前言
此爲學習《視覺SLAM十四講》第1、2講及其他相關SLAM內容的總結與整理。
什麼是SLAM
SLAM是Simultaneous Location and Mapping，同時定位與地圖構建。是指搭載特定傳感器的主體，在沒有環境先驗信息的情況下，於運動過程中建立環境的模型，同時估計自己的運動。
目的是解決自主機器人“定位”和“建圖”兩個問題。同時要求能夠實時地，沒有先驗知識地進行。
SLAM問題的本質是對主體自身（位姿）和周圍環境空間（點雲）的不確定性的估計。
經典SLAM算法框架
- 傳感器信息獲取：相機圖像的讀取和預處理，碼盤、IMU等的讀取和時間同步。
- 前端視覺里程計（Visual Odometry，VO）：通過相鄰幀間的圖像估計相機運動，並恢復場景的空間結構。僅通過VO估計軌跡會出現累計漂移。主要是特徵點法和直接法。
- 後端優化（Optimization）：接收不同時刻視覺里程計輸出的相機位姿，以及迴環檢測的信息，對其進行優化，得到全局一致的軌跡和地圖。主要是濾波和非線性優化算法。
- 迴環檢測（Loop Closing）：解決位置估計誤差隨時間漂移的問題，得到全局一致的地圖。利用圖像相似性判斷機器人是否曾經到達過此位置，如果檢測到迴環，會把信息提供給後端進行處理。
- 建圖（Mapping）：根據估計出的軌跡，建立於任務要求對應的地圖。
SLAM數學模型
運動方程和觀測方程：
SLAM可建模爲一個狀態估計問題：當知道運動測量讀數u，以及傳感器的讀數z時，如何求解定位問題（估計機器人自身位置x）和建圖問題（估計路標點y），其中w和v爲運動噪聲和觀測噪聲。
狀態估計問題的求解，與系統是否線性，噪聲服從哪種分佈有關。系統可分爲線性/非線性和高斯/非高斯系統。其中線性高斯系統（LG）的無偏最優估計可由卡爾曼濾波器（KF）給出。目前優化技術已經明顯優於濾波器技術，主流視覺SLAM使用以圖優化爲代表的優化技術進行狀態估計。
傳感器的分類
1、外置：安裝在環境中，如導軌、二維碼等，這類傳感器簡單有效，但約束了外界環境；
2、內置：攜帶在機器人本體上，如輪式編碼器、相機、激光、聲納、IMU等，通常測量間接的物理量而非直接位置數據，具有通用性。
相機簡單介紹
相機是以一定速率採集環境信息得到照片，形成視頻流。照片的本質是拍照時的場景在相機的成像平面下的投影，是以二維的形式反應三維世界，丟失了場景的深度。
單目相機SLAM：通過移動時物體產生的視差計算深度，無法確定真實尺度（Scale）（尺度不確定性）。
尺度表示爲單目SLAM估計的軌跡和地圖與真實軌跡和地圖之間相差的因子。
雙目相機（stereo）：由兩個單目相機組成，通過基線（Baseline）估計每個像素的深度。
優點：不依賴其他傳感器，可應用於室內/室外。
缺點：配置與標定複雜，深度量程和精度受雙目基線和分辨率所限，視差的計算非常消耗計算資源，需要GPU。
深度相機（RGB-D）：通過紅外結構光或者Time-of-Fight（TOF）原理，主動測量物體的距離。
優點：通過物理手段測量，可以節省大量運算；
缺點：目前存在測量範圍窄、噪聲大、視野小、易受陽光干擾、無法測量投射材質等問題，主要應用於室內。
地圖的分類
地圖是對環境的描述，主要分爲：
- 度量地圖（Metric Map）：精確地表示地圖中物體的位置關係。
- 拓撲地圖（Topological Map）：強調地圖元素之間的關係，是一個圖（Graph），由節點和邊組成，只考慮節點間的連通性。
度量地圖又可分爲：
- 稀疏地圖（Sparse）對環境進行一定尺度的抽象，不表達所有物體，如選擇一部分具有代表意義的物體，成爲路標（Landmark）。
- 稠密地圖（Dense）：建模所有看到的東西，一般由許多小塊組成，包含佔據、空閒、未知三種狀態。
SFM、單目多視角三維重建和vSLAM的區別
SFM又叫structure from motion，即從運動恢復結構。
1、SFM以及單目多視角三維重建的圖像是無序的，匹配時需要進行較爲暴力的匹配，選擇初始兩張圖像以及加入最好的下一張圖像需要技巧；
SLAM是有序的圖像序列，一般通過前後幀間匹配和局部窗口法，只有迴環檢測時需要進行圖像間的匹配。
2、SFM中的structure對應於vSLAM中的mapping，camera pose對應於vSLAM中location。從目的考慮，SFM主要是要爲了實現三維重建（3D reconstuction），而vSLAM主要是要實現定位（location）。
3、SFM 是離線處理的，對處理時間要求不嚴格，但對結果的精確度要求高；SLAM需要在線處理，一般要求達到實時性。且SLAM更希望能在小型電腦或嵌入式設備中應用。
視覺SLAM的主要挑戰
- 迴路序列和多視頻序列
- 高效高精度處理大尺度場景
- 動態場景
- 快速運動和強旋轉問題
機器人綁架
指在丟失之前位置信息的情況下，去確定機器人的當前位姿。比如機器人在移動過程中，由於傳感器的暫時性功能故障或相機的快速移動導致跟蹤失敗，從而得到一個錯誤的位姿估計；或者外界強行將其放到另外一個位姿。
"綁架問題"可以分爲初始化綁架和追蹤丟失狀態綁架。
1）初始化綁架可採用粒子濾波方法，重新分散隨即狀態粒子到三維空間，經不斷更新後粒子收斂到可解釋觀察結果的區域。
2）追蹤丟失狀態綁架，即在綁架之前系統已經保存當前狀態估計，則可以融合多傳感器和增加替代傳感器的方式解決。