visual-inertial SLAM视觉惯性slam
visual-only slam
一、传感器概述
传感器分为外部传感器：声呐，激光雷达，相机和GPS
和本体传感器（获取速度，位置增量，加速度这些信息）：编码器，加速度计和陀螺仪，先天噪声导致累计误差积累。
二、相机相关
相机获取更多的环境信息，颜色纹理等
相机标定，估计内外参：
内参：集合构造（焦距和主点）
外餐：相机在空间中的位置
线下标定的相机内参在slam工作期间保持不变
使用相机存在的问题：
- 假定相机运动平滑，但实际上会有运动模糊或者图像中缺少纹理，难以进行特征检测与匹配。
- 环境中存在动态的事物，对匹配带来影响
- 真实世界在视觉上往往具有重复性，对回环检测带来困难
三、特征提取
路标点：三位坐标下真实空间中的区域
显著特征：二维图像中的区域
二者关系：自然路标点在图像中的反映作为显著特征
特好的特征点：显著地、精确地、旋转平移尺度光照不变性
特征提取包括：检测和描述
检测子：将特征提取出来的算法，用来检测提取相应特征
描述子：用于描述这些特征，将特征处理为向量
特征选取选择更高水平的几何信息
检测子->检测->特征->描述子->向量
四、特征匹配与数据关联（回环检测）
特征匹配技术：长基线和短基线，用于特征点的匹配和回环检测。
基线：两相机光心连线。
短基线匹配：基线短，即两图像视角差很小。在提取到的特征点周围画一个矩形框（patch），通过其内像素点的相似度（归一化的相关性、像素差的平方和、像素差的绝对值的和等）判断。patch的大小要适中，过小容易误匹配，过大消耗计算时间。由于尺度过小，对噪声敏感。
长基线匹配：基线长，尺度和视角变化较大。此时首先需要为特征计算描述子，通过特定数据结构搜索特征对。然后选择相似度量，如判断两特征描述子的距离（比如，欧式距离，曼哈顿距离，卡方距离等）来判断相似度。几何约束可以加速匹配过程：匹配的必要条件是在对极线上，这样只需搜索该线而不需搜索整个图像的特征。除此之外，还有持续在线学习的方法。使用各种描述子和相似度量，特征匹配总会出现错误匹配的情况，应对这种情况需要进行估计筛选，如RANSAC。最后，使用ROC曲线评估匹配效果。
回环检测：假阳性比假阴性结果更具影响。通过相似矩阵或词袋模型以及学习的方法判断当前图像相似的视频节点，从而判断是否回环。
五、slam方案
SLAM总体方案有三种：
概率滤波器：考虑使用状态和观测的非线性模型迭代估计位姿和地图元素，不确定性符合概率分布。EKF、FastSLAM（粒子滤波）、极大似然估计ML、最大期望EM等。对匹配精度敏感，适用于小规模环境。
SfM（从运动恢复结构）视觉里程计：从输入的图像根据匹配的特征使用光束平差（BA）法非线性优化技术最小化重影误差以恢复相机位姿。另外，增加精度不是靠增加帧数，而是需要增加特征数。
生物启发式模型：？？
六、地图分类
地图可以大致分为两类：度量地图和拓扑地图。
度量地图：描述几何信息，分为栅格地图和路标地图
拓扑地图：描述两点连接关系