常用开源 SLAM 方案

小灰灰 2022-12-20 12:40 353阅读 0赞

**目录**

MonoSLAM

PTAM

ORB-SLAM

LSD-SLAM

SVO

DTAM

DVO

DSO

RTAB-MAP

VINS 系列

GBD-SLAM-V2

Elastic Fusion

Hector SLAM

GMapping

OKVIS

ROVIO

--------------------

# **MonoSLAM**  #

*  单目
 *  https://github.com/hanmekim/SceneLib2
 *  A. J. Davison 2007 年提出的 MonoSLAM 是 第一个实时的单目视觉 SLAM 系统 \[2\]，被认为是许多工作的发源地

# **PTAM**  #

*  单目
 *  http://www.robots.ox.ac.uk/~gk/PTAM/
 *  视觉 SLAM 中首次区分出前后端的概念，引领了后来许多视觉 SLAM 系统的设计（我们现在看到的 SLAM 多半都分前后端）。
 *  第一个使用非线性优化，而不是使用传统的滤波器作为后端的方案。它引入了关键帧机制：我们不必精细地处理每一个图像，而是把几个关键图像串起来，然后优化其轨迹和地图。
 *  存在着明显的缺陷：场景小，跟踪容易丢失等等。这些又在后续的方案中得以修正。

# **ORB-SLAM**  #

*  单目为主
 *  http://webdiis.unizar.es/~raulmur/orbslam/
 *  最新版本： [https://github.com/UZ-SLAMLab/ORB\_SLAM3][https_github.com_UZ-SLAMLab_ORB_SLAM3]
 *  PTAM 的继承者们中非常有名的一位;
 *  代表着主流的**特征点 SLAM** 的一个高峰。
 *  它体现出 ORB 特征是现阶段计算平台的一种优秀的效率与精度之间的折衷方式。
 *  ORB 的回环检测是它的亮点。优秀的回环检测算法保证了 ORB-SLAM 有效地防止累计误差，并且在丢失之后还能迅速找回，
 *  必须对每张图像都计算一遍 ORB 特征，这是非常耗时的;移植到嵌入式端则有一定困难。
 *  如果我们仅用 ORB-SLAM 处理定位问题，似乎又嫌它有些过于重量级了

# **LSD-SLAM**  #

*  单目为主
 *  http://vision.in.tum.de/research/vslam/lsdslam
 *  将直接法应用到了半稠密的单目SLAM 中;这里半稠密的意思主要是指估计梯度明显的像素位置;
 *  LSD-SLAM 的半稠密追踪使用了一些精妙的手段，来**保证追踪的实时性与稳定性**。例如，
    
     *  LSD-SLAM 既不是利用单个像素，也不是利用图像块，而是在**极线上等距离取五个点**，度量其 **SSD**；
     *  在深度估计时， LSD-SLAM 首先用随机数**初始化**深度，在估计完之后又把深度均值**归一化**，以调整尺度；
     *  在度量深度不确定性时， 不仅考虑三角化的几何关系，而且考虑了**极线与深度的夹角**，归纳成一个**光度不确定性**项；
     *  关键帧之间的约束，使用了**相似变换群**以及与之对应的李代数 ζ 2 sim(3)，**显式地表达出尺度**，在后端优化中就可以将不同尺度的场景考虑进来，减小了尺度飘移现象。
     *  ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70][]

# SVO #

*  单目
 *  https://github.com/uzh-rpg/rpg\_svo
 *  一种基于稀疏直接法的视觉里程计
 *  半直接在原文的意思，是指特征点与直接法的混合使用： SVO 跟踪了一些关键点（角点，没有描述子），然后像直接法那样，根据这些关键点周围的信息，估计相机运动以及它们的位置。在实现中， SVO 使用了关键点 周围的 4×4 的小块进行块匹配，估计相机自身的运动。
 *  最大优势是速度极快
 *  另一创新之处是提出了**深度滤波器**的概念，并推导了基于均匀——高斯混合分布的深度滤波器
    
     *  SVO 将这种滤波器用于关键点的位置估计，并使用了逆深度作为参数化形式，使之能够更好地计算特征点位置。
 *  目标应用平台为**无人机的俯视相机**，考虑到视野内的物体主要是地面，而且相机的运动主要为水平和上下的移动， SVO 的许多细节是围绕这个应用设计的，使得它在平视相机中表现不佳。
 *  SVO 为了速度和轻量化，舍弃了后端优化和回环检测部分，也基本没有建图功能，所以，我们称它为一个 VO，而不是称它为完整的 SLAM

# DTAM #

*  RGB-D
 *  https://github.com/anuranbaka/OpenDTAM

# DVO #

*  RGB-D
 *  https://github.com/tum-vision/dvo\_slam

# DSO #

*  单目
 *  https://github.com/JakobEngel/dso

# RTAB-MAP #

*  双目/RGB-D
 *  https://github.com/introlab/rtabmap
 *  RTAB-MAP（Real Time Appearance-Based Mapping） \[107\] 是 RGB-D SLAM 中比较经典的一个方案。
 *  它实现了 RGB-D SLAM 中所有应该有的东西：基于特征的视觉里程计、基于词袋的回环检测、后端的位姿图优化以及点云和三角网格地图。因此， RTAB-MAP给出了一套完整的（但有些庞大的） RGB-D SLAM 方案。目前我们已经可以直接从 ROS中获得它二进制程序，此外，在 Google Project Tango 上也可以获取它的 app，愉快地玩耍了。
 *  RTAB-MAP 支持一些常见的 RGB-D 和双目传感器，像 Kinect、 Xtion 等等，且提供实时的定位和建图功能。不过由于**集成度较高**，使得其他开发者在它基础上进行**二次开发变得困难**，所以 RTAB-MAP 更适合作为 **SLAM 应用**而非研究使用。

# VINS 系列 #

*  单目 +IMU 为主
 *  https://github.com/HKUST-Aerial-Robotics/VINS-Mono

# GBD-SLAM-V2 #

*  RGB-D
 *  https://github.com/felixendres/rgbdslam\_v2

# Elastic Fusion #

*  RGB-D
 *  https://github.com/mp3guy/ElasticFusion

# Hector SLAM #

*  激光
 *  http://wiki.ros.org/hector\_slam

# GMapping #

*  激光
 *  http://wiki.ros.org/gmapping

# OKVIS #

*  多目 +IMU
 *  https://github.com/ethz-asl/okvis

# ROVIO #

*  单目 +IMU
 *  https://github.com/ethz-asl/rovio

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1][]

参考 高翔 视觉SLAM十四讲

[https_github.com_UZ-SLAMLab_ORB_SLAM3]: https://github.com/UZ-SLAMLab/ORB_SLAM3
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70]: /images/20221120/966e878b769b45e8932dd8acbcb3304a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20201128223118622.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ==,size_16,color_FFFFFF,t_70