机器人避障系统基础
文章目錄
- 一、避障傳感器種類
- 1.超聲波傳感器
- 1.1超聲波測距原理
- 1.2超聲波傳感器測距的優缺點
- 2.紅外測距傳感器
- 2.1紅外測距傳感器的原理
- 2.2紅外測距傳感器測距的優缺點
- 3.激光雷達測距傳感器
- 4.相機
- 5.傳感器的選擇方案
- 二、姿態傳感器種類
- 1.加速度計
- 2.陀螺儀
- 3.磁力計
- 4.氣壓計
- 5.GPS
- 三、傳感器數據融合
- 1.多傳感器融合幾個概念
- 2.基本原理
- 3.多傳感器的前融合與后融合技術
- 3.1后融合算法：
- 3.2前融合算法：
- 4.融合算法
- 4.1隨機類
- 4.2.AI類
- 四、避障常用算法
- 1.Bug算法
- 2.**勢場法（PFM）**
- 3.**向量場直方圖（VFH）**
- 4.模糊邏輯控制
- 5.人工神經網絡避障控制法
- 6. 柵格法避障控制法
- 五、路徑規劃算法
- 1. 作用
- 2. 組成
- 3. 分類
- 3.1 基于搜索的算法
- 3.2 基于采樣的算法
- 3.3 滿足動力學約束的搜索算法
- 六、SLAM
- 1.初步認識SLAM
- 2.SLAM的應用
- 3.討論
一、避障傳感器種類
用來采集運動時環境中障礙物信息的環境信息采集系統是自動避障系統的重要組成部分。全面、精確信息的獲取，能夠增強智能小車的自動避障性能，同時必須考慮信息處理的及時性和難易程度。視覺傳感器、激光雷達測距傳感器、紅外測距傳感器和超聲波測距傳感器等是主要的幾種應用于智能小車自動避障的探測器。
1.超聲波傳感器
超聲波測距傳感器的工作機理是發射一定頻率的信號，通過檢測被物體反射、散射回來的信號，判斷前方是否有物體3.超聲波擁有比較好的傳播方向性，能夠沿直線傳播，且穿透力比較強，能夠得到相對集中的超聲波能量。超聲波頻率的增加，導致其繞過障礙物能力不斷減弱以及反射能力逐漸增強38.超聲波測距傳感器具有測距迅速、處理信息簡單、控制實時、計算方便、價格低廉等特點，被廣泛應用于智能小車測距、測速、定位和環境建模中。
1.1超聲波測距原理
相位探測法、渡越時間探測法和聲波幅值探測法是超聲波的三種主要的測距方法
相位探測法，通過計算返回波與發射波間隔的相位來判斷距離；聲波幅值探測法，通過計算二者間相差的幅度，判斷距離；渡越時間探測法，通過計算兩者間的時間延誤，判斷距離。相位探測法測量精確度比較高，但是探測范圍小。聲波幅值探測法的探測精度受反射波的影響比較大。論文采用超聲波測距最常用的方法一渡越時間探測法。下面主要介紹超聲測距的渡越時間探測法原理。
渡越時間探測法，指的是超聲波發生器往某個方向發射超聲波，計時開始于發射的時間點，此后超聲波沿直線傳播，當超聲波撞擊到物體時就被反射回來，當超聲波接收器接收到返回來的回波時計時停止42.超聲波測距傳感器與物體之間的距離d可以由公式（2.1）得出，其中℃為空氣中超聲波沿直線傳播的速度，t為計時器所記錄的時間。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-x7UCxyd7-1655011794615)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112043599.png)]
在實際環境中溫度和濕度會對超聲波的傳播速度c造成影響，但是由于其變化很小，并不影響智能小車自動避障對測距的要求，所以設計中c取常值，即c=340m/s。圖2.2為超聲波完成測距過程的原理圖
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-c0BXft6d-1655011794617)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112044302.png)]
1.2超聲波傳感器測距的優缺點
利用超聲波測距傳感器測距具有如下優點：
（1）環境適應能力強。與視覺傳感器相比較，超聲波傳感器能夠在亮度低、有灰塵，煤煙等不理想的環境下，保持良好的測距性能，確保及時無誤地采集到距離信息，然后將數據發送到信息處理設備。
（2）對色彩、光照度不敏感。超聲波測距傳感器可識別玻璃，拋光體等能透過光線和表面粗糙的物體。
（3）與視覺傳感器相比超聲波傳感器可以得到距離信息。視覺傳感器只能檢測到物體的存在，而不能檢測到障礙物和智能小車之間的距離，超聲波傳感器在檢測到有物體的同時也可以得到與物體的距離信息。
（4）探測速度快。雖然在空氣中光速比聲速快，但視覺傳感器較超聲波傳感器而言并沒有速度上的優勢。由于視覺傳感器采集到的圖片信息還需要經過圖像識別過程，這個過程需要比較長的時間，制約了智能小車采集信息的速度。
（5）和視覺傳感器、激光測距儀相比，超聲波傳感器還具有構造簡易、占空間小、價格便宜，數據處理簡單可靠，不容易損壞等優點。
所以超聲波測距傳感器，易于小型化和集成化，這更適合智能小車微型化的要求。
當然，利用超聲波測距傳感器測距也不能避免以下缺點：
（1）抗干擾性差：超聲波能量較強，因此多個超聲波傳感器一起使用會相互干擾。
即使只使用一個超聲波傳感器，仍存在受聲波的反復反射而造成干擾誤差。
（2）由于超聲波的波束角比較大，對物體位置的檢測不夠準確。
（3）單個超聲波傳感器的穩定性不理想，近距離測距有盲區45。
（4）超聲波測距只能檢測障礙物的距離數據，無法得到障礙物的尺寸和形狀等信息。
綜上所述，超聲波測距傳感器廣泛應用在智能小車自動避障、汽車倒車雷達測距，物位（液位）探測，超聲波開關和安防監控等相關領域4.但是超聲波測距傳感器不適用于需要提供尺寸和形狀的應用環境，多個超聲波傳感器不能同時同方向近距離使用。
2.紅外測距傳感器
紅外測距傳感器是利用紅外線反射特性制成的測距傳感器。紅外線屬于光波的一種，也有其特殊性，具有光波反射傳輸的物理性質。紅外測距通過信號發射源發射信息并反饋回來得到距離信息。由于紅外測距具有測量精確度高、速度快等優勢，所以紅外測距技術被廣泛應用于智能小車自動避障、地形測量、坦克飛機等對打擊物的測量、通信衛星測量等領域。
