姓名：16020140096劉珣玥
轉載自：http://mp.weixin.qq.com/s/y1_vF6p0ZNwQM1ABViQNGw
有刪節。
【嵌牛導讀】：SLAM (simultaneous localization and mapping),也稱為CML (Concurrent Mapping and Localization), 即時定位與地圖構建，或并發建圖與定位
【嵌牛鼻子】：例如掃地機器人就是一個很典型的SLAM問題，所謂完全的地圖（a consistent map）是指不受障礙行進到房間可進入的每個角落。 SLAM最早由Smith、Self和Cheeseman于1988年提出。 由于其重要的理論與應用價值，被很多學者認為是實現真正全自主移動機器人的關鍵。
【嵌牛提問】：將一個機器人放入未知環境中的未知位置，是否有辦法讓機器人一邊逐步描繪出此環境完全的地圖，同時一邊決定機器人應該往哪個方向行進。
【嵌牛正文】：
當你來到一個陌生的環境時，為了迅速熟悉環境并完成自己的任務（比如找飯館，找旅館），你應當做以下事情：
a.用眼睛觀察周圍地標如建筑、大樹、花壇等，并記住他們的特征（特征提取）
b.在自己的腦海中，根據雙目獲得的信息，把特征地標在三維地圖中重建出來（三維重建）
c.當自己在行走時，不斷獲取新的特征地標，并且校正自己頭腦中的地圖模型（bundle adjustment or EKF）
d.根據自己前一段時間行走獲得的特征地標，確定自己的位置（trajectory）
e.當無意中走了很長一段路的時候，和腦海中的以往地標進行匹配，看一看是否走回了原路（loop-closure detection）。實際這一步可有可無。
以上五步是同時進行的，因此是simultaneous localization and mapping
離不開這兩類傳感器
目前用在SLAM上的Sensor主要分兩大類，激光雷達和攝像頭。
這里面列舉了一些常見的雷達和各種深度攝像頭。激光雷達有單線多線之分，角分辨率及精度也各有千秋。SICK、velodyne、Hokuyo以及國內的北醒光學、Slamtech是比較有名的激光雷達廠商。他們可以作為SLAM的一種輸入形式。
這個小視頻里展示的就是一種簡單的2D SLAM。
而VSLAM則主要用攝像頭來實現，攝像頭品種繁多，主要分為單目、雙目、單目結構光、雙目結構光、ToF幾大類。他們的核心都是獲取RGB和depth map(深度信息)。簡單的單目和雙目（Zed、leapmotion）我這里不多做解釋，我主要解釋一下結構光和ToF。
最近流行的結構光和TOF
結構光原理的深度攝像機通常具有激光投射器、光學衍射元件（DOE）、紅外攝像頭三大核心器件。
這兒還有兩款結構光原理的攝像頭。
還有一種比較獨特的方案（最后一幅圖），它采用mems微鏡的方式，類似DLP投影儀，將激光器進行調頻，通過微鏡反射出去，并快速改變微鏡姿態，進行行列掃描，實現結構光的投射。（產自ST，ST經常做出一些比較炫的黑科技）。
ToF（time of flight）也是一種很有前景的深度獲取方法。
傳感器發出經調制的近紅外光，遇物體后反射，傳感器通過計算光線發射和反射時間差或相位差，來換算被拍攝景物的距離，以產生深度信息。類似于雷達，或者想象一下蝙蝠，softkinetic的DS325采用的就是ToF方案（TI設計的），但是它的接收器微觀結構比較特殊，有2個或者更多快門，測ps級別的時間差，但它的單位像素尺寸通常在100um的尺寸，所以目前分辨率不高。
在有了深度圖之后呢，SLAM算法就開始工作了，由于Sensor和需求的不同，SLAM的呈現形式略有差異。大致可以分為激光SLAM（也分2D和3D）和視覺SLAM（也分Sparse、semiDense、Dense）兩類，但其主要思路大同小異。
SLAM算法在實現的時候主要要考慮以下4個方面吧：
1. 地圖表示問題，比如dense和sparse都是它的不同表達方式，這個需要根據實際場景需求去抉擇
2. 信息感知問題，需要考慮如何全面的感知這個環境，RGBD攝像頭FOV通常比較小，但激光雷達比較大
3. 數據關聯問題，不同的sensor的數據類型、時間戳、坐標系表達方式各有不同，需要統一處理
