視覺SLAM的方案大全

MoNoSLAM

#以擴展卡爾曼濾波為後端，追蹤前端非常稀疏的特徵點，以相機的當前狀態和所有路標點為狀態量，更新其平均值和協方差。

優點：在2007年，隨著電腦效能的提升，以及該系統以稀疏的方式處理影像，使得該方案使得SLAM系統能夠在線上運作。 （先前的SLAM系統是基本上無法在線上運作的，只能靠機器人攜帶相機擷取的數據，再離線進行定位和建圖。）

缺點：MoNoSLAM存在應用場景窄，路標數量有限，係數特徵點非常容易丟失等缺點，現在已經停止了對其開發。

PTAM( Parallel Tracking And Mapping )

主要原理是: 從攝影影像上捕捉特徵點，然後偵測出平面，在偵測出的平面上建立虛擬的3D座標，然後合成攝影影像和CG。其中，獨特之處在於，立體平面的偵測和影像的合成採用並行處理。

優點：提出並實現了追蹤與建圖過程的並行化，將前後端分離，使用非線性最佳化方案，既可以即時的定位與建圖，也可以在虛擬平面上疊加物體。

缺點：場景小，追蹤容易遺失。

ORB-SLAM（繼承並改進PTAM）

#優點：泛用性：支援單目，雙眼，RGB-D三種模式。整個系統圍繞著ORB特徵進行計算，在效率與精度之間做到了平衡，並圍繞特徵點進行了最佳化。其回環檢測演算法可以有效防止誤差的累積。使用三個執行緒完成SLAM，取得了較好的追蹤和建圖效果，能夠確保軌跡和地圖的全域一致性。

缺點：對於每張影像都需要計算ORB特徵耗時大。三執行緒給CPU帶來較大負擔，在一直到嵌入式裝置上有一定的困難，ORB-SLAM的建圖為稀疏特徵點，只能滿足定位功能。

LSD-SLAM（Large Scale Direct monocular SLAM）

#將單目直接發應用到了半稠密的單目SLAM中，不需要計算特徵點，還能建立版稠密地圖.

優點：直接法是針對像素進行的；對特徵缺失區域不敏感，半稠密追蹤可以保證追蹤的即時性和穩定性；在cpu上實現了半稠密地圖的重建。

缺點：對相機內參和曝光非常敏感，並且在相機快速運動時容易丟失，在回環檢測部分，沒有直接基於直接發實現，依賴特徵點方程進行回環檢測，尚未完全擺脫特徵點的計算。

SVO（ Semi-direct Visual Odoemtry ）

基於稀疏直接法的視覺里程計，在實現中，使用了4x4的小塊進行塊匹配，估計相機資自身的運動。

優點：速度極快，在低階運算平台上也能達到即時性，適合計算平台受限的場合。

缺點：在平視相機中表現不佳；捨棄了後端優化和回環檢測部分，SVO的位姿估計存在累計誤差，並且丟失後不太容易進行重定位。

RTAB-MAP（RGB-D感測器上的SLAM方案）

給出了一套完整的RGB-D SLAM方案，目前可以直接從ROS中獲得其二進位程序，在Google Project Tango上可以獲得其APP直接使用。

優點：原理簡單；支援RGB-D和雙眼感測器，且提供即時的定位和建圖功能。

缺點：整合度高，龐大，在其上進行二次開發困難，適合作為SLAM應用而非研究使用。

以上是視覺SLAM的方案大全的詳細內容。更多資訊請關注PHP中文網其他相關文章！