2.1紅外測距傳感器的原理
紅外測距是利用三角測量原理實現測距的。圖2.3為紅外測距的原理圖，首先紅外發射器發射紅外光束，發射的紅外光速是成一定角度的，當紅外光束碰到物體時，會被物體反射回來，CCD檢測器能夠檢測到返回的光束，而獲得偏移值，利用三角定理，可得到如公式（2.2）的幾何關系式。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-f7r3Zpep-1655011794617)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112049049.png)]
其中，D為紅外傳感器到日標物體的距離，f為濾鏡的焦距，L為偏移值，X為中心距，a表示發射角，c表示紅外線在空氣中的傳播速度（c=3*108m/s），紅外測距的原理如圖2.3所示，
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ae8kLNBD-1655011794618)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112049313.png)]
由圖23可知，當目標物體距離紅外傳感器D足夠小時，偏移值L會非常的大，甚至大于CCD檢測器的檢測最大值。同樣當D值很大時，L則很小。也就是說是否能夠獲得偏移值L的關鍵在于濾鏡的焦距。
2.2紅外測距傳感器測距的優缺點
利用紅外測距傳感器測量距離具有的優點如下：
（1）抗干擾能力強。同時同方向使用多個紅外傳感器時不會相互干擾。
（2）測量精度高。紅外測距傳感器與超聲波測距傳感器相比，具有測量精度的優勢。
（3）測距速度快。由于光速比聲音在空氣中傳播的速度快，所以利用紅外光線的反射原理制成的紅外測距傳感器比利用聲波反射原理制成的超聲波測距傳感器測距，反應時間短。
（4）適用于長距離測距。由于紅外線在空氣中傳播具有不擴散的性質，并且它在穿透物體時對折射率的影響不大，所以紅外測距經常被用在距離較大的測量任務中。
（5）具有更強的發射和接收能力。因為自然界中只要溫度高于絕對零度的物體都會反射紅外線，所以利用紅外反射原理制成的測距傳感器發射和接收能力優越。
紅外測距傳感器測距的主要缺點是強光直射的環境會對測量精度造成影響。
3.激光雷達測距傳感器
市面上有多種類型的激光傳感器，從測距原理上大致可以分為四類：脈沖法，相位法，干涉法和三角法。其中前兩種方法都是根據激光的飛行時間來換算為距離。干涉法是通過的相干光源產生的干涉現象中的干涉條紋數量來計算距離。三角法則是通過三角關系來計算距離。三角測距雷達的結構如下圖2-7所示：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-9AB1jg63-1655011794618)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112100595.png)]
式中的f和s己知，則可以通過像素點的位置來計算出該點的距離值q。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-GiZY58XR-1655011794618)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112100122.png)]
上式對x求導，可以得到：
從上式可以得到，三角測距原理的激光雷達的測量噪聲會隨著測量距離的增加而增加，噪聲水平與距離平方成正比。三角測距雷達的原理簡單，成本低廉，但是測量精度會隨著測量距離而降低，因此，三角測距原理的激光雷達適用于中短距離測量。市面上的低成本商用激光雷達多采用此方案。將三角測距的模塊在一個平面中進行回轉，就可以生成周圍場景的平面掃描圖。激光雷達實物圖如圖2-8所示。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-HUHZt51B-1655011794619)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112102687.png)]
圖2-8（a）基于三角測距原理的激光雷達測距范圍多在20米以內，而（b）中的雷達測距范圍可達100米甚至更遠。前者的數據采樣頻率大約為4000Hz，后者的采樣頻率可達300000Hz。當然前者的售價也為大大低于后者。
4.相機
在使用相機之前，先要對相機進行標定。其目的是建立起世界坐標中，相機坐標系和圖像坐標系這三者之間的轉換關系。首先介紹相機坐標系與圖像坐標系之間的關系。
像素坐標系是一個二維坐標系，其一般定義是以圖像的左上角為原點O，水平向右為u軸正方向，垂直向下為y軸正方向。
圖像坐標系是一個二維坐標系，其一般定義是以光軸和像平面的交點為原點O1，水平向右為x軸正方向，垂直向下為y軸正方向。單位為物理單位，比如：米。
相機坐標系是一個三維坐標系（Xc,Yc,Zc），其一般定義是以相機的光心為原點Oc, Zc軸和相機的光軸重合，Xc軸和Y。軸分別平行于圖像坐標系的和v軸。
相機坐標系和像素坐標系如下圖2-4（a）所示，像素坐標和圖像坐標系的關系如下圖2-4（b）所示：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ZRw3iA0S-1655011794619)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112107503.png)]
上圖2-4中，（o,vo）為相機坐標系的Z軸和圖像平面的交點，稱為主點，以像素為單位。
在已知像素的物理尺寸后，可以建立起圖像坐標系中的點和像素坐標系中的點的對應關系。圖像坐標系下的點（x,y）變換到像素坐標系下（u,y）點的公式如下式（2-5）、（2-6）
