《表1 不同传感器下SLAM方案Tab.1 SLAM System with Different Sensors》
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。
图表编号 | XD007942100 严禁用于非法目的 |
---|---|
绘制时间 | 2018.07.20 |
作者 | 危双丰、刘振彬、赵江洪、庞帆 |
绘制单位 | 北京建筑大学测绘与城市空间信息学院、现代城市测绘国家测绘地理信息局重点实验室、建筑遗产精细重构与健康监测北京市重点实验室、北京建筑大学测绘与城市空间信息学院、北京建筑大学测绘与城市空间信息学院、现代城市测绘国家测绘地理信息局重点实验室、建筑遗产精细重构与健康监测北京市重点实验室、北京建筑大学测绘与城市空间信息学院 |
更多格式 | 高清、无水印(增值服务) |