SLAM的前世此生

SLAM技術已經蓬勃發展起來，這裏綜述性地介紹下SLAM的主體知識。SLAM的主體技術很少，難點在於細節。來源是：技術分享.ppt

前世

人類惆悵近千年的問題不是：我是誰，我要作什麼，我要去哪裏！而是：定位、定向、測速、授時！

定位是說物體在地球上的方位，定向是物體前進的方向，測速是物體的運行速度，授時是運動經歷的時長。而定位和定向就是咱們要討論的話題。

古代智慧的中國人們提出了夜觀天象，基於遙遠恆星的方位推斷自身所處的位置，進而演變出一門博大精深的學科「牽星術」。

直到1964年，美國人完全打破了你們的遊戲規則，創建了全球定位系統GPS。多說幾句，GPS是給出物體相對於地心座標系的經緯度以及相對於水平面的高度（三維信息），且GPS是狹義相對論的應用實例（衛星和地面的時間同步）。

GPS軍用的P碼能夠達到1-2米級精度，開放給大衆使用的CA碼也可以實現5-10米級的精度。至此已基本上解決了室外的定位和定姿問題，可是室內怎麼辦？室外怎麼優化位姿？

SALM是什麼

SLAM的全稱是Simultaneous Localization and Mapping，即定位與製圖。SLAM和SFM有這千絲萬縷的聯繫。

SFM（Structure From Motion），稱之爲傳統三維重建，這是一門計算機視覺學科的分支，特色是把數據採集回來，離線慢慢處理。常見應用就是重建某建築物的3d地圖，比較炫的成果可見Building Rome in a day (—天重建羅馬城)。

SLAM是自動化控制學科的分支，提起SLAM就要提到ROS，網上開源的SLAM技術通常也都是和ROS集成在一塊兒的。ROS是機器人操做系統，用一堆各式各樣的傳感器組裝好一套硬件，採集各個傳感器的數據，傳送給ROS的處理節點（軟件節點）。ROS會並行調度這些節點，這些節點有接受處理某類傳感器信號的，有重合處理各項數據的，有展現結果/執行策略的。

因此學習SLAM就要簡單瞭解下ROS，推薦找本入門書翻翻，一天就差很少啦。SLAM要作到的是實時！要作到的是低運算量！

總結即是：兩者的數學理論類似，所屬學科不一樣，應用側重點不一樣。更直接點，如今的情況是：SFM提供了理論支撐，SLAM真正融入了人們生活。

另外一個問題是：SLAM和圖像算法是什麼關係？

SLAM同步構建周圍世界的3d地圖，並肯定robot所在的位置和方向。16年ICCV大會最後總結致辭：

SLAM是和ConvNets和Deep Learning互補的算法。SLAM專一於幾何問題， Deep Learning主要解決感知與識別。

若是想讓機器人走到冰箱而不撞牆，你須要SLAM；若是要識別冰箱內的物體，你須要卷積網絡。

固然，深度學習的興起，也會給SLAM/SFM提供新的養料。

SLAM的分支

首先明確三個問題：

• SLAM可使用大量不一樣的硬件
• SALM是一個概念不是算法
• SLAM包含多步，每一個模塊都有多種算法

因此，SLAM有一堆分支。可是整個SLAM框架能夠分爲前端和後端。根據不一樣的前端配置採用不一樣的後端策略，後端也提出了衆多的算法理論。

前端：涉及傳感器的選擇以及傳感器數據處理。好比里程計時間戳和Lidar點雲時間戳的對齊等。按傳感器功能，機器人的兩個主要模塊：

1. 移動系統：里程計、GPS、IMU慣導等
2. 測量系統：Laser、sonar、vision等

移動系統中的傳感器能夠選擇一種或多重，甚至「沒有」（參考視覺里程計VO，根據圖片三維重建，反推攝像機位置，可是計算量大），通常SLAM硬件都會有一兩種。

測量系統中，Laser激光精度高，就是價格昂貴，32線程一個30萬左右，並且有些場景不適合。聲吶雷達價格便宜，技術成熟，就是精度差，水下等特殊場景普遍採用。攝像機信息量豐富直觀，但處理量大，對光照敏感。vision又分單目雙目等，可見前端方案組合的多樣性。