所示。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-c4QlxyTd-1655011794620)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112108150.png)]
上式（2-5）中中，dx表示x軸方向上像素的物理尺寸，dy表示y軸方向上像素的物理尺寸。uo,Vo為主點的像素坐標將上式寫作齊次形式可以得式C（2-7）
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-4CK8Q1Fv-1655011794620)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112108154.png)]
相機坐標系下的點坐標和像素坐標系下的點的坐標變化關系稱為相機內部參數。這個參數需要通過標定得到。考慮小孔成像模型，忽略畸變，通過相似三角形并進行一定的簡化之后可以得到這樣的齊次變換式，如式（2-8）所示，變換的示意圖如圖2-5所示。
上式中，f為鏡頭的焦距，（Xc,Yc,Zc）為相機坐標系下的一個三維點。
世界坐標系用于表示空間點的物理位置。可以通過一個旋轉平移矩陣來表示世界坐標系和相機坐標系之間的位姿關系。這個旋轉平移矩陣也稱作相機外部參數。這個變換如圖2-6所示。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Iusu6UvK-1655011794621)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112110346.png)]
在得到旋轉和平移矩陣之后即可將世界坐標系下的點坐標轉換到像素坐標系中。轉換式如式（2-9）所示。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-oiXDvHbA-1655011794621)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112111018.png)]
上式（2-9）中，K為相機內參矩陣，P為包含了內部參數和外部參數的投影矩陣。R為33的三維旋轉矩陣，T為31的平移矩陣。
5.傳感器的選擇方案
為了給智能小車環境信息采集系統選擇具體的測距傳感器，對測距傳感器提出下列要求：
（1）滿足功能：即能夠測距，且輸入、輸出接口符合Arduino要求。
（2）滿足性能：即滿足環境信息采集系統的性能指標要求。
（3）經濟性：在功能和性能都滿足的前提下，測距傳感器的價格越低越好。
下面列舉的是測距傳感器的主要性能指標
（1）測量精度：由于布置在車頭位置的測距傳感器，容易受到智能小車運動的影響，所以要求精度為1.由于車體側面發生碰撞的可能性比較小，所以布置在車體兩側的測距傳感器精度要求為10mm即可。
（2）測量范圍：兩種傳感器的最小測量值要求在0.5倍的安全距離（安全距離見3.2節）以內，即為0~150mm。
（3）工作溫度，耐腐蝕性以及光亮度：傳感器須滿足智能小車工作環境的中溫度，腐蝕度以及光亮度的要求。其中溫度范圍要求為0~50°，耐腐蝕性要求為適用于中性環境即可，亮度要求為適應環境光，智能小車運動中沒有強光直射車頭。
二、姿態傳感器種類
飛行器若想平穩飛行，必須依靠姿態檢測模塊對其進行實時的姿態檢測，將檢測到的數據實時反饋給主控芯片，由主控芯片對其進行分析并實時調整飛行器各個旋翼的轉速以使飛行器按正確的姿態平穩飛行。
常見的姿態檢測器件有加速度計、陀螺儀、磁力計、超聲波傳感器、氣壓傳感器以及GPS等；在當前的姿態檢測研究當中，囊括了以上傳感器的所有數據較是較為復雜的融合表示方法，這種方法可以獲得飛行器較準確的飛行姿態；可是針對飛行器飛行系統的應用，這種復雜的基于多傳感器數據融合算法會受到嵌入式平臺運算能力的限制，所以我們需要選擇一種輕量而且廉價的慣性測量單元（IMUU8））用來輸出飛行器的姿態信息；本設計中采用只使用角速度和加速度兩種傳感器來做為姿態測量器件，其相關的知識和原理詳見如下介紹。
1.加速度計
加速度計是一種用來測量加速力的傳感器，加速力是在物體在加速過程中作用在物體上的力，例如地球引力，也就是重力；我們可以通過測量由重力引起的加速度，從而計算出設備相對于水平面的傾斜角度。
在三維立體空間中，利用重力和傳感器的關系，可以分析得到如圖3.5所示的三個姿態角p（pitch）、p（roll）、日（yaw）：X軸相對于地面的角度是p、是Y軸相對于地面的角度是φ、Z軸相對于重力的夾角是0。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-2OCZhJlV-1655011794621)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112125168.png)]
因此可以推導出：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-dLeTLb6B-1655011794621)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112125749.png)]
其中：
ax是重力在X軸方向產生的加速度
ay是重力在Y軸方向產生的加速度
az是重力在Z軸方向產生的加速度
2.陀螺儀
陀螺儀（角速度的傳感器）是一種以角動量的守恒為工作原理的傳感器，它是一個用于維持方向以及測量角度的設備，通常的陀螺儀分為Gimbal陀螺儀及MEMS陀螺儀兩種類型。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-2yO7hOVM-1655011794622)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112126499.png)]
