《表1 不同传感器下SLAM方案Tab.1 SLAM System with Different Sensors》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《SLAM室内三维重建技术综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:MonoSLAM:Monocular SLAM，单目视觉SLAM；PATM:Parallel Tracking and Mapping，并行跟踪与建图；DTAM:Dense tracking and mapping，同步定位与稠密建图；SVO:Fast semi-direct monocular visual odometry，半稠密单目视觉里程计；DSO:Direct Sparse Odometry，基于直接法的里

本文对SLAM所涉及4个模块的核心算法进行了总结（图2）。目前SLAM研究重点主要放在后端优化上，主要算法有粒子滤波、图优化、最小二乘滤波等优化算法。由于最小二乘滤波算法（如滑动窗口滤波器[14]或Kalman滤波器及其变体[4，15-16]）简单并能够进行实时计算，曾被广泛采用。该方法基于两个假设:（1）系统运动方程是线性或局部线性；（2）测量噪声服从高斯分布。基于该方法，将SLAM后端优化理解为一系列高斯随机变量的线性变换操作（这些随机变量由均值向量和协方差矩阵表示），最小二乘滤波器随着建图规模增大，协方差矩阵会呈指数增长，这对于实时解算很不利，且大多数SLAM系统都不满足上述两种假设，求解精度差。为此，文献[17-19]成功将粒子滤波器应用到SLAM后端优化中，使用蒙特卡罗方法从一群离散粒子中估计变量，成功应用于2D和3D网格图中。粒子滤波器[17-19]对非线性问题具有很好的鲁棒性，但存在维度增长过快的问题，无法进行实时大规模建图。最近非线性图优化方法[20-21]成为了主流方案，通过估计稀疏约束集的节点网络问题，能够有效解决SLAM后端优化的问题。近年来，非线性优化正逐渐取代传统滤波器，成为SLAM中的主要处理手段，当前出现了基于非线性优化方法的开源库（如TO-RO （tree based network）[21]和g2o（ageneral framework for graph optimization）[22]） 被成功应用于SLAM系统中。目前，针对不同传感器和算法理论已经出现了多种SLAM方案（表1），其中RG-BD-SLAM V2是当前最为稳定有效的SLAM系统，该系统整合了SLAM各项关键技术，如图像特征、回环检测、点云渲染、图优化等，是一个非常全面的SLAM系统，但提取SIFT（scaleinvariant feature transform）特征和渲染点云，消耗计算资源较大。