後端：綜合前端信息，優化位姿。涉及數學知識較多。

常見的slam算法：vslam、rgbd-salm、monoslam、orb-slam等

SLAM的通常過程

因爲運動估計傳感器（移動系統）獲得的位姿一般具備較大的偏差，於是咱們但願使用測量系統獲得的周圍環境信息來優化位姿。

一個完整的處理過程以下：

1. 機器人使用觀測系統測量地標相對於機器人的距離和角度。
2. 運動一段距離後，達到新的位置，機器人經過運動方程預測新位置。
3. 在新的位置，經過觀測系統從新測量各個地標的距離和角度。
4. 如此反覆
   

R表示機器人，五角星表示地標。地標的選擇是一個研究方向，簡單的有特徵點（靜止點），更魯棒更高級的是線段，平面均可以做爲地標。路標還會涉及到路標的更新。

利用預測值和觀測值計算系統狀態——卡爾曼濾波。

線性KF方程

u和z是硬件能夠提供的，上述中x爲系統狀態：表示robot的位置，表示robot的姿態（四元組或者3個角度值），爲地標的位置

u表示速度/加速度/角加速度等值。z表示測量系統獲得的地標相對機器人的距離、角度。w和v表示噪聲。

由此，能夠根據上一時刻狀態和當前時刻觀測量更新獲得當前時刻狀態。這也是卡爾曼濾波所擅長的。

EKF

KF濾波是線性方程，可是距離等顯然不是線性的，所以，SLAM中其實用的最多的是EKF（Extended Kalman Filter）。

EKF實質是把差值認爲是線性的，思想仍是用線性系統代替非線性系統。計算能夠參考《An Introduction to the Kalman Filter》。

目前，也有一些slam採用了粒子濾波PF，PF是基於馬爾科夫蒙特卡洛方法的抽樣濾波，適用非線性系統。PF中要維持全部的可能狀態，對資源消耗大。

上述漸進式的匹配方式，存在累計偏差。若是有一幀錯誤，後續又基於這個錯誤的位置，後果不堪設想。因此最好和前面多幀進行對比（預測方程基於前面多個時刻）。

後端Graph-based SLAM

SLAM借鑑SFM中的捆集優化思想，21世紀走向了圖優化的道路。

優化方法和濾波器方法有根本上的不一樣。它並非一個迭代的過程，而是考慮過去全部幀中的信息。經過優化，把偏差平均分到每一次觀測當中。

Graph-based SLAM是沒法計算的，圖的聯結數目巨大，可是其實這是一個稀疏的，正是這個稀疏性，使得優化思路成爲了現實。這裏要感謝稀疏代數的發展，網上有不少優化庫可解上述目標函數。

閉環檢測

新來一幀數據，如何判斷它在已有序列中是否出現過。

1. 新幀的位置，若是回到歷史位置附近；
2. 幀的特徵和歷史關鍵幀特徵類似（經常使用）。

不用第一種：科學家認爲前一種依靠有噪聲的位置來減小位置的噪聲，有點循環論證的意思。第二種就是：幀幀匹配。

在沒有閉環的狀況下，[k,k+t]這一段數據進行圖優化，若是閉環出現（如綠色），就要把歷史數據也考慮進來，入冊能夠顯著減小累計偏差。

注意：閉環檢測的引入是爲了減小偏差的，不少場景很難出現閉環這種狀況，可是人們有意設計了這種情況，好比掃機器人開啓前期，走一段路就繞回來，爲得即是製造閉環。

SLAM的應用

• 掃地機器人，這簡直就是SLAM的代言人，除了定位+製圖，還須要引入路徑規劃。
• 室內移動機器人
• 無人機
• 無人駕駛

等等，I am anywhere! SLAM也即將開啓超體時代。Google的cartographer也給SLAM添了一把火。

參考

《SLAM for Dummies》

http://www.leiphone.com/news/201605/5etiwlnkWnx7x0zb.html

http://blog.csdn.net/lcj_cjfykx/article/details/46407875

https://www.zhihu.com/question/51348391/answer/125439374