（1）Gimbal2型陀螺儀
如圖3.4（A）所示的是傳統的Gimba陀螺儀，其中在外面的三個環稱作平衡環，而中間的是一個轉子，它是在不停旋轉的所以由于慣性的作用不會受到外界的影響，然而外面的三個環卻會因為設備姿態的改變而跟著改變，這樣就可以以此來檢測所測物體的當前狀態，陀螺儀里面的X、Y、Z三個軸就是外面的這三個環所在的軸；但是Gimbal陀螺儀有一個萬向節鎖24，即指當三個萬向節中的兩個軸發生重合的時候，會失去一個自由度的情況。為了消除這一個缺陷，一般的應用中就需要使用更多更昂貴的機械部件來進行協助補償。
（b）MEMS陀螺儀
MEMS陀螺儀相比于體積較大的Gimbal陀螺儀有著更大的優勢；如圖3.4-B中的旋轉盤，在直線0A上的兩個點B和C，當磁盤順時針旋轉時，B位置的點會移動到C的位置，雖然這兩個點的角度率是相同的，但是在C點的速度是比B點快，這說明存在一個作用力引起了這個速度的改變，而這個力被稱為科里奧利力；MEMS陀螺儀的工作原理就是通過利用科里奧利力來對物體的角速度進行測量的。
（3）傳感器選擇
目前MEMS陀螺儀與加速度傳感器由于其體積和價格上的優勢，被廣泛應用于電子設備中進行姿態檢測，故本設計采用MEMS陀螺儀與加速度傳感器，在選擇傳感器類型時需要綜合考慮到器件的量程、靈敏度及供電電壓，表3.1和表3.2列出了目前市場上主流的3軸MMS陀螺儀和加速度傳感器。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-d8Pjt8B1-1655011794622)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112129481.png)]
通過上表參數，考慮到重量等各方面因素，本設計選取了加速度和角速度一體的MUP-6050芯片作為飛行器的姿態控制傳感器。
本文采用的PU6500集成了三軸MEMS數字陀螺儀、數字加速度計，可以測量多旋翼無人飛行器運動狀態下的三軸角速率?，0,0：、三軸加速度Q,a,a。陀螺儀測量的角速度數據動態響應速度快，長期使用時，存在較大的積分誤差，因此，陀螺儀無法單獨使用。加速度計是一種長期穩定的慣性器件。
解算姿態時，通過融合珈速度計與陀螺儀的數據，能夠得到穩定的姿態角信息；計算速度和位置信息時，通過加速度計積分獲得相應的速度與位置。
3.磁力計
三軸磁力計通過磁敏器件，獲取地磁場在機體坐標系下的三維磁場矢量投影。通過磁力計對航向角解算時，無需進行積分運算，因此它是一種長期穩定的器件。
4.氣壓計
所采用的M$5611氣壓高度計可以獲得高度信息。氣壓計通過測量大氣壓的值能夠計算當前海拔高度。其中，氣壓與高度的關系如下所示：
式中，R代表大氣溫度下限值、g代表重力加速度，P，為當前高度測得的大氣靜壓，T6P,h，代表當前大氣壓的大氣溫度下限值、大氣壓力和重力勢高度，B為溫度垂直變化率。通過上述公式，能夠計算得到當前高度。
5.GPS
GPS能夠測量三軸速度、經度、維度以及海拔高度。在開闊的戶外環境中，GPS能夠達到2.5米的位置定位精度（采用差分GPS甚至可達到厘米級的定位精度），速度測量精度能夠達到約0.1m/s。然而，GPS的海拔高度以及豎直方向速度測量精度較低，且附近有遮擋物時，由于信號折射等原因，GPS的位置定位精度會大幅下降，但速度測量精度影響較小。
綜上所述，陀螺儀測量得到的三軸角速度數據通過積分能夠得到短時精度較高的姿態角。然而，隨著時間的推移，由于陀螺儀傳感器存在零偏、隨機游走以及溫漂等誤差存在，導致了其長期姿態角解算精度較低。因此，本文將加速度計、磁力計傳感器測量得到的數據與陀螺儀測量得到的數據進行融合，進行姿態解算，從而得到長期穩定的姿態角信息。另外，GP$雖然能夠測量速度、位置信息，但其測量精度與工作環境相關，存在延時大，輸出頻率低，信號不穩定的問題。此外，氣壓計雖然能夠檢測海拔高度，但由于大氣易受干擾，短時間內無法反映真實的海拔高度。綜上所述，四旋翼飛行器所配置的每一個傳感器都存在一定的局限性，單一的傳感器測量數據都無法滿足無人機的導航精度要求，因此，需要進行優勢互補，以得到長期解算穩定，短期解算精度高的目的。
三、傳感器數據融合
多傳感器信息融合（Multi-sensor Information Fusion,MSIF），就是利用計算機技術將來自多傳感器或多源的信息和數據，在一定的準則下加以自動分析和綜合，以完成所需要的決策和估計而進行的信息處理過程。
1.多傳感器融合幾個概念
硬件同步、硬同步：使用同一種硬件同時發布觸發采集命令，實現各傳感器采集、測量的時間同步。做到同一時刻采集相同的信息。
軟件同步：時間同步、空間同步。
時間同步、時間戳同步、軟同步：通過統一的主機給各個傳感器提供基準時間，各傳感器根據已經校準后的各自時間為各自獨立采集的數據加上時間戳信息，可以做到所有傳感器時間戳同步，但由于各個傳感器各自采集周期相互獨立，無法保證同一時刻采集相同的信息。
空間同步： 將不同傳感器坐標系的測量值轉換到同一個坐標系中，其中激光傳感器在高速移動的情況下需要考慮當前速度下的幀內位移校準。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-bbSrqDKo-1655011794623)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112305811.png)]
2.基本原理
多傳感器融合基本原理就像人腦綜合處理信息的過程一樣，將各種傳感器進行多層次、多空間的信息互補和優化組合處理，最終產生對觀測環境的一致性解釋。在這個過程中要充分利用多源數據進行合理支配與使用，而信息融合的最終目標則是基于各傳感器獲得的分離觀測信息，通過對信息多級別、多方面組合導出更多有用信息。這不僅是利用了多個傳感器相互協同操作的優勢，而且也綜合處理了其它信息源的數據來提高整個傳感器系統的智能化。
