SLAM（simultaneouslocalizationandmapping），也称为CML（ConcurrentMappingandLocalization），即时定位与舆图构建，或并发建图与定位。问题可以描写为：将一个机器人放入未知情况中的未知地位，是不是有门径让机器人一边慢慢描绘出此情况完整的舆图，同时一边决意机器人该当往哪个标的目的前进。例如扫地机器人就是一个很典范的SLAM问题，所谓完整的舆图（aconsistentmap）是指不受阻碍前进到房间可进入的每一个角落。SLAM最早由Smith、Self跟Cheeseman于1988年提出。因为其紧张的实际与使用代价，被良多学者认为是实现真正齐自立移动机器人的要害。

当您来到一个目生的情况时，为了疾速熟习情况并实现本人的使命，您应该做以下工作：

a.用眼睛窥察周围地标如修筑、大树、花坛等，并记住他们的特点

b.正在本人的脑海中，依据双目取得的信息，把特点地标正在三维舆图中重修出来

c.当本人正在行走时，不休获得新的特点地标，而且校订本人脑筋中的舆图模子（bundleadjustmentorEKF）

d.依据本人前一段时间行走取得的特点地标，肯定本人的地位

e.当偶然中奔忙了很长一段路的时间，跟脑海中的以往地标停止婚配，看一看是不是奔忙回了原路（loop-closuredetection）。实际那一步无关紧要。

以上五步是同时停止的，是以是simultaneouslocalizationandmapping

离不开那两类传感器

现阶段用正在SLAM上的Sensor次要分两大类，激光雷达跟摄像头。

那内里罗列了一些罕见的雷达跟各类深度摄像头。激光雷达有单线多线之分，角分辨率及精度也各有所长。SICK、velodyne、Hokuyo和海内的北醒光学、Slamtech是比力着名的激光雷达厂商。他们可以作为SLAM的一种输入情势。

这个小视频是宾大的传授kumar做的特殊着名的一个demo，是正在无人机上应用二维激光雷达做的SLAM。

而VSLAM则次要用摄像头去实现，摄像头品种繁多，次要分为单目、双目、单目布局光、双目布局光、ToF几大类。他们的焦点皆是获得RGB跟depthmap。简略的单目跟双目我这里未几做注释，我次要解释一下布局光跟ToF。

比来风行的布局光跟TOF

布局光原理的深度摄像机平常存在激光投射器、光学衍射元件、红外摄像头三大焦点器件。

可以看到primesense的doe是由两部门构成的，一个是分散片，一个是衍射片。先经由过程分散成一个区域的随机散斑，然后复制成九份，投射到了被摄物体上。依据红外摄像头捕捉到的红外散斑，PS1080这个芯片便可以快捷解算出各个面的深度信息。

第一页它是由两幅非常纪律的散斑构成，最初同时被红外相机取得，精度绝对较下。但听说DOE本钱也比力下。

另有一种比力怪异的计划，它采取mems微镜的方法，近似DLP投影仪，将激光器停止调频，经由过程微镜反射进来，并快捷转变微镜姿态，停止行列扫描，实现布局光的投射。（产自ST，ST时常做出一些比力炫的乌科技）。

ToF也是一种很有前景的深度获得方式。

传感器收回经调制的远红外光，逢物体后反射，传感器经由过程计较光芒发射跟反射时间差或相位差，去换算被拍摄风物的距离，以发生深度信息。近似于雷达，或许想象一下蝙蝠，softkinetic的DS325采取的就是ToF计划，可是它的接收器微观布局比力特别，有2个或许更多快门，测ps级别的时间差，但它的单元像素尺寸平常正在100um的尺寸，以是现阶段分辨率不高。

正在有了深度图之后呢，SLAM算法便起头事情了，因为Sensor跟需要的分歧，SLAM的显现情势略有差别。大抵可以分为激光SLAM跟视觉SLAM（也分Sparse、semiDense、Dense）两类，但其次要思绪迥然不同。

SLAM算法实现的4因素

SLAM算法正在实现的时间次要要思量以下4个方面吧：

1.舆图默示问题，好比dense跟sparse皆是它的分歧表达方式，这个须要依据实际场景需要来决定

2.信息感知问题，须要思量若何周全的感知这个情况，RGBD摄像头FOV平常比力小，但激光雷达比力年夜

3.数据关系问题，分歧的sensor的数据类型、工夫戳、坐标系表达方式各有不同，须要同一处置惩罚

4.定位与构图问题，就是指怎样实现位姿估量跟建模，那内里波及到良多数学问题，物理模子树立，形态估量跟优化

其他的另有回环检测问题，摸索问题，和绑架问题。

这个是一个比力着名的SLAM算法，这个回环检测便很漂亮。但这个挪用了cuda，gpu对运算才能要求挺高，后果看起来比力炫。

以VSLAM举个栗子

我也许讲一种比力风行的VSLAM方式框架。

全部SLAM也许可以分为前端跟后端，前端相当于VO，研讨帧与帧之间变更关联。起首提取每帧图象特点面，应用相邻帧图象，停止特点面婚配，然后应用RANSAC去除年夜噪声，然后停止婚配，失掉一个pose信息，同时可以应用IMU（Inertialmeasurementunit惯性丈量单位）供给的姿态信息停止滤波融会后端则次要是对前端出成果停止优化，应用滤波实际、或许优化实际TORO、G2O停止树或许图的优化。终极失掉最优的位姿估量。

