一、SLAM技术回顾
SLAM，即时定位与制图，包含3个关键词：实时、定位、制图，就是实时完成定位和制图的任务，这就是SLAM要解决的基本任务。
按照使用的传感器分为激光SLAM（LOAM、V-LOAM、cartographer）与视觉SLAM，视觉SLAM,视觉SLAM的主要分支如下图所示：
二、不同种类的RGB-D相机的原理及性能对比
2.1 RGB-D相机的分类
1）RGB双目
? ? RGB双目指的是目前大家都在热点研究的，仅依靠双相机的视差获取深度信息的方式。RGB双目相机因为非常依赖纯图像特征匹配，所以在光照较暗或者过度曝光的情况下效果都非常差，另外如果被测场景本身缺乏纹理，也很难进行特征提取和匹配。
基本原理：通过左右两个摄像头获取图像信息，计算视差
关于视差，类似人的双眼，你单独睁开左、右眼，与同时睁开双眼观看物体的位置、远近不同
双目相机不主动对外发射光源，因此称为被动深度相机，目前多应用在科研领域
?双目立体视觉原理：
双目立体视觉的数学原理_沈子恒的博客-CSDN博客_立体视觉原理
2）结构光
? ? ?基本原理：主要硬件有投射仪、相机，通过投射仪主动发射（因此称为主动测量）肉眼不可见IR红外光到被测物体表面，然后通过一个或多个相机拍摄被测物体采集结构光图像，将数据发送到计算单元，通过三角测量原理计算获取位置和深度信息。
结构光顾名思义就是将光结构化，有多种投影图案方式，如正弦条纹的相移法、二进制编码的格雷码、相移法+格雷码等? ?
? ? ????
3）TOF
? ? TOF是Time of flight的简写，直译为飞行时间的意思。所谓飞行时间法3D成像，是通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行（往返）时间来得到目标物距离。这种技术跟3D激光传感器原理基本类似，只不过3D激光传感器是逐点扫描，而TOF相机则是同时得到整幅图像的深度信息。
2.2 不同技术深度相机的性能对比
目前的主流摄像头在检测范围、检测精度和检测角度等都相差不大，主要区别在于：
1、结构光方案优势在于技术成熟，深度图像分辨率可以做得比较高，但容易受光照影响，室外环境基本不能使用；
2、TOF方案抗干扰性能好，视角更宽，不足是深度图像分辨率较低，做一些简单避障和视觉导航可以用，不适合高精度场合。受环境影响小，传感器芯片并不成熟，成本很高，实现量产困难。
3、双目方案，成本相对前面两种方案最低，但是深度信息依赖纯软件算法得出，此算法复杂度高，难度很大，处理芯片需要很高的计算性能，同时它也继承了普通RGB摄像头的缺点：在昏暗环境下以及特征不明显的情况下并不适用。
三、 SLAM模块技术拆解
3.1 前端
??
前端就是根据几何和光度一致性约束估计像机的运动
1)常用的特征提取方法
ICP：对于RGBD-SLAM来说，我们可以直接使用ICP算法估计相机运动，但是几何特征缺失时，ICP法会失败；
特征点法：优点是一般场景都能提供丰富的特征点，场景适应性较好，能够利用特征点进行重定位。缺点是特征点计算法耗时；特征点利用到的信息太少，丢失了图像中的大部分信息；对于弱纹理区域，特征点法将失去效用；特征点匹配容易产生误匹配，对结果产生很大影响。
光流法：优点是不需要计算特征描述子，耗时短，不会产生误匹配的情况，比较稳健。缺点是它所基于的灰度不变假设是强假设，在实际环境中不成立，得到的结果不一定可靠；要求像机运动速度不能太快，不能自动曝光。
直接法：优点是不需要计算特征点和描述子，可以得到稠密或半稠密的地图；在特征缺失时也可正常使用。缺点是与光流法一样，灰度不变假设在实际环境中不成立，得到的结果不一定可靠；要求像机运动速度不能太快，不能自动曝光。
?特征线面：优点是特征层次比点要高，不容易产生误匹配的情况。缺点是线面这样高层次的特征在场景中的数量较少。
2)计算相机的运动
? ? ?提取相机的特征点同时特征描述进行匹配后，得到了两张图像上的匹配结果，接下来要做的事情就是如何根据匹配点，计算相机的运动。
? ? 我们的目标是求解相机的运动计算，也就是求解相机的R 和t，这是SLAM的最基本问题之一，常用的有三种方法如下，分别是对极几何、ICP、PnP，对应的是2d2d、2d3d和3d3d三种求解方法。如下图所示：
? ? ??前端需要考虑的问题：匹配策略（两两帧匹配、多帧联合匹配、当前帧与局部特征地图匹配）、缺少深度信息的特征点如何处理（2D-2D/2D-3D/3D-2D/3D-3D混合使用）、如何加速特征匹配（FLANN等）、如何让特征分布均匀、如何剔除误匹配、考虑RGBD像机的噪声特性（依据噪声进行加权）、关键帧的选择等等
?