具體來講，多傳感器數據融合原理如下：
（1）多個不同類型傳感器（有源或無源）收集觀測目標的數據；
（2）對傳感器的輸出數據（離散或連續的時間函數數據、輸出矢量、成像數據或一個直接的屬性說明）進行特征提取的變換，提取代表觀測數據的特征矢量Yi；
（3）對特征矢量Yi進行模式識別處理（如聚類算法、自適應神經網絡或其他能將特征矢量Yi變換成目標屬性判決的統計模式識別法等），完成各傳感器關于目標的說明；
（4）將各傳感器關于目標的說明數據按同一目標進行分組，即關聯；
（5）利用融合算法將目標的各傳感器數據進行合成，得到該目標的一致性解釋與描述。
3.多傳感器的前融合與后融合技術
3.1后融合算法：
每個傳感器各自獨立處理生成的目標數據。
每個傳感器都有自己獨立的感知，比如激光雷達有激光雷達的感知，攝像頭有攝像頭的感知，毫米波雷達也會做出自己的感知。
當所有傳感器完成目標數據生成后，再由主處理器進行數據融合。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Mtkwubmt-1655011794623)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206121323298.png)]
3.2前融合算法：
只有一個感知的算法。對融合后的多維綜合數據進行感知。
在原始層把數據都融合在一起，融合好的數據就好比是一個Super傳感器，而且這個傳感器不僅有能力可以看到紅外線，還有能力可以看到攝像頭或者RGB，也有能力看到LiDAR的三維信息，就好比是一雙超級眼睛。在這雙超級眼睛上面，開發自己的感知算法，最后會輸出一個結果層的物體。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-eMXO5e4W-1655011794623)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112305779.png)]
4.融合算法
對于多傳感器系統而言，信息具有多樣性和復雜性，因此對信息融合算法的基本要求是具有魯棒性和并行處理能力。其他要求還有算法的運算速度和精度；與前續預處理系統和后續信息識別系統的接口性能；與不同技術和方法的協調能力；對信息樣本的要求等。一般情況下，基于非線性的數學方法，如果具有容錯性、自適應性、聯想記憶和并行處理能力，則都可以用來作為融合方法。
多傳感器數據融合的常用方法基本上可分為兩大類：隨機類和人工智能類。
4.1隨機類
（1）加權平均法
信號級融合方法最簡單直觀的方法是加權平均法，將一組傳感器提供的冗余信息進行加權平均，結果作為融合值。該方法是一種直接對數據源進行操作的方法。
（2）卡爾曼濾波法
主要用于融合低層次實時動態多傳感器冗余數據。該方法用測量模型的統計特性遞推，決定統計意義下的最優融合和數據估計。如果系統具有線性動力學模型，且系統與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波將為融合數據提供唯一統計意義下的最優估計。
卡爾曼濾波的遞推特性使系統處理無需大量的數據存儲和計算。但是采用單一的卡爾曼濾波器對多傳感器組合系統進行數據統計時，存在很多嚴重問題，例如：① 在組合信息大量冗余情況下，計算量將以濾波器維數的三次方劇增，實時性難以滿足。② 傳感器子系統的增加使故障概率增加，在某一系統出現故障而沒有來得及被檢測出時，故障會污染整個系統，使可靠性降低。
（3）多貝葉斯估計法
將每一個傳感器作為一個貝葉斯估計，把各單獨物體的關聯概率分布合成一個聯合的后驗概率分布函數，通過使聯合分布函數的似然函數為最小，提供多傳感器信息的最終融合值，融合信息與環境的一個先驗模型以提供整個環境的一個特征描述。
（4）D-S證據推理法
該方法是貝葉斯推理的擴充，包含3個基本要點：基本概率賦值函數、信任函數和似然函數。
D-S方法的推理結構是自上而下的，分為三級：第一級為目標合成，其作用是把來自獨立傳感器的觀測結果合成為一個總的輸出結果（ID）；第二級為推斷，其作用是獲得傳感器的觀測結果并進行推斷，將傳感器觀測結果擴展成目標報告。這種推理的基礎是：一定的傳感器報告以某種可信度在邏輯上會產生可信的某些目標報告；第三級為更新，各傳感器一般都存在隨機誤差，因此在時間上充分獨立地來自同一傳感器的一組連續報告比任何單一報告更加可靠。所以在推理和多傳感器合成之前，要先組合（更新）傳感器的觀測數據。
（5）產生式規則
采用符號表示目標特征和相應傳感器信息之間的聯系，與每一個規則相聯系的置信因子表示它的不確定性程度。當在同一個邏輯推理過程中，2個或多個規則形成一個聯合規則時，可以產生融合。應用產生式規則進行融合的主要問題是每個規則置信因子的定義與系統中其他規則的置信因子相關，如果系統中引入新的傳感器，需要加入相應的附加規則。
4.2.AI類
（1）模糊邏輯推理
模糊邏輯是多值邏輯，通過指定一個0到1之間的實數表示真實度（相當于隱含算子的前提），允許將多個傳感器信息融合過程中的不確定性直接表示在推理過程中。如果采用某種系統化的方法對融合過程中的不確定性進行推理建模，則可以產生一致性模糊推理。
與概率統計方法相比，邏輯推理存在許多優點，它在一定程度上克服了概率論所面臨的問題，對信息的表示和處理更加接近人類的思維方式，一般比較適合于在高層次上的應用（如決策）。但是邏輯推理本身還不夠成熟和系統化。此外由于邏輯推理對信息的描述存在很多的主觀因素，所以信息的表示和處理缺乏客觀性。
模糊集合理論對于數據融合的實際價值在于它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個數據真值的不精確表示。在MSF過程中，存在的不確定性可以直接用模糊邏輯表示，然后使用多值邏輯推理，根據模糊集合理論的各種演算對各種命題進行合并，進而實現數據融合。
（2）人工神經網絡法