后端这边难点比力多，波及到的数学知识也比力多，总的来说各人曾经逐步丢弃传统的滤波实际走向图优化来了。

由于基于滤波的实际，滤波器稳度增加太快，那关于须要频仍求逆的EKF，PF压力很大。而基于图的SLAM，平常以keyframe为根底，树立多个节点跟节点之间的绝对变更关联，好比仿射变换矩阵，并不休天停止要害节点的保护，保障图的容量，正在保障精度的同时，降低了计较量。

罗列几个现阶段比力着名的SLAM算法：PTAM，MonoSLAM，ORB-SLAM，RGBD-SLAM，RTAB-SLAM，LSD-SLAM。

以是各人若是念学习SLAM的话，各个高校进步的素材是良多的，好比宾大、MIT、ETH、香港科技大学、帝国理工等等皆有比力好的代表作品，另有一个比力有前景的就是三维的机械视觉，普林斯顿大学的肖剑雄传授联合SLAM跟DeepLearning做一些三维物体的分类跟辨认，实现一个对场景深度明白的机器人感知引擎。

SLAM技巧从最早的军事用途（核潜艇海底定位便有了SLAM的雏形）到明天，曾经慢慢走入人们的视线，扫地机器人的风行更是让它名声大噪。同时基于三维视觉的VSLAM愈来愈隐主流。正在空中/空中机器人、VR/AR/MR、汽车/AGV自动驾驶等范畴，皆会失掉深化的开展，同时也会呈现愈来愈多的细分市场守候发掘。

SLAM技巧的应用领域

1）室内机器人

扫地机要算机器人里最早用到SLAM技巧那一批了，海内的科沃斯、塔米扫地机经由过程用SLAM算法联合激光雷达或许摄像头的方式，让扫地机可以高效绘制室内舆图，智能剖析跟计划扫地情况，从而胜利让本人步入了智能导航的阵列。

不外有意思的是，科沃斯引领时髦借没多久，一大帮懂Slam算法的扫地机厂商便起头陆陆续续天推出本人的智能导航，直到昨天雷锋网借看到一款智能扫地机新鲜出炉，而那追赶背地的焦点，各人皆晓得就是SLAM技巧的使用。

而另一个跟SLAM非亲非故的室内移动机器人，由于现阶段市场定位跟需要并没有明白，咱们现阶段只能正在??导购室内机器人跟Buddy那样的demo视频里才气看到，海内WatchhhhSlam跟SlamTech两家公司皆是做这方面计划供给的，以理想的概念看，此刻室内移动机器人市场定位跟需要出落地的时间，由计划商公司鞭策，商用室内移动机器人先行，那反而是一种曲线救国的开展方法。

2）AR

现阶段基于SLAM技术开发的代表性产物有微软的Hololens，谷歌的ProjectTango和一样着名的MagicLeap，后者4月20号颁布它的新一代水母版demo后，海内的AR公司加倍看到了这个趋向，好比退化能源近期便颁布了他们的SLAMdemo，用一个小摄像头实现VR头显空间定位，而易瞳客岁10月雷锋网去试用新品的时间，便发明曾经整合SLAM技巧了，海内其他公司虽然不正式颁布，但咱们可以确定，他们皆正在悄悄研发这项技巧，只等一个成熟的机会便会展示给各人。

退化能源CTO聂崇岭向雷锋网默示，若是用一个精确的说法

良多VR使用须要用到SLAM技巧，定位只是一个feature，门路纪录、3D重构、舆图构建皆可以是SLAM技巧的输出。

3）无人机

外洋的话，本来做GoogleXProjectWing无人机的创始人MIT机器人大牛NicholasRoy的门生AdamBry开办的Skydio，挖来了GeorgiaTech的Slam大牛传授FrankDellaert做他们的首席科学家。

海内各人十分熟习的大疆精灵四避障用的双目视觉+超声波，一名大疆工程师徐枭涵正在百度百家的撰文里坦白认可“P4内里显现的自动避障功用就是一种十分十分典范的Slam的强使用，无人机只须要晓得障碍物正在哪，便可以停止Planning，而且绕开障碍物。当然Slam能做的工作远远不止这些，包罗灾区救济，包罗探洞，包罗人机共同以至集群，一切的对于无人机的空想皆树立正在Slam之上，这是无人机能飞的期间当前，无人机最焦点的技巧。”

而近期另一个号称刷爆美国朋友圈的hovercamera无人机，由于其创始人的的计算机视觉靠山，正式把SLAM技巧使用出去了，正在先容他们无人机的次要产物技巧时，提到了

●SLAM：经由过程感知自身周围环境去构建3D增量式舆图，从而实现自立定位跟导航。

4）无人驾驶

由于谷歌无人驾驶车的科普，良多人皆晓得了基于激光雷达技巧的LidarSlam。LidarSlam是指应用激光雷达作为内部传感器，获得舆图数据，使机器人实现同步定位与舆图构建。虽然本钱昂扬，但目前为止是最不变、最靠得住、高性能的SLAM方法。

此外，2011年，牛津大学MobileRoboticsGroup初次向"大众展现他们的第一辆无人驾驶汽车野猫，这是一辆由BowlerWildcat4X4改装而成的车。汽车头顶的相机跟激光可能征集信息然后即时剖析导航，曾经胜利经由过程了测试。2014年，他们改装的一辆Nissan的Leaf也胜利路测。

MobileRoboticsGroup次要研讨范畴是大规模的导航跟对天然场景明白。据称，团队所拥有的技巧十分牛逼，其庞大跟先进性远远跨越普通的同步定位与舆图构建算法。

可圈可点的是，关于无人驾驶技巧，他们并不利用GPS或许是嵌入式的基础设施，而是利用算法去导航，包罗机械学习跟概率推理去树立周围的舆图等。