视觉SLAM简介

vlsam_intro

SLAM是“Simultaneous Localization And Mapping”的缩写，VSLAM也就是视觉SLAM。

此页面记录VSLAM相关知识。

相机和IMU数据的同步

主流vslam框架

特征点法

一级分类	二级分类	名称	时间	状态量	特点	初始化	缺陷
特征点法	基于滤波	MonoSLAM	2003	6DoF相机位姿和3DoF特征点位姿	基于滤波方法的代表，使用EKF作为后端优化方法	必须要给定一个已知物体进行地图（尺度？）的初始化	没有对场景特征点数量做限制，大场景下计算复杂度很高
	基于优化	PTAM	2007	6DