摘抄知乎上一段有趣的話：

??? 如果你出門問別人『學(xué)習(xí)SLAM需要哪些基礎(chǔ)？』之類的問題，一定會有很熱心的大哥大姐過來摸摸你的頭，肩或者腰（不重要），一臉神秘地從懷里拿出一本比饅頭還厚的《Multiple View Geometry》或《State Estimation For Robotics》或 《An Invitation to 3D Computer Vision》塞給你。然后告訴你，只要潛心修煉兩年，一定會……
??? 扯淡！SLAM是一個工程，不是一門課或者一個算法.........

? ? 單目視覺SLAM方法在是否引入概率框架方面分為基于概率框架的方法和基于非概率框架的方法。其中前者的代表方法是基于Kalman濾波（KF）的方法，基于粒子濾波（PF）的方法等；后者的代表方法是基于關(guān)鍵幀和稀疏捆綁調(diào)整優(yōu)化的方法，基于圖優(yōu)化的方法等。

??? 在《機(jī)器人手冊》 第2卷，這本書里面，第23張講述了：三維視覺和基于視覺的實時定位于地圖重建。在第37章里面，講述了 同時定位與建圖。指出了SLAM的三種基本方法。

???

? ? ?? 一種是EKF的方法，但由于性能的約束，逐漸變得非主流；第二種基于圖表示，成功使用稀疏非線性優(yōu)化方法解決SLAM問題，成為主要方法；第三種也是成為粒子濾波器的非參數(shù)統(tǒng)計濾波技術(shù)，是在線SLAM的一種主流方法。

文章鏈接：http://www.opencv.org.cn/forum.php?mod=viewthread&tid=37672

一、概率方法

????? 采用概率框架的方法的思路大致為：假設(shè)從初始時刻到當(dāng)前 時刻的觀測數(shù)據(jù)和控制輸入已知，那么就可以聯(lián)合后驗概率來構(gòu)建一個后驗概率密度函數(shù)，這個函數(shù)用來描述相機(jī)姿態(tài) 和 地圖中的特征的空間位置，進(jìn)而通過遞歸的貝葉斯濾波算法 來對構(gòu)建的概率密度函數(shù)進(jìn)行估計，從而完成SLAM問題的解決。

????? 在基于KF的方法中，假設(shè)滿足高斯分布并且系統(tǒng)的非線性較小時可以得到不錯的效果，另外從后驗概率的不同可以分為EKF-SLAM方法、擴(kuò)展信息濾波（EIF）方法、UKF-SLAM方法、SEIF方法等，例如，Davison等提出的單目視覺SLAM系統(tǒng)（MonoSLAM）和Roussillon[提出的實時單目視覺SLAM系統(tǒng)（RTSLAM）就是建立在擴(kuò)展卡爾曼濾波（EKF）的基礎(chǔ)上的。

???? 再基于PF的方法中，主要有Doucet[7]提出的基于Rao-Blackwellized粒子濾波器（RBPF）的方法 和在此基礎(chǔ)上Montemerlo[8]提出的 FastSLAM方法等，其中FastSLAM方法可以用于非線性的系統(tǒng)。

????? 優(yōu)點： 基于概率框架的方法的計算框架類似，其中基于EKF的單目視覺，一般可以分為運動模型和觀測模型并在一階HMM 的假設(shè)下可以實現(xiàn)系統(tǒng)狀態(tài)的預(yù)測和觀測更新。地圖也可以在線更新。

? ? ? 缺點：但是這種方法多采用增量式的地圖創(chuàng)建方法，復(fù)雜度是n^2的。另外故在系統(tǒng)不穩(wěn)定和觀測的不確定性的影響下造成誤差的累積，在大規(guī)模場景時會導(dǎo)致最終地圖的不一致性，難于保持準(zhǔn)確度和魯棒性。

二、非概率方法

?? 在非概率框架的方法中，Klein等在基于關(guān)鍵幀的基礎(chǔ)上提出的PTAM系統(tǒng)（Parallel Tracking andMapping），該系統(tǒng)會在后文給出詳細(xì)的分析和優(yōu)化措施。基于圖優(yōu)化的SLAM方法[9]在采取了全局優(yōu)化的基礎(chǔ)上，在大規(guī)模場景下可以取得好的效果。在國外，基于圖優(yōu)化的方法大都被劃分為前端和后端的問題，

總結(jié)

以上是生活随笔為你收集整理的SLAM: 单目视觉SLAM的方案分类《机器人手册》的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。