版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/jjjwwwjjjwww/article/details/79633534
Design Considerations of a Sensor Fusion System:
- Accuracy
- Frequency
- Latency
- Sensor synchronization & timestamp accuracy
- Delayed and out-of-order measurements
- Estimator initialization
- Sensor calibration
- Different measurement models with uncertainties
- Robustness to outliers
- Computational efficiency
VIO紧融合系统中，IMU的帧率：IMAGE的帧率要足够大。否则，IMU信息的引入非但不能施加有效的运动约束，反而引入噪声，导致状态跳变。
基本常识：尚无直接法的闭环检测。
Foster TRO‘16关于稠密、半稠密、稀疏对比的结论：
半稠密和稠密的差别不大，因为图像平坦部分的信息量有限。当发生运动模糊和图像散焦时，稠密方法的优势才体现出来。
注：信息熵或许可以作为多传感融合系统的设计指导工具。VO/SLAM算法有效工作的四个基本假定，换句话说，当实际应用VO/SLAM系统时，一旦其中某个假定被自然因素或人为因素破坏了，系统就会失效。而可靠的算法应当尽可能不依赖这四个假定，尽管这难以做到。
- 光照足够（环境和传感器都会影响该假设）
- 纹理足够丰富（环境因素）
- 场景大部分静态（环境因素）
- 两帧充分重叠（传感器运动因素）
VO/SLAM系统失效的其他因素：
- 遮挡
- 快速运动（致模糊，少重叠区域）
- 光照变化
参数化地图点的方式
逆深度参数化形式具有形式简单、类似高斯分布、对远处场景更为鲁棒等优点，但基于逆深度参数化的Bundle adjustment，每个残差项需要比通常的BA多计算一个雅可比矩阵。与当前大热的深度学习「黑箱模型」不同，SLAM 的各个环节基本都是白箱，能够解释得非常清楚。但 SLAM 算法并不是上述各种算法的简单叠加，而是一个系统工程，里面有很多 tradeoff。如果仅仅跑跑开源程序，没有什么核心竞争力。不论是做产品还是做学术研究，都应当熟悉各种技术，才能有所创造。
SLAM技术与3D数据产业
- 现在通过任何方法获取的三维数据，在其主流的应用趋势上，应当支持现阶段市场需求更强劲的Web应用，兼容HTML5和WebGL，无需安装其他插件和独立的应用程序，为大众移动终端所轻而易举地使用。
- SLAM技术提高大型公共场所的服务和管理效率的案例（慕尼黑机场室内三维导航地图）
案例来自占地约20公顷的德国第二大机场——慕尼黑机场。在这里，乘客利用机场的三维室内地图，规划内部的目的地线路；同样，机场工作人员也利用三维地图确定自己的位置，然后在一套内部OA系统中规划执行任务的线路，以节约时间、提高效率。由于室内环境经常变化，面向乘客和工作人员的室内三维地图也需要经常更新，对此机场方面专门购买了基于SLAM技术的推车设备，组建专门的团队，只要有地方发生了格局改变，队伍马上过去采集数据，然后迅速对系统中的数据做出更新。
关于鲁棒实时的SLAM
- 靠单个硬件性能的提升或者算法的优化，都不足以提高SLAM系统的性能，最好的方式是融合多传感信息。
对直接法的一种观点：
- 那么直接法到底能否大范围普及呢？笔者从工业界“比较俗比较短视比较势利”的角度来看，觉得直接法两边不靠非常尴尬: 1) 直接法没有证明在位置跟踪方面比前端用传统特征点的基于滤波 (MSCKF, SR-ISWF) 或者基于优化 (OKVIS, VINS-Mono) 要有优势，如果环境恶劣是由于光线变化，那么直接法的基于环境亮度不变的假设也不成立，如果环境恶劣是由于超级剧烈的高速运动，那么直接法也是得通过imu融合才能争取不跟丢; 2) 直接法的直接好处是地图相对稠密，但相对稠密是针对于基于特征点的稀疏而言，如果这个地图是为了做跟踪，那么基于特征点的方法已经证明可以做得很好了，如果是为了3D重建，那么大可以用一个深度相机，如果是被动双目的话，被动双目还原出稠密深度本身也在大幅度进步。所以笔者认为直接法够新颖，但新颖的不够强大，或者说不够强大到有落地价值。
关于场景的扩展效率
- ORBSLAM比PTAM新增三维点时的特征匹配效率更高，因此能更及时地扩展场景。而扩展场景及时与否决定了后续帧是否能稳定跟踪。