神經網絡具有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬復雜的非線性映射。神經網絡的這些特性和強大的非線性處理能力，恰好滿足多傳感器數據融合技術處理的要求。在多傳感器系統中，各信息源所提供的環境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經網絡根據當前系統所接受的樣本相似性確定分類標準，這種確定方法主要表現在網絡的權值分布上，同時可以采用學習算法來獲取知識，得到不確定性推理機制。利用神經網絡的信號處理能力和自動推理功能，即實現了多傳感器數據融合。
再推薦幾篇比較好的文章：
傳感器融合是什么？及其類型和應用
多傳感器融合（算法）綜述
四、避障常用算法
首先我們要區分避障算法和路徑規劃算法。在講避障算法之前，我們假定機器人已經有了一個導航規劃算法對自己的運動進行規劃，并按照規劃的路徑行走。避障算法的任務就是在機器人執行正常行走任務的時候，由于傳感器的輸入感知到了障礙物的存在，實時地更新目標軌跡，繞過障礙物。
1.Bug算法
Bug算法應該是最簡單的一種避障算法了，它的基本思想是在發現障礙后，圍著檢測到的障礙物輪廓行走，從而繞開它。Bug算法目前有很多變種， 比如Bug1算法，機器人首先完全地圍繞物體，然后從距目標最短距離的點離開。Bug1算法的效率很低，但可以保證機器人達到目標。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-fTskXRXh-1655011794624)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112201110.png)]
Bug1算法示例
改進后的Bug2算法中，機器人開始時會跟蹤物體的輪廓，但不會完全圍繞物體一圈，當機器人可以直接移動至目標時，就可以直接從障礙分離，這樣可以達到比較短的機器人行走總路徑。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-8h6wxkWt-1655011794624)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112201218.png)]
Bug2算法示例
除此之外，Bug算法還有很多其他的變種， 比如正切Bug算法等等。在許多簡單的場景中，Bug算法是實現起來比較容易和方便的，但是它們并沒有考慮到機器人的動力學等限制，因此在更復雜的實際環境中就不是那么可靠好用了。
2.勢場法（PFM）
人工勢場避障控制法，是一種比較簡單又新穎的做法，是另一種仿生學，仿照物理學中電勢和電場力的概念，建立機器人工作空間中的虛擬勢場，按照虛擬勢場力方向，實現局部路徑規劃。通過構造目標位姿引力場和障礙物周圍斥力場共同作用的人工勢場，來搜索勢函數的下降方向，然后尋找無碰撞路徑。聽起來很玄乎，但是早已經有應用產品了，Khatib曾應用于移動機器人的導航上。但是并沒有得到大規模應用。因為即使對于簡單環境很有效，但是都是在靜態的研究中得出的，而沒有考慮障礙物的速度和加速度的影響，所以在動態避障控制中，人工勢場法避障控制不是很理想。因為在復雜的多障礙環境中，不合理的勢場數學方程容易產生局部極值點，導致機器人未到達目標就停止運動，或者產生振蕩、擺動等現象。另外，傳統的人工勢場法著眼于得到一條能夠避障的可行路徑，還沒有研究出什么最優路徑。
實際上，勢場法不僅僅可以用來避障，還可以用來進行路徑的規劃。勢場法把機器人處理在勢場下的 一個點，隨著勢場而移動，目標表現為低谷值，即對機器人的吸引力，而障礙物扮演的勢場中的一個高峰，即斥力，所有這些力迭加于機器人身上，平滑地引導機器人走向目標，同時避免碰撞已知的障礙物。當機器人移動過程中檢測新的障礙物，則需要更新勢場并重新規劃。
上面這個圖是勢場比較典型的示例圖，最上的圖a左上角是出發點，右下角是目標點，中間三個方塊是障礙物。中間的圖b就是等勢位圖，圖中的每條連續的線就代表了一個等勢位的一條線，然后虛線表示的在整個勢場里面所規劃出來的一條路徑，我們的機器人是沿著勢場所指向的那個方向一直行走，可以看見它會繞過這個比較高的障礙物。最下面的圖，即我們整個目標的吸引力還有我們所有障礙物產生的斥力最終形成的一個勢場效果圖，可以看到機器人從左上角的出發點出發，一路沿著勢場下降的方向達到最終的目標點，而每個障礙物勢場表現出在很高的平臺，所以，它規劃出來的路徑是不會從這個障礙物上面走的。
一種擴展的方法在基本的勢場上附加了?另外兩個勢場：轉運勢場和任務勢場。它們額外考慮了由于機器人本身運動方向、運動速度等狀態和障礙物之間的相互影響。
轉動勢場"：考慮了障礙與機器人的相對方位，當機器人朝著障礙物行走時，增加斥力， 而當平行于物體行走時，因為很明顯并不會撞到障礙物，則減小斥力。任務勢場：則排除了那些根據當前機器人速度不會對近期勢能造成影響的障礙，因此允許規劃出 一條更為平滑的軌跡。
另外還有諧波勢場法等其他改進方法。勢場法在理論上有諸多局限性， 比如局部最小點問題，或者震蕩性的問題，但實際應用過程中效果還是不錯的，實現起來也比較容易。
3.向量場直方圖（VFH）
它執行過程中針對移動機器人當前周邊環境創建了一個基于極坐標表示的局部地圖，這個局部使用柵格圖的表示方法，會被最近的一些傳感器數據所更新。VFH算法產生的極坐標直方圖如圖所示：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-zgwXCsve-1655011794625)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112204261.png)]
圖中x軸是以機器人為中心感知到的障礙物的角度，y軸表示在該方向存在障礙物的概率大小p。實際應用的過程中會根據這個直方圖首先辨識出允許機器人通過的足夠大的所有空隙，然后對所有這些空隙計算其代價函數，最終選擇具有最低代價函數的通路通過。
