三维重建：SLAM算法的考题总结

参考英文维基：https://en.wikipedia.org/wiki/Slam

参考文档：视觉slam研究分析的一点认识

1、 请简单描述您对机器人的SLAM的概念理解？

答： 机器人需要在自身位置不确定的条件下，在完全未知环境中创建地图, 同时利用地图进行自主定位和导航。这就是移动机器人的同时定位与地图创建(simultaneous localization and mapping (SLAM)  ) 问题。

算法上一般分为 相机定位跟踪 和 场景地图构建 两个高度相关的部分。场景地图构建是指 构建相机所在场景的三维地图；相机定位跟踪是指 利用相机自身姿态的估计值和通过传感器得到的观测值来确定相机在环境中的位置。

参考：SLAM：使用G2O-ORB-SLAM

2、 请描述常见的SLAM算法及原理？

答：常见的SLAM方法有单目SLAM方法和双目SLAM方法.

  单目SLAM方法用帧与帧之间的运动距离和运动角度来估算深度信息，传统的视觉SLAM方法多采用特征提取
匹配和数据关联的方式来完成。

根据单目SLAM方法在是否引入概率框架方面 划分为 基于概率框架的方法和基于非概率框架的方法。基于概率框架的方法把SLAM问题描述为滤波问题，代表方法有基于kalman滤波的方法、基于粒子滤波的方法等；  非概率框架的方法 主要方法为使用关键帧和稀疏绑定调整优化（BA），使用的数值优化方法 直观描述形式为图优化。

参考：SLAM：使用G2O-ORB-SLAM

3、 SLAM的常用概率解法有哪几类？分别有什么优缺点？

答：采用概率框架的方法的思路大致为：假设从初始时刻到当前 时刻的观测数据和控制输入已知，那么就可以联合后验概率来构建一个后验概率密度函数，这个函数用来描述相机姿态 和 地图中的特征的空间位置，进而通过递归的贝叶斯滤波算法 来对构建的概率密度函数进行估计，从而完成SLAM问题的解决。

在基于KF的方法中，假设满足高斯分布并且系统的非线性较小时可以得到不错的效果，另外从后验概率的不同可以分为EKF-SLAM方法、扩展信息滤波（EIF）方法、UKF-SLAM方法、SEIF方法等，例如，Davison等提出的单目视觉SLAM系统（MonoSLAM）和Roussillon[提出的实时单目视觉SLAM系统（RTSLAM）就是建立在扩展卡尔曼滤波（EKF）的基础上的。

再基于PF的方法中，主要有Doucet[7]提出的基于Rao-Blackwellized粒子滤波器（RBPF）的方法 和在此基础上Montemerlo[8]提出的 FastSLAM方法等，其中FastSLAM方法可以用于非线性的系统。

优点： 基于概率框架的方法的计算框架类似，其中基于EKF的单目视觉，一般可以分为运动模型和观测模型并在HMM 的假设下可以实现系统状态的预测和观测更新。地图也可以在线更新。

缺点：但是这种方法多采用增量式的地图创建方法，故在系统不稳定和观测的不确定性的影响下造成误差的累积，在大规模场景时会导致最终地图的不一致性，难于保持准确度和鲁棒性。

4、 SLAM中回环检测（闭环检测）的目的是什么？简述一下SLAM中可以使用的回环检测方法？

答：参考维基：Loop closure ：Loop closure is the problem of recognizing a previously-visited location and updates the beliefs accordingly. This can be a problem because model or algorithm errors can assign low priors
to the location. Typical loop closure methods apply a second algorithm to measure some type of sensor similarity, and re-set the location priors when a match is detected. For example, this can be done by storing and comparingbag
of words vectors of SIFT features from each previously visited location.

回环检测/闭环检测 是一个 场景识别的问题，若slam完成闭环检测，则可以大大得减少检测误差。因此，SLAM中的闭环检测则是为了减少SLAM中的累积误差。

参考文章：SLAM系统的研究点介绍

闭环检测一般使用词袋模型作为场景匹配方法。而作为一个场景识别问题，闭环检测可以看做是一个视觉系统的模式识别问题。所以可以使用各种机器学习的方法来做，比如什么决策树/SVM，也可以试试CNN方法。不过实际当中要求实时检测，没有那么多时间训练分类器。所以SLAM更侧重在线的学习方法。

在线的视觉机器学习方法有在线SVM和在线随机森林 等工具。

5、 SLAM算法中的机器人“绑架”问题是什么？可以用哪些方法解决这样的问题？

答：机器人的“绑架”问题是指在缺少它之前的位置信息情况下，去确定机器人的当前位姿，例如当机器人被安置在一个已经构建好地图的环境中，但是并不知道它在地图中的相对位置，或者在移动过程中，由于传感器的暂时性功能故障或相机的快速移动，都导致机器人先前的位置信息的丢失，就像人质的眼睛被蒙上黑布条，拉上集装箱被运送到了未知的地方，此时，人质就无法给自己定位了。

解决方案： 暂时没有详细考虑结果！！！

方案一：使用替代传感器，比如在 视觉机器人中 使用 惯导系统。

参考知乎文章：http://www.zhihu.com/question/29453727