SLAM：无人系统和增强现实overview

太过爱你忘了你带给我的痛 2023-07-24 05:57 23阅读 0赞

**目录**

1 本文介绍

2 SLAM与机器人领域常识

3 SLAM经历的阶段

4 SLAM知识框架

4.1 点云地图的弊端

4.2 深度学习

5 SLAM与无人系统的结合点

--------------------

# 1 本文介绍 #

*  如题目所示，介绍SLAM在无人系统和增强现实方面的应用，这部分是一个overview。
 *  链接：2017.11 [https://www.chinahadoop.cn/course/1084/learn\#lesson/20439][https_www.chinahadoop.cn_course_1084_learn_lesson_20439]
 *  作者：杨亮(chiyangliang@gmail.com)

# 2 SLAM与机器人领域常识 #

*  机器人顶会：ICRA
 *  机器人开源系统：
    
     *  **ROS** robot operating system
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70][]
 *  执行器(驱动器)-》感知器(传感器)-》控制器-》环境理解-》定位-》导航-》避障
 *  SLAM知名综述：
    
     *  ![20200412101719417.png][]
 *  SLAM能提供什么：
    
     *  高速高精定位
     *  尺度信息，三维模型

# 3 SLAM经历的阶段 #

*  **滤波器模型**
    
     *  奠基人：javier civera, Andrew J. Davison 提出 EKF monocular SLAM
     *  模型图：
        
         *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1][]
     *  滤波器模型的缺陷：
        
         *  公式中0-k，k一直在增加，计算量一直在膨胀
     *  滤波器-》图优化
        
         *  EKF-SLAM -》 PTAM-SLAM
     *  **滤波器越来越重要**：
        
         *  便宜：IMU+相机
            
             *  不用RGBD: 不实用：尺寸大用在手机上，功耗大
         *  使用滤波器的源头：
            
             *  运动控制的估计量+观测量，通过贝叶斯概率的方式进行融合
 *  RGBD-SLAM
 *  ORB-SLAM
 *  LSD-SLAM: 基于连续两张图片的照度不变
 *  激光SLAM
    
     *  主动式的(基于图像是被动式的)
     *  最大问题：定位精度太高，单帧地图的理解能力特别强(如：ICP)
     *  激光领域的大神： zhang ji 精度0.5m
        
         *  LOAM
         *  V-LOAM
     *  谷歌：
        
         *  标准：Cartographer
     *  伯克利大学：
        
         *  BLAM 开源的 效果还可以
     *  SegMatch

# 4 SLAM知识框架 #

*  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 2][]
 *  深度还原：
    
     *  通过单目还是双目，做深度还原都是不靠谱的，因为这个滤波器问题
        
         *  即概率问题
     *  方案：RGBD 深度相机
 *  卡尔曼滤波器：
    
     *  在贝叶斯估计的基础上，加上了噪声是高斯分布的估计
 *  四元数：
    
     *  将位-姿用向量的形式表示，然后两个向量之间一次旋转到位
     *  对比欧拉角：必须绕一个轴旋转，比如：先x再y再z….严格的顺序
        
         *  最大弊端：[万向节锁(Gimbal Lock)问题][Gimbal Lock]
 *  回路和图优化
    
     *  开源工具包：G2O, Ceres

## 4.1 点云地图的弊端 ##

*  都是点，理解起来比较困难
 *  激光的相应比较慢
 *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 3][]
 *  **热点**：
    
     *  语义地图（如PointNet）,场景理解
     *  代表人物：李飞飞博士 dense capture

## 4.2 深度学习 ##

*  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 4][]
 *  **热点**：
    
     *  单目深度估计- 如基于视觉
 *  目前在美国状态：
    
     *  更侧重于编程：因为理论知识要求少，而实践应用要求高
 *  动态障碍物追踪和规避
    
     *  目前先进的方法：end-to-end方法
        
         *  直接使用图片+depth进行解算，输出该左转还是右转
 *  **创业**：
    
     *  camare-IMU融合！ 低成本，VR&AR 应用广泛
     *  VR一键装修，家具，装饰等
 *  Event Camera
    
     *  与传统相机相比，Event Camera是完全不同的，它不是记录一个场景的，而是记录一个场景的变化。在一个没有物体移动的场景中架设一台Event Camera，它不会显示任何东西。但是一旦Event Camera检测到运动（像素级的光线发生了变化），它就会在每个像素的基础上以非常高的刷新率（毫秒）呈现出来。如果你所关心的是在移动时避开物体，一台Event Camera就是你的不二之选，因为这种相机只是在寻找像素的变化，对低光也很敏感，并且不会因为强光而拍不到移动物体。
     *  [https://www.zhihu.com/question/47111443][https_www.zhihu.com_question_47111443]
     *  [https://blog.csdn.net/libocao/article/details/90201141][https_blog.csdn.net_libocao_article_details_90201141]

# 5 SLAM与无人系统的结合点 #

*  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 5][]
 *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 6][]
 *  增强现实与无人驾驶：
    
     *  *JOCOMMENT*：如将行驶信息，直接投影到车道上去…
     *  增强现实推荐书籍:
        
         *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 7][]

[https_www.chinahadoop.cn_course_1084_learn_lesson_20439]: https://www.chinahadoop.cn/course/1084/learn#lesson/20439
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70]: /images/20230528/a5899a91897f4befac5c74e30c9b144e.png
[20200412101719417.png]: /images/20230528/fa19e22adf6d403c9491714e12a47969.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1]: /images/20230528/ca1ce15c5bee4d6687f76304093bfb8c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 2]: /images/20230528/965919b833824778ae6ce221ba9f5c13.png
[Gimbal Lock]: https://www.cnblogs.com/psklf/p/5667593.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 3]: /images/20230528/1b88dbf2680e4783b649e7e0a9b27a32.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 4]: /images/20230528/20e5deda41e9432bb5d2205bba13f17f.png
[https_www.zhihu.com_question_47111443]: https://www.zhihu.com/question/47111443
[https_blog.csdn.net_libocao_article_details_90201141]: https://blog.csdn.net/libocao/article/details/90201141
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 5]: /images/20230528/ebf0994759264f1388c5aa880930f421.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 6]: /images/20230528/122dfd5f07ce45cd88e7330ab50a4dfd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 7]: /images/20230528/5812dff8ed49473eaf536ea9f075b610.png