代價函數受三個因素影響： 目標方向、機器人當前方向、之前選擇的方向，最終生成的代價是這三個因素的加權值，通過調節不同的權重可以調整機器人的選擇偏好。VFH算法也有其他的擴展和改進，比如在VFH+算法中，就考慮了機器人運動學的限制。由于實際底層運動結構的不同，機器的實際運動能力是受限的，比如汽車結構，就不能隨心所欲地原地轉向等。VFH+算法會考慮障礙物對機器人實際運動能力下軌跡的阻擋效應，屏蔽掉那些雖然沒有被障礙物占據但由于其阻擋實際無法達到的運動軌跡。我們的E巡機器人采用的是兩輪差動驅動的運動形式，運動非常靈活，實際應用較少受到這些因素的影響。
具體可以看 一下這個圖示：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-1pouRYYc-1655011794625)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112204219.png)]
類似這樣傳統的避障方法還有很多，除此之外，還有許多其他的智能避障技術，比如神經網絡、模糊邏輯等。
神經網絡方法對機器人從初始位置到目標位置的整個行走路徑進行訓練建模，應用的時候，神經網絡的輸 入為之前機器人的位姿和速度以及傳感器的輸 入，輸出期望的下一目標或運動方向。
模糊邏輯方法核心是模糊控制器，需要將專家的知識或操作人員的經驗寫成多條模糊邏輯語句，以此控制機器人的避障過程。 比如這樣的模糊邏輯：第一條，若右前方較遠處檢測到障礙物，則稍向左轉；第 二條，若右前方較近處檢測到障礙物，則減速并向左轉更多角度；等等。
避障過程中存在哪些問題？
4.模糊邏輯控制
不必創建可分析的環境模型，目前模糊邏輯方法在解決機器人避開障礙物問題上己經有了大量的研究工作。另一個獨特優點也讓用專家知識調整規則成為可能，因為規則庫的每條規則具有明確的物理意義。在模糊邏輯控制避障法中，模糊控制規則是模糊控制的核心。當前研究工作的新趨勢之一是它的漸增本質，特別是在模糊控制規則的自動生成方面，即連同自動模糊數據獲取，給予算法在線模糊規則學習能力，數據獲取和規則生成均自動執行。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-TcOBxZF0-1655011794625)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112205264.png)]
5.人工神經網絡避障控制法
人工神經網絡是由許多單元（又稱神經元），按照一定的拓撲結構相互連接而成的一種具有并行計算能力的網絡系統，它具有較強的非線性擬合能力和多輸入多輸出同時處理的能力。用在機器人上，就是通過模擬人腦神經網絡處理信息的方式，從另一個研究角度來獲取具有人腦那樣的信息處理能力。對于智能機器人來說，采用人工神經網絡進行信息融合有一個最大優勢，即可大規模地并行處理和分布式信息存儲，具有良好的自適應、自組織性，以及很強的學習功能、聯想功能和容錯功能，接近人腦的信息處理模式。
6. 柵格法避障控制法
于用啟發式算法在單元中搜索安全路徑。賦予每個柵格一個通行因子后，路徑規劃問題就變成在柵格網上尋求兩個柵格節點間的最優路徑問題。搜索過程多采用四叉樹或八叉樹表示工作空間。柵格法以基本元素為最小柵格粒度，將地圖進行柵格劃分，比如基本元素位于自由區取值為0，處在障礙物區或包含障礙物區為1，直到每個區域中所包含的基本單元全為0或全為1，這樣在計算機中就較容易建立一幅可用于路徑規劃的地圖。柵格粒度越小，障礙物的表示會越精確，也就更好避障。但往往會占用大量的儲存空間，而且算法也將按指數增加。
五、路徑規劃算法
在規劃模塊中首先明確經常容易混淆的幾個概念：
運動規劃Motion Planning
路徑規劃Path Planning
軌跡規劃Trajectory Planning
1.路徑規劃+軌跡規劃=運動規劃
2.路徑規劃：已知幾何約束的情況下（障礙物、地圖信息），求解一條路徑，也即是找到一條無碰撞的路徑。
**3.軌跡規劃：已知運動學約束（時間約束、速度約束等）**情況下求解軌跡。
當然也有的路徑規劃算法在搜索路徑過程中也將動力學約束（Hybrid A*）考慮進去，本系列的所涉及的規劃算法主要是路徑規劃，也會涉及一部分軌跡規劃。
1. 作用
**路徑規劃（path planning）**目的是為了尋找成本最小的路徑, 需要給出的條件包括: 地圖, 起始地點, 目標地點, 成本函數.
2. 組成
路徑規劃組成
路徑規劃主要由兩部分組成，前端是路徑搜索，后端是**軌跡規劃，**最后生成一條機器人可執行的路徑。
**路徑搜索——**在地圖中，搜索出一條避開障礙物的軌跡；
**軌跡規劃（優化）——**對搜索到的軌跡進行優化，從而符合機器人的運動學和動力學約束。
規劃示意圖
如上圖所示，a路徑為前端路徑搜索得出的，為一條無碰撞的路徑，b為a路徑經過軌跡規劃過的路徑，該路徑滿足運動學和動力學約束，為一條機器人可執行的路徑。
3. 分類
路徑規劃（搜索）的算法主要可分成這三類，后續的章節也是按照以下的順序進行介紹的。
3.1 基于搜索的算法
DIjkstra、A*、JPS
3.2 基于采樣的算法
PRM、RRT、RRT*
3.3 滿足動力學約束的搜索算法
Hybrid A*
更多的內容可看下面的介紹：
焉知科技：路徑規劃五種算法簡述及對比
路徑規劃算法總結
六、SLAM
SLAM是 Simultaneous Localization And Mapping的 英文首字母組合，一般翻譯為：同時定位與建圖、同時定位與地圖構建。
「同時定位與地圖構建」這幾個詞，乍一聽起來非常拗口，為了不在一開始就嚇跑讀者，我們先不對其進行專業的解釋，用一個日常生活中形象的例子來進行說明。
1.初步認識SLAM
