从零开始搭建一套SLAM系统

第一天：整体算法框架简介以及学习建议

SLAM是什么

• SLAM 和 SFM 是什么关系

  • 不同点：
    • SFM (Structure From Motion)，称之为传统三维重建，这是一门计算机视觉学科的分支，特点是把图片数据集集回来，离线慢慢精细化处理。常见应用就是重建某建筑物的3d地图，比较炫的成果可以见 rome_paper.pdf (washington.edu) (一天重建罗马城)。
    • 提起SLAM就要提到ROS。ROS是机器人操作系统，用一堆杂七杂八的传感器组装好一套硬件，采集各个传感器的数据，传送给ROS的处理节点。SLAM会处理这些数据进行实时建图与定位，要做到的是低运算量！2107.00822 (arxiv.org)
    • 二者所属学科不同，应用侧重点不同。
  • 相同点：
    • SFM为SLAM提供了强有力的理论支持，二者的数学理论相似。

• SLAM 和 Deep Learning 是什么关系

  • SLAM是和Deep Learning互补的算法。SLAM专注于几个问题，通过构建周围世界的3d或2d地图，并确定robot所在的位置和方向，Deep Learning主要解决感知与识别。
  • 如果想让机器人走到冰箱而不撞墙，你需要SLAM；如果要识别冰箱内的物体，你需要神经网络。

SLAM的前端后端

• 首先明确三个问题：

  • SLAM可以使用大量不同的硬件
  • SLAM是一个概念不是算法
  • SLAM包含多个模块，每个模块都有多种算法

• SLAM框架可以分为前端和后端。

  • 前端：涉及传感器的选择以及传感器数据处理，比如里程计时间戳和Lidar点云时间戳的对齐等。位姿粗估计。

    • 移动系统：里程计、GPS、IMU惯导等
    • 移动系统中的传感器可以选择一种或多种，甚至“没有”（参考纯视觉里程计VO或者纯激光里程计LO）。
      • 前端状态估计
        • IMU积分或轮速DR
        • 对极几何
        • 点云配准
    <