[人工智能]SLAM学习（1-2章节）

SLAM学习（1-2章节）

去年12月份学习SLAM相关内容，到今年三月份，将SLAM的相关内容学习了一边，现在开始写自己的博客，主要是为了复习以下相关的学习内容。相关的学习资料可以在以下git仓库上找到，SLAM讲个人觉得确实有些地方没有详细展开，本人在学习过程中查询了一些资料，将一些内容补充完整了！

github仓库https://github.com/starnetB/CV_learning

以上仓库里面还有PCL点云处理的相关学习资料，可以有助于点云处理的学习。此外还会同步更新pytorch与神经网络的一些相关内容。

第一章 风格约定

这一章没啥好说的个人觉得，只是本章节的一些俗称约定。

第二章 数学基础与框架

首先是通过小萝卜的例子，介绍了两种导航的方法：

1. 通过标签或二维码来进行导航
2. 通过自带传感器的方式来进行导航
   1.自带的传感包括以下种类：
   • 激光传感器
   • 相机
   • 轮式编码器
   • 惯性测量单元等

相对于第一种，第二种的优势在于：

• 对环境没有很高的要求，从而可以使得方案适用于未知环境，因此携带式传感器是SLAM发展的正统，也是发展的主要方向。

常用设备相机

• 单目相机
• 双目相机
• 深度相机

个人觉得深度相机，额有点贵，最近本人项目都涉及realscene相机，随随便便一个就得几千，我同事买的，深度相机几万得都有，简直了。

各种相机的优缺点分析

• 单目相机
  • 感觉这种相机在三维方便，只有缺点没有优点了，因为只有RGB通道导致他失去了一个维度，也就是没有深度。虽然可以通过相机的三角测量发获取相关的深度，但毕竟是野路子，相对而言，缺陷也比较多
• 双目相机
  • 这个深度是算出来的，就是消耗性能，它的优势在于室内外都可以使用
• 深度相机 RGB-D 相机
  • 精度高，不需要计算资源
  • 在室外，光容易涣散，不适合，一般用于室内比较多
  • 我在加一条就是贵

SLAM框架简介

1. 传感器信息读取
   • 这个不用多说了，读取信息
2. 前端视觉里程计
   1. 通过相机活动，当前的位置状态，并把他们串起来，形成轨迹
3. 后端优化
   1. 这一部分主要用来去除一些噪声和误差
   2. 优化机器人自身的轨迹，也包含地图数据等
   3. 还包含一些实时性能等
4. 回环检测
   1. 消除累积误差
5. 建图
   1. 度量地图
      1. 稀疏地图(定位等)
      2. 稠密地图(导航等)
   2. 拓扑地图
      1. 强调地图元素之间的关系

SLAM问题的数学表述

• 首先介绍两大方程
  • 什么是运动方程，从k-1 到k时刻，小萝卜的位置x时如何变化的
  • 什么时观测方程，小萝卜在k时刻出$x_k$处探测到路一个路标$y_j$,我们要考察如何用数学语言来描述这件事情

运动方程公式
$$x_k=f(x_{k?1},u_k,w_k)$$

• $u_k$表示运动传感器的读数
  • 这里传感气，可以是Mu，相机，激光传感器等。
• $w_k$为该过程中加入的噪声
• $x_k$就是当前时刻的位置信息

观察方程
$$z_{k,j}=h(y_j,x_k,v_{k,j})$$

• $v_{k,j}$表示噪声
• $z$ 表示观测数据
• $y_j$表示第几个路标

将以上两个模型统一以下

$$H(f)=\{\begin{array}{ccc}{x}_k=f(x_{k?1},u_k,w_k)& & k=1,?,K\\ z_{k,j}=h(y_j,x_k,v_{k,j}& & (k,j)\in O\end{array}$$

• 应对定位问题(估计x)
• 应对建图问题(估计y)

噪声处理

主要服从那种分布

1. 线性/非线性和高斯/非高斯分布
2. 图优化(Graph Optimization)为代表的优化技术进行状态估计