我們知道現在有不少家用的掃地機器人，可以代替人對室內進行自動清掃。早期的掃地機器人并不智能，它只是具有簡單的避障功能，在室內隨機游走，遇到障礙物就轉彎，這樣會導致有很多地方會漏掉，掃地效率非常低。
而現在隨著SLAM技術在掃地機器人中的應用，現在的掃地機器人已經變的非常智能，可以通過自身的傳感器對室內進行掃描建圖，根據當前的定位進行Z字形規劃清掃，還能實現自動回充、斷點續掃等高級功能。
根據前面介紹，我們總結一下，要想真正實現智能的清掃，掃地機器人至少需要知道以下幾件事情：
1、我在哪里？也就是掃地機器人在工作過程中要知道自己在房間的具體位置。對應的術語叫：定位（Localization)。
2、我周圍的環境是什么樣子？也就是掃地機器人需要知道整個房間的地面結構信息。對應的術語叫：建圖(Mapping)。
3、我怎樣到達指定地點（充電器）？當掃地機器人電量不足時，如何以最短的路徑到達充電器所在位置進行自動充電。對應的術語叫：路徑規劃（Route Planning）。
有了以上的幾個能力，掃地機器人就變的非常智能了，不再像無頭蒼蠅一樣在室內亂跑，而是可以從任意位置出發，按照建立好的地圖進行規劃清掃。當然房間里的物品擺放也會發生變化，所以掃地機器人每次清掃也會根據當前的定位及掃描情況，在建好的地圖基礎上對進行更新。隨著使用時間的增長，掃地機器人建立的地圖會越來越準確，規劃的清掃路線越來越高效，變的越來越智能。
看明白了上面的例子，我們給出SLAM的定義。SLAM是指當某種移動設備（如機器人、無人機、手機等）從一個未知環境里的未知地點出發，在運動過程中通過傳感器（如激光雷達、攝像頭等）觀測定位自身位置、姿態、運動軌跡，再根據自身位置進行增量式的地圖構建，從而達到同時定位和地圖構建的目的。定位和建圖是兩個相輔相成的過程，地圖可以提供更好的定位，而定位也可以進一步擴建地圖。需要說明的是，上述掃地機器人例子中，定位和建圖是SLAM的基本要求，而路徑規劃是在此基礎上的高級功能，不屬于SLAM的討論范疇。
2.SLAM的應用
SLAM所使用的傳感器主要分為激光雷達和視覺兩大類。在SLAM研究史上，早期SLAM研究幾乎全使用激光雷達作為傳感器，其優點是精度高，解決方案相對成熟。但是缺點也非常明顯，比如價格貴、體積大，信息少不夠直觀等。
視覺SLAM就是用攝像頭作為主傳感器，用拍攝的視頻流作為輸入來實現同時定位與建圖。視覺SLAM廣泛應用于AR、自動駕駛、智能機器人、無人機等前沿領域。我們知道SLAM的兩大核心：定位和建圖。下面分別進行說明。
1、定位相關應用
SLAM在自動駕駛中最主要的功能就是更加精確的確定汽車自身的位置（當然建圖也很重要）。說到這里，很多人會有疑問：現在手機上的百度/高德/騰訊等地圖類App就可以定位，為什么還需要SLAM來定位呢？
原因是這樣的：目前地圖類App在室外定位、導航方面確實做的很不錯，而且衍生出很多基于地理位置的游戲、社交、生活類應用。不過現在的定位系統仍然存在以下兩個主要問題。
1、地圖類App背后使用的是GPS技術，但民用GPS最多也就達到幾米的定位精度，駕車的讀者應該深有體會：這些地圖類App導航時并不知道當前車輛在哪個車道上。
2、GPS只能在室外使用。而在建筑物內、洞穴、海底等很多地方，GPS會失效。而往往這些地方對于定位的需求很強烈，要想解決GPS失效區域的定位，目前最有效的就是SLAM技術。
如下圖所示是著名開源算法ORB-SLAM2使用架設在汽車上的攝像頭進行定位的結果。從圖中不難看出，算法非常清晰的展現了汽車當前所在的車道。
同樣的，對于室內使用的自主移動機器人來說，定位也完全依賴SLAM技術。如下圖是單目SLAM的過程。此外像京東，阿里這種大型的電商已經在自己的倉庫配備了倉儲機器人，也稱AGV（Automated Guided Vehicle），可以根據建立的地圖確定自身的位置，然后根據任務需求進行路徑規劃來搬運貨物。
2、建圖相關應用
比如使用手機上的單目攝像頭可以對物體進行掃描，生成對應的三維模型。這稱為小尺度下的三維建模。當然，也可以對較大尺度的場景進行三維重建，比如下圖下就是Google project tango利用魚眼攝像頭對室外的大場景進行的三維重建。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-yDWZU1fA-1655011794628)(https://raw.githubusercontent.com/xkyvvv/blogpic3/main/img/202206112338080.jpeg)]
最近幾年，隨著消費級RGB-D相機的普及，室內場景的三維重建也是一個非常熱門的方向。利用重建的結果可以實現很多 功能，比如室內移動機器人可以根據重建結果判斷障礙物距離、識別理解環境，進行導航；比如可以根據重建結果在家里玩增強現實游戲；還可以將二維圖片和重建結果進行融合實現三維漫游等。
3.討論
SFM（structure from motion）是一種和SLAM非常類似的算法，關于SFM和SLAM的異同，下面說法錯誤的是？
A. SFM和SLAM基本討論的是同一問題，不過SFM最早來自計算機視覺領域，而SLAM則是來自于機器人領域。SFM的structure對應SLAM的mapping，SFM的camera pose對應SLAM的location。
B. SFM一般是離線處理，而SLAM更強調實時性，一般在線處理。
C. SFM處理的圖片一般沒有要求，可以是不同時間不同相機拍攝的同一個場景，而SLAM一般要求是同一相機拍攝的序列圖像或連續視頻。
D. 目前SFM主要是要完成3D reconstuction，而SLAM主要是要完成localization。
E. SFM通常使用攝像機作為傳感器，而SLAM在傳感器選擇方面，除了攝像機，通常還包括慣導、激光雷達等傳感器。
F. 如果想要快速對自由女神像進行3D重建，在沒有特殊硬件的情況下，最好的方式是選擇SLAM。
總結
- 上一篇： igm焊接机器人基本操作_焊接机器人技术
- 下一篇： 国税计算机基础知识,国税系统计算机基础知