经典视觉SLAM框架

经典视觉SLAM框架

整个视觉SLAM流程包括以下步骤：

1. 传感器信息读取。在视觉SLAM中主要为相机图像信息的读取和预处理。

2. 视觉里程计（Visual Odometry，VO）。视觉里程计的任务是估算相邻图图像间相机的运动，以及局部地图的样子。VO又称为前段。

3. 后端优化（Optimization）。后端接受不同时刻视觉里程计测量的相机位姿以及回环检测的信息，对他们进行优化，得到全局一致的轨迹和地图。由于接在VO之后，又称为后端。

4. 回环检测（Loop Closing）。回环检测判断机器人是否到达过先前的位置。如果检测到回环，他会把信息提供给后端进行处理。

5. 建图（Mapping）。他根据估计的轨迹，建立与任务要求对应的地图。

视觉里程计（Visual Odometry，VO）:

VO能够通过相邻帧间的图像估计相机运动，并回复场景的空间结构。称他为“里程计”是因为他和实际的里程计一样，只估计相邻时刻的运动，而和再往前的过去的信息没有关联。在这一点上，VO就像一种只有短时间记忆的物种。

由于视觉里程计（在最简单的情况下）只估计两个图像间的运动将会造成累计飘逸（Accumulating Drift）。因为每次估计都带有一定的误差。而由于里程计的工作方式，先前时刻的误差将会传递到下一时刻，导致经过一段时间之后，估计的轨迹将不再准确。

这就是所谓的飘逸（Drift）。为了解决飘逸问题，我们还需要两种技术：后端优化和回环检测。

后端优化（Optimization）：

笼统地说，后端优化主要处理SLAM过程中噪声的问题。在视觉SLAM中，前段和计算机视觉研究领域更为相关，比如故乡的特征提取和匹配等，后端则主要是滤波和非线性优化算法。

SLAM问题的本质：对运动主体自身和周围环境空间不确定性的估计。

回环检测（Loop Closing）：

本质：计算图像相似性的算法。

建图（Mapping）

构建的地图分为度量地图和拓扑地图：