SLAM方案
站在历史角度，看一下为SLAM的发展带来贡献的方案：
- 2007年—A.J.Davison—MonoSLAM
- 视觉SLAM的先驱，建立在EKF基础上，此前基本无法在线运行，意义较大；
- 应用场景窄；
- 2007—Klein—PTAM
- 也是SLAM重要事件：双线程结构；跟踪部分实时响应，地图优化没必要实时，第一个使用非线性优化后端，引入关键帧机制，带有AR效果；
- 场景小跟踪容易丢失；
- 2014—J.Engle—LSD-SLAM
- 单目直接法 用直接法构建半稠密地图(不需要特征点)，半稠密：估计梯度明显的像素位置。可在CPU上进行，极线搜索做法是极线等距取5点，度量SSD，深度估计采取随机数再归一化等，减小了尺度漂移；
- 直接法的缺点：对相机内参和曝光敏感，运动过快容易丢失，没有直接法的回环检测，依赖特征点；
- 2014—Forster—SVO
- 半直接法 特征点与直接法混合使用，跟踪角点，没有描述子，直接根据关键点周围信息估计相机运动；4X4大小的块匹配，速度极快，SVO2.0可以达到400帧每秒，提出了深度滤波器；
- 只要是无人机俯视相机使用，平视表现不好，单目初始化等；舍弃了后端优化和回环检测，故称一个VO而非SLAM。
- 2015—PTAM的继承者—ORB-SLAM
- 特征点SLAM中的顶峰支持单目、双目、RGB-D模式；用ORB特征计算视觉里程计和回环检测的ORB字典，精度与效率折中；回环检测优秀，一个很大的ORB字典文件；三个线程完成SLAM，跟踪特征点、小图BA、大图全局位姿图和优化线程；
- 必须对每个图像都计算一遍ORB特征，耗时，三线程CPU负担，没有开放存储和读取地图后重定位，无法提供导航、避障、交互等。
- RTAB-MAP 是专用RGB-D SLAM的方案，基于特征的视觉里程计，基于词袋的回环检测，后端的位姿图优化以及点云和三角网格地图，完整庞大的SLAM方案。
其他一些方案可以在官网查找
研究方向
- 视觉+惯导 ：具有明显互补性：
- IMU：角速度，加速度存在明显漂移，使积分两次得到的数据不可靠，但是短时间内快速运动，IMU能提供较好的估计；
- 相机：运动过快，运动模糊，重叠区域太少，数据基本不漂移，运动过快可以依靠IMU保持位姿估计；
- 图像变化时，不知道是相机自身运动还是外接环境变化，IMU却可以感受到；
复杂的VIO
- 语义SLAM
结合深度学习
- 语义帮助SLAM：给图带标签，得到带标签的地图，有助于与回环检测和BA优化；
- SLAM帮助语义：深度学习上，从不同视角采集物体数据标定，辛苦。而在SLAM中可以估计相机运动，自动计算物体在图像中的位置，省去人工成本。
- 在深度学习之前，场景分割识别通过支持向量机，条件随机场等传统工具进行。使用深度学习后，很有前景
- 基于线/面特征的SLAM
- 动态场景下的SLAM
- 多机器人的SLAM
都有待探索。
我们正处在提出问题—寻找算法—完善算法 的第三个阶段，各位共勉！
