视觉SLAM技术15年演进

"Visual SLAM 15年发展历程(高清版)" Visual SLAM，全称Simultaneous Localization and Mapping，即同时定位与建图，是机器人技术中的关键算法，主要用于实现移动设备在未知环境中的自主导航。这篇资料由Andrew Davison撰写，他在Imperial College London的Robot Vision Group和Dyson Robotics Laboratory工作，对这一领域有着深入的研究。 自20世纪末以来，Visual SLAM已经取得了显著的发展。Andrew Davison提到的核心特征包括： 1. **闭环估计**：这是SLAM中的关键部分，通过识别已探索过的区域并校正位姿，避免定位漂移，提高定位精度。 2. **预测性**：系统能够预测移动后的位置，使得实时性能得以保障。 3. **高效性**：在有限的计算资源下，实现高效的计算，确保算法能够在实际硬件上运行。 4. **现场演示**：强调Visual SLAM的实际应用价值，不仅在理论上可行，而且可以直观地展示其效果。 5. **单目视觉传感器**：早期的工作主要集中在使用单一的视觉传感器（如摄像头）进行建图和定位，从而实现无漂移、一致的局部化。 6. **多用途性**：由于其核心特性，Visual SLAM适用于多种应用场景，例如无人机导航、自动驾驶汽车、室内机器人等。 7. **商品化硬件**：随着消费级摄像头和处理器的进步，Visual SLAM技术可以更加普及，不再局限于专业设备。 8. **开源软件**：开放源代码的项目，如Davison在AIST Japan期间创建的SceneLib，促进了社区的共享和进步。 Visual SLAM的历史可以追溯到早期的一些开创性工作，比如： 1. **DROID**：Harris在1980年代后期提出的基于特征的视觉里程计，为后来的Visual SLAM奠定了基础。 2. **离线结构从运动(SFM)到序列处理**：例如Fitzgibbon和Pollefeys的工作，逐渐将静态场景的重建扩展到连续序列的处理。 3. **EKF SLAM**：Durrant-Whyte和Leonard等人通过扩展卡尔曼滤波器实现了非视觉传感器的SLAM。 4. **激光扫描匹配**：Gutmann和Konolige等人的研究，展示了激光雷达数据在构建环境地图中的应用。 移动机器人社区在推动这些技术发展方面发挥了重要作用，它们不仅提供了实验平台，还提出了许多挑战和需求，促进了Visual SLAM算法的不断优化和创新。随着时间的推移，Andrew Davison认为这项研究正在向更广泛、实时的空间感知方向发展，尽管它仍然是SLAM，但其应用范围和复杂度都在不断增加。