SLAM包含了兩個(gè)主要的任務(wù)：定位與構(gòu)圖，在移動(dòng)機(jī)器人或者自動(dòng)駕駛中，這是一個(gè)十分重要的問(wèn)題：機(jī)器人要精確的移動(dòng)，就必須要有一個(gè)環(huán)境的地圖，那么要構(gòu)建環(huán)境的地圖就需要知道機(jī)器人的位置。

本系列文章主要分成四個(gè)部分：

在第一部分中，將介紹Lidar SLAM，包括Lidar傳感器，開(kāi)源Lidar SLAM系統(tǒng)，Lidar中的深度學(xué)習(xí)以及挑戰(zhàn)和未來(lái)。

第二部分重點(diǎn)介紹了Visual SLAM，包括相機(jī)傳感器，不同稠密SLAM的開(kāi)源視覺(jué)SLAM系統(tǒng)。

第三部分介紹視覺(jué)慣性里程法SLAM，視覺(jué)SLAM中的深度學(xué)習(xí)以及未來(lái)。

第四部分中，將介紹激光雷達(dá)與視覺(jué)的融合。

視覺(jué)SLAM的穩(wěn)定性是一項(xiàng)技術(shù)挑戰(zhàn)。因?yàn)榛趩文康囊曈X(jué)SLAM需要初始化、尺度的不確定性和尺度漂移等問(wèn)題[1]。盡管立體相機(jī)和RGB-D相機(jī)可以解決初始化和縮放的問(wèn)題，但也存在一些不容忽視的問(wèn)題，如運(yùn)動(dòng)速度快、視角小、計(jì)算量大、遮擋、特征丟失、動(dòng)態(tài)場(chǎng)景和光照變換等。針對(duì)以上這些問(wèn)題傳感器的融合方案逐漸流行起來(lái)，IMU與相機(jī)融合的視覺(jué)里程計(jì)成為研究熱點(diǎn)。

視覺(jué)與慣導(dǎo)

論文[2][3][4]是比較早期對(duì)VIO進(jìn)行的一些研究。[5][6]給出了視覺(jué)慣導(dǎo)里程計(jì)的數(shù)學(xué)證明。而論文[7]則使用捆集約束算法對(duì)VIO進(jìn)行穩(wěn)健初始化。特別是tango[8]、Dyson 360 Eye和hololens[9]可以算的上是VIO真正的產(chǎn)品，得到了很好的反饋。除此之外，蘋(píng)果的ARkit（filterbase）、谷歌的ARcore（filterbase）、uSens的Insideout都是VIO技術(shù)。下面就介紹一些開(kāi)源VIO系統(tǒng)[10]：

總結(jié)

以上是生活随笔為你收集整理的SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。