?3.2 后端
? ? ? ?为什么使用后端优化，因为视觉里程计会造成累积误差【因为当前位姿和前一时刻的位姿强相关】，会使得图变的错误或者不闭合，如下面两个图
? ? ? ?后端就是为了消除前端的误差，将前端的结果进行优化，分为基于滤波和图优化（非线性优化）两种方法，现在绝大部分SLAM系统都采用图优化。
? ? ? 常用的后端优化库有g2o、ceres、gtsam。相对于前端来说，后端的方法较为成熟稳定，没有什么变化的地方。
图优化：
? ? ?图优化里，Bundle Adjustment（后面简称BA）起到了核心作用，对该算法的详细解释可以参考下面的博文
概念：
??????? 比如一个机器人在房屋里移动，它在某个时刻 t 的位姿（pose）就是一个顶点，这个也是待优化的变量。而位姿之间的关系就构成了一个边，比如时刻 t 和时刻 t+1 之间的相对位姿变换矩阵就是边，边通常表示误差项。
在SLAM里，图优化一般分解为两个任务：
1、构建图。机器人位姿作为顶点，位姿间关系作为边。
2、优化图。调整机器人的位姿（顶点）来尽量满足边的约束，使得误差最小。
例子：
? ? ? ?下面就是一个直观的例子。我们根据机器人位姿来作为图的顶点，这个位姿可以来自机器人的编码器，也可以是ICP匹配得到的，图的边就是位姿之间的关系。由于误差的存在，实际上机器人建立的地图是不准的，如下图左。我们通过设置边的约束，使得图优化向着满足边约束的方向优化，最后得到了一个优化后的地图（如下图中所示），它和真正的地图（下图右）非常接近。
3.3 回环检测?
? ? ?为什么要进行闭环检测呢？原因是前端得到像机轨迹会随着时间不断漂移（drift），而且累积的误差会越来越大，这样，过不了多久，我们得到的像机运动轨迹就完全不可靠。当像机走到之前来过的位置时，我们可以得到一个强有力的约束，将像机轨迹拉回到正确的地方，这就是为什么我们要大费周章的寻找闭环。
3.4 建图
? ? ?根据应用（定位/导航/避障/重建/交互）的不同，地图的表达类型也不同，常见的地图类型包括稀疏地图、稠密地图、语义地图、拓扑地图。
地图类型：
四、优秀RGBD SLAM介绍
参考博文：
?4.1 KinectFusion
? ? ? ?KinectFusion是首个基于RGBD相机的实时三维重建系统，用深度图像生成的点云通过ICP估计相机位姿，再依据相机位姿拼接多帧点云采，并用TSDF模型表达重建结果。KinectFusion虽然能实时构建三维模型，但它也存在很明显的缺点：RGBD相机的RGB信息完全没有得到利用；为保证实时性，需要用到GPU加速，增加实现的成本；当环境主要由平行平面构成时，ICP会失败；它在对同一个环境重复建模时误差不会无限累积，但对新环境进行建模时，误差仍会累积；使用固定体积的网格模型表示重建的三维场景，因而只能重建固定大小的场景；没有使用闭环检测进行优化。
? 4.2 ElasticFusion
? ? ? ?ElasticFusion（见Thomas Whelan个人主页和ElasticFusion解析）充分利用RGBD相机的信息，利用RGB的颜色一致性估计相机位姿，以及利用深度图像生成点云进行ICP来估计相机位姿，通过不断优化重建的map来提高相机位姿的估计精度，最后用surfel模型进行地图表达。ElasticFusion的优点是充分利用颜色与深度信息，缺点是由于代码没有进行优化，它只适合对房间大小的场景进行重建。
? ?4.3 Kintinuous
? ? ? ?Kintinuous（见Kintinuous解析）是对KinectFusion的改进，位姿估计通过ICP和直接法使用GPU实现，有闭环检测，并首次使用deformation graph对三维刚体重建做非刚体变换，使得闭环中两次重建的结果能够重合。
? ? 4.4 RGBD SLAM2
