本文摘要：当今科技发展速度飞快，想要让用户在AR/VR、机器人、无人机、无人驾驶领域体验强化，还是必须更加多前沿技术做到反对，SLAM就是其中之一。

当今科技发展速度飞快，想要让用户在AR/VR、机器人、无人机、无人驾驶领域体验强化，还是必须更加多前沿技术做到反对，SLAM就是其中之一。实质上，有人就曾打比方，若是手机离开了WIFI和数据网络，就像无人车和机器人，离开了SLAM一样。

什么是SLAMSLAM的英文全称是SimultaneousLocalizationandMapping，中文称为“同时定位与地图创立”。SLAM企图解决问题这样的问题：一个机器人在不得而知的环境中运动，如何通过对环境的观测确认自身的运动轨迹，同时建构出有环境的地图。SLAM技术正是为了构建这个目标牵涉到到的诸多技术的总和。SLAM一般来说还包括如下几个部分，特征提取，数据关联，状态估算，状态改版以及特征改版等。

我们提到知乎上的一个说明把它翻译成大白话，就是：当你回到一个陌生的环境时，为了很快熟知环境并已完成自己的任务（比如去找饭馆，去找旅馆），你应该做到以下事情：a.用眼睛仔细观察周围地标如建筑、大树、花坛等，并忘记他们的特征（特征提取）b.在自己的脑海中，根据双目取得的信息，把特征地标在三维地图中修复出来（三维重建）c.当自己在行驶时，大大提供新的特征地标，并且校正自己头脑中的地图模型（bundleadjustmentorEKF）d.根据自己前一段时间行驶取得的特征地标，确认自己的方位（trajectory）e.当无意中回头了很长一段路的时候，和脑海中的以往地标展开给定，看一看否走到了原路（loop-closuredetection）。实际这一步可有可无。以上五步是同时展开的，因此是simultaneouslocalizationandmapping。

传感器与视觉SLAM框架智能机器人技术在世界范围内获得了大力发展。人们致力于把机器人用作实际场景：从室内的移动机器人，到野外的自动驾驶汽车、空中的无人机、水下环境的观测机器人等等，皆获得了普遍的注目。没精确的定位与地图，扫地机就无法在房间自律地移动，不能随机内乱摸；家用机器人就无法按照指令精确抵达某个房间。

此外，在虚拟现实（VirtualReality）和增强现实技术（ArgumentReality）中，没SLAM获取的定位，用户就无法在场景中漫游。在这几个应用领域中，人们必须SLAM向应用层获取空间定位的信息，并利用SLAM的地图已完成地图的建构或场景的分解。当我们谈论SLAM时，年所问及的就是传感器。SLAM的构建方式与可玩性和传感器的形式与加装方式密切相关。

传感器分成激光和视觉两大类，视觉下面又分三小方向。下面就带上你了解这个可观家族中每个成员的特性。1.传感器之激光雷达激光雷达是最古老，研究也最少的SLAM传感器。

它们获取机器人本体与周围环境障碍物间的距离信息。少见的激光雷达，例如SICK、Velodyne还有我们国产的rplidar等，都可以当作做到SLAM。激光雷达能以很高精度测得机器人周围障碍点的角度和距离，从而很便利地构建SLAM、避障等功能。

主流的2D激光传感器扫瞄一个平面内的障碍物，限于于平面运动的机器人（如扫地机等）展开定位，并创建2D的栅格地图。这种地图在机器人导航系统中很简单，因为多数机器人还无法在空中飞行中或踏上台阶，仍仅限于地面。

在SLAM研究史上，早期SLAM研究完全仅有用于激光传感器展开建图，且多数用于滤波器方法，例如卡尔曼滤波器与粒子滤波器等。激光的优点是精度很高，速度快，计算出来量也并不大，更容易制成动态SLAM。

缺点是价格昂贵，一台激光以致于上万元，不会大幅提高一个机器人的成本。因此激光的研究主要集中于如何减少传感器的成本上。对应于激光的EKF-SLAM理论方面，因为研究较早于，现在早已十分成熟期。

与此同时，人们也对EKF-SLAM的缺点也有较确切的了解，例如容易回应回环、线性化误差相当严重、必需确保路标点的协方差矩阵，造成一定的空间与时间的支出，等等。2.、传感器之视觉SLAM视觉SLAM是21世纪SLAM研究热点之一，一方面是因为视觉十分直观，不免令人实在：为何人能通过眼睛认路，机器人就敢呢？另一方面，由于CPU、GPU处理速度的快速增长，使得许多以前被指出无法动态简化的视觉算法，以求在10Hz以上的速度运营。硬件的提升也增进了视觉SLAM的发展。

以传感器而论，视觉SLAM研究主要分成三大类：单目、双目（或多目）、RGBD。其余还有鱼眼、全景等类似照相机，但是在研究和产品中都归属于少数。此外，融合惯性测量器件（InertialMeasurementUnit，IMU）的视觉SLAM也是现在研究热点之一。

就构建可玩性而言，我们可以大体将这三类方法排序为：单目视觉双目视觉RGBD。单目照相机SLAM全称MonoSLAM，即要用一支摄像头就可以已完成SLAM。这样做到的益处是传感器尤其的非常简单、成本尤其的较低，所以单目SLAM十分不受研究者注目。

比起别的视觉传感器，单目有个仅次于的问题，就是不了清楚地获得深度。这是一把双刃剑。一方面，由于意味著深度不得而知，单目SLAM不了获得机器人运动轨迹以及地图的现实大小。

直观地说道，如果把轨迹和房间同时缩放两倍，单目看见的看起来一样的。因此，单目SLAM不能估算一个比较深度，在相近转换空间Sim(3)中解法，而非传统的欧氏空间SE(3)。如果我们必需要在SE(3)中解法，则必须用一些外部的手段，例如GPS、IMU等传感器，确认轨迹与地图的尺度（Scale）。另一方面，单目照相机无法依赖一张图像取得图像中物体离自己的比较距离。

为了估算这个比较深度，单目SLAM要靠运动中的三角测量，来解法照相机运动并估算像素的空间方位。即是说道，它的轨迹和地图，只有在照相机运动之后才能发散，如果照相机不展开运动时，就无法获知像素的方位。同时，照相机运动还无法是纯粹的转动，这就给单目SLAM的应用于带给了一些困难，好在日常用于SLAM时，照相机都会再次发生转动和旋转。

不过，无法确认深度同时也有一个益处：它使得单目SLAM受环境大小的影响，因此既可以用作室内，又可以用作室外。

本文关键词：333体育官网app下载,333体育官网登录入口,333体育平台app,333体育官网登录,333体育APP网页版登录

本文来源：333体育官网app下载-www.clorange.com