述了包括激光雷達傳感器在內的激光雷達slam系統、開源激光雷達slam系統、激光雷達的深入學習、面臨的挑戰和未來。

第三章重點介紹了視覺slam，包括攝像機傳感器、不同密度的開源視覺slam系統、視覺慣性里程測量slam、視覺slam的深度學習和未來。在第四節中，將演示激光雷達和視覺的融合。最後，本文指出了slam未來研究的幾個方向，爲slam的新研究者提供了高質量、全方位的用戶指南。

II 激光SLAM

A 激光雷達傳感器

• Velodyne
• SLAMTEC
• Ouster
• Quanergy
• Ibeo
• 其他sick, Hokuyo, HESAI, RoboSense, LeddarTech, ISureStar, benewake, Livox, Innovusion, Innoviz, Trimble, Leishen Intelligent System

B 激光雷達SLAM系統

1）2D SLAM

• Gmapping
• HectorSlam
• KartoSLAM
• LagoSLAM
• CoreSLAm
• Cartographer
  2）3D SLAM
• LOAM
• Lego-Loam
• Cartographer
• IMLS-SLAM
  3)激光SLAM的深度學習
• 特徵提取：PointNetVLAD， VoxelNet，BirdNet ， LMNet，OPIXOR，Yolo3D，PointCNN，MV3D
• 識別和分割：PointNet，Point-Net++，VoteNet，SegMap，SqueezeSeg，PointSIFT，PointWise，3P-RNN，SPG，SegMatch，Kd-Network，DeepTemporalSeg，PointRCNN
• 定位：L3-Net，SuMa++

C 未來與挑戰

• 1）費用和適應性
• 2）低紋理和動態環境
• 3）其他傳感器的干擾

III 視覺SLAM

A 視覺傳感器

類型

• 單目
• 雙目
• RGB-D
• 事件相機

公司

• 微軟
• 英特爾
• ZED
• MYNTAI
• Occipital Structure
• Samsung
• 其他：Leap Motion, Orbbec Astra, Pico Zense, DUO, Xtion,Camboard, IMI, Humanplus, PERCIPIO.XYZ, PrimeSense

B 視覺SLAM系統

1）稀疏視覺SLAM

• MonoSLAM
• PTAM
• ORB-SLAM
• proSLAM
• ENFT-sfm
• OpenVSLAm
• TagSLAM
• UcoSLAM
  2) 半稠密SLAM
• LSD-SLAM
• SVO
• DSO
• EVO
  3）稠密SLAM
• DRAM
• MLM SLAM
• Kinect Fusion
• DVO
• RGBG-SLAM-V2
• Kintinuous
• RTAB-MAP
• Dynamic Fusion
• Elastic Fusion
• InfiniTAM
• Bundle Fusion
• 其他：SLAMRecon, RKD-SLAM ，RGB-D SLAM ，Maplab , PointNVSNet , MID-Fusion，MaskFusion
  4）視覺慣性里程計SLAM
• SSF
• MSCKF
• ROVIO
• OKVIS
• VINS
• ICE-BA
• Maplab
• VI-ORB
• StructVIO
• RKSLAM
  5）基於深度學習的視覺SLAM
  特徵提取：
• SuperPoint
• GCN-SLAM
• SalientDSO
• CubeSLAM
• MonoGRNet
  識別與分割：
• SLAM++
• Semanticfusion
• MarrNet
• 3DMV
• Pix3D
• ScanComplete
• Fusion++
• Mask-RCNN
• SegMap
• 3D-SIS
• DA-RNN
• DenseFusion
• CCNet
  尺度恢復：
• DeepVO
• GS3D
• UnDeepVO
• GeoNet
• CodeSLAM
• GEN-SLAM
• Deep-MVS
  位姿輸出與優化
• PoseNet
• VINet
• DeepVO
• SFM-Net
• VSO
• MID-Fusion
• VidLoc
  長期定位：
• X-View
• 基於事件相機的長期定位
  動態SLAM：
• RDSLAM
• DS-SLAM
• MaskFusion
• Co-Fusion
• Detect-SALAM
• DynaSLAM
• StaticFusion
• RGB-D SLAM

C 挑戰與未來

1）魯棒性與便攜性
2）多傳感器融合
3）語義SLAM

IV 激光視覺SLAM系統

A 多傳感器標定

相機與IMU：

• Kalibr
• Vins-Fusion
• MSCKF-VIO
• IMU-TK
  相機與深度：
• BAD SLAM
  雷達與IMU：
• LIO-mapping
• Lidar-Align
  相機與雷達
• Lidar-Camera
• RegNet
• LIMO
• CalibNet
• Autoware

B 激光與視覺融合

1）硬件層：

• Pandora公司
  2）數據層
• DFuseNet
  3）任務層
• V-Loam
• VI-SLAM
• VIL-SLAM
• PointFusion
• RoarNet
• AVOD
• MV3D
• FuseNet

C 挑戰與未來

1）數據關聯
2）硬件集成
3）高精度地圖
4）魯棒性與可擴展
5）抵禦風險和約束的能力
6）在UAV，VR/AR/MR
7）端到端的深度學習SLAM會是未來嗎？