4. 定位與構圖問題，就是指怎么實現位姿估計和建模，這里面涉及到很多數學問題，物理模型建立，狀態估計和優化
其他的還有回環檢測問題，探索問題（exploration），以及綁架問題（kidnapping）。
整個SLAM大概可以分為前端和后端，前端相當于VO（視覺里程計），研究幀與幀之間變換關系。首先提取每幀圖像特征點，利用相鄰幀圖像，進行特征點匹配，然后利用RANSAC去除大噪聲，然后進行匹配，得到一個pose信息（位置和姿態），同時可以利用IMU（Inertial measurement unit慣性測量單元）提供的姿態信息進行濾波融合
后端則主要是對前端出結果進行優化，利用濾波理論（EKF、UKF、PF）、或者優化理論TORO、G2O進行樹或者圖的優化。最終得到最優的位姿估計。
后端這邊難點比較多，涉及到的數學知識也比較多，總的來說大家已經慢慢拋棄傳統的濾波理論走向圖優化去了。
因為基于濾波的理論，濾波器穩度增長太快，這對于需要頻繁求逆的EKF（擴展卡爾曼濾波器），PF壓力很大。而基于圖的SLAM，通常以keyframe（關鍵幀）為基礎，建立多個節點和節點之間的相對變換關系，比如仿射變換矩陣，并不斷地進行關鍵節點的維護，保證圖的容量，在保證精度的同時，降低了計算量。
列舉幾個目前比較有名的SLAM算法：PTAM,MonoSLAM, ORB-SLAM,RGBD-SLAM,RTAB-SLAM,LSD-SLAM。
1）室內機器人
掃地機要算機器人里最早用到SLAM技術這一批了，國內的科沃斯、塔米掃地機通過用SLAM算法結合激光雷達或者攝像頭的方法，讓掃地機可以高效繪制室內地圖，智能分析和規劃掃地環境，從而成功讓自己步入了智能導航的陣列。
不過有意思的是，科沃斯引領時尚還沒多久，一大幫懂Slam算法的掃地機廠商就開始陸陸續續地推出自己的智能導航，直到昨天雷鋒網還看到一款智能掃地機新鮮出爐，而這追逐背后的核心，大家都知道就是SLAM技術的應用。
而另一個跟SLAM息息相關的室內移動機器人，因為目前市場定位和需求并不明確，我們目前只能在商場導購室內機器人和Buddy那樣的demo視頻里才能看到，國內Watchhhh Slam和Slam Tech兩家公司都是做這方面方案提供的，以現實的觀點看，現在室內移動機器人市場定位和需求沒落地的時候，由方案商公司推動，商用室內移動機器人先行，這反而是一種曲線救國的發展方式。
2）AR
目前基于SLAM技術開發的代表性產品有微軟的Hololens，谷歌的Project Tango以及同樣有名的Magic Leap，后者4月20號公布它的新一代水母版demo后，國內的AR公司更加看到了這個趨勢，比如進化動力近期就公布了他們的SLAM demo, 用一個小攝像頭實現VR頭顯空間定位，而易瞳去年10月雷鋒網去試用新品的時候，就發現已經整合SLAM技術了，國內其他公司雖然沒有正式公布，但我們可以肯定，他們都在暗暗研發這項技術，只等一個成熟的時機就會展現給大家。
3）無人機
國外的話，原來做 Google X Project Wing 無人機的創始人 MIT 機器人大牛 Nicholas Roy 的學生 Adam Bry 創辦的 Skydio，挖來了 Georgia Tech 的 Slam 大牛教授 Frank Dellaert 做他們的首席科學家。
國內大家非常熟悉的大疆精靈四避障用的雙目視覺+超聲波，一位大疆工程師徐梟涵在百度百家的撰文里坦率承認
“P4里面呈現的主動避障功能就是一種非常非常典型的Slam的弱應用，無人機只需要知道障礙物在哪，就可以進行 Planning，并且繞開障礙物。當然Slam能做的事情遠遠不止這些，包括災區救援，包括探洞，包括人機配合甚至集群，所有的關于無人機的夢想都建立在Slam之上，這是無人機能飛（具有定位，姿態確定以后）的時代以后，無人機最核心的技術。”
4）無人駕駛
因為Google無人駕駛車的科普，很多人都知道了基于激光雷達技術的Lidar Slam。Lidar Slam是指利用激光雷達作為外部傳感器，獲取地圖數據，使機器人實現同步定位與地圖構建。雖然成本高昂，但目前為止是最穩定、最可靠、高性能的SLAM方式。
