SLAM算法總結——經典SLAM算法框架總結

• SLAM算法總結——經典SLAM算法框架總結

SLAM算法總結——經典SLAM算法框架總結

從研究生接觸SLAM算法到現在也有兩三年了，期間學習了很多經典的SLAM算法框架并寫了一些相關的博客，本篇博客主要目的是想將這些博客進行一個簡單總結用于查漏補缺。首先，按照我的理解，我梳理了如下一個思維導圖，如果讀者發現有什么需要補充或者糾正的歡迎隨時交流：

按照分類，我們先來講講視覺SLAM，視覺SLAM算法相對于激光SLAM算法的特點是信息更加豐富，由于是在二維提取特征點，因此通常可以達到更高的頻率，但也正是因為信息豐富，因此更容易引入噪聲，加上缺乏三維信息，導致視覺SLAM算法的魯棒性在平均水平上要低于激光SLAM，尤其是通過傳統特征進行定位和建圖，在工程應用上相對受限，當前一個熱門的方向是通過網絡提取更加魯棒的特征，例如Super Pixel、Super Clue，或者直接根據網絡輸出定位和建圖結果，這也是我之后希望進一步了解的方向：

以下是一些視覺SLAM的博客鏈接，感興趣的同學可以了解下：
純視覺方案：
視覺SLAM總結——ORB SLAM2中關鍵知識點總結
視覺SLAM總結——SVO中關鍵知識點總結
視覺SLAM總結——LSD SLAM中關鍵知識點總結

結合IMU方案：
VINS-Mono關鍵知識點總結——前端詳解
VINS-Mono關鍵知識點總結——邊緣化marginalization理論和代碼詳解
VINS-Mono關鍵知識點總結——預積分和后端優化IMU部分

學習MSCKF筆記——前端、圖像金字塔光流、Two Point Ransac
學習MSCKF筆記——四元數基礎
學習MSCKF筆記——真實狀態、標稱狀態、誤差狀態
學習MSCKF筆記——后端、狀態預測、狀態擴增、狀態更新

結合激光方案：
視覺激光融合——VLOAM / LIMO算法解析

我是先入門的視覺SLAM再接觸的激光SLAM，因此激光SLAM我接觸的時間并不是很長，但是激光SLAM和視覺SLAM的基本方法是一樣的，只是在傳感器輸入處理上會稍有不同，正如上面提到的，激光SLAM在工程應用方面會更加成熟，以下是一些激光SLAM的博客鏈接：
純激光方案：
學習LOAM筆記——特征點提取與匹配

結合IMU方案：
激光IMU融合——LIO-Mapping / LIOM / LINS / LIO-SAM算法解析

結合視覺方案：
視覺激光融合——VLOAM / LIMO算法解析
在視覺和激光結合的方向上，在2021年的ICRA上還有一片LVI-SAM，工程實現上是VINS-Mono和LIO-SAM的結合。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的SLAM算法总结——经典SLAM算法框架总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。