? ? ? ?RGBD SLAM2（见rgbdslam-ROS Wiki和视觉SLAM实战）是一个非常全面优秀的系统，将SLAM领域的图像特征、优化、闭环检测、点云、octomap等技术融为一体，非常适合RGBD SLAM初学者，也可以在其基础上继续开发。RGBD SLAM2的缺点是其算法实时性不好，相机必须慢速运动，此外，用点云表达三维地图很耗费内存。
? ? 4.5 RTAB Map（RTAB SLAM）
? ? ? ?RTAB Map（见RTAB-Map's homepage和RTAB-Map中文详解）是当前最优秀的RGBD SLAM，它通过STM/WM/LTM的内存管理机制，减少图优化和闭环检测中需要用到的结点数，保证实时性以及闭环检测的准确性，能够在超大场景中运行。著名的Google Tango（见如何评价Google 的 Project Tango和Google Project Tango 有哪些黑科技）就是使用RTAB Map做SLAM，当然Tango中的RTAB Map还融合IMU等传感器数据（据说使用的是MSCKF，而且做了硬件同步）。今天还体验了一下Tango，不得不说Google的东西就是屌，无论在室内还是室外都能运行，当然室内效果更好，只要手机运动不是太快，基本上都能稳健运行，并构建mesh地图。
? ? RTAB Map结果：
? ??
五、RGBD SLAM难点
? ? (1)相机运动太快
? ? ? ?相机运动过快的影响：其一，相机运动过快时，帧间的重叠区变小，对于特征点法来说，同名特征点变少，对于光流法和直接法来说，灰度不变假设不成立，这将导致位姿估计不准或者没法估计（可使用广角、鱼眼、全景相机，或者多放几个相机解决）；其二，相机运动过快时，rolling shutter相机会产生运动模糊，严重影响特征点的提取与匹配，以及使用直接法进行位姿估计的准确性（可使用global shutter相机解决）。
? ? (2)视场角不够
? ? ? ?视场角不够，帧间的重叠区自然就小（zed视场角较大，而Kinect太小），可使用视场角大的相机解决，或者多用几个RGBD相机。
? ? (3)深度测量范围小、精度低
? ? ? ?zed深度测量虽然可达20m，但是精度不高，而且弱纹理环境下深度很不准；Kinect深测量范围为0.5~4m，精度可达2~4mm。
? ? (4)实时难度大
? ? ? ?当前的许多RGBD SLAM都需要计算特征（点线面），产生巨大的计算开销，为了保证SLAM系统实时运行，我们可以通过选择计算量小的特征、并行计算、利用指令集、放到硬件上计算等手段进行加速，当然还可以减少特征点数。实时性与SLAM结果的精度存在天然的矛盾，需要在两者间进行权衡。
? ? (5)遮挡
? ? ? ?相机运动到墙角时，许多信息会被遮挡；相机可能会被操作人员无意遮挡。
? ? (6)特征缺失
? ? ? ?许多应用场景包含大面积的弱纹理区域，导致位姿估计精度低或者失败。除了增加视场范围，使用IMU，好像没有太好的办法。
? ? (7)动态光源
? ? ? ?变化的光源会导致特征提取与匹配的不准，也让直接法的灰度不变假设不成立；此外，强光对Kinect会产生巨大干扰。
? ? (8)运动物体的干扰
? ? ? ?所有的SLAM都假设环境是静止的，但是运动物体会破坏这一假设。解决办法就是检测出运动物体，减小它们的影响。
? ? (9)时间同步
? ? ? ?现在许多SLAM系统都使用多个传感器，这就涉及到传感器间的时间同步问题，时间同步分为软同步和硬同步。软同步当然赶不上硬同步，但是硬件时间同步只能由硬件开发商解决，对于RGBD传感器来说，这是一个相当棘手但却十分重要的问题，但是绝大多数论文都避而不谈（即使我们无法解决）。
? ? ? ?上述问题在视觉SLAM中普遍存在，自然也在RGBD SLAM中存在，6、7、8这几个问题还在研究阶段，远达不到应用的要求，前面的几个问题倒是可以在一定程度上解决。比如使用广角相机，或者增加RGBD相机个数（时间同步问题无法解决），再或者使用IMU进行辅助（IMU优点是能测量快速运动，在视觉里程计失败时提供短时间的位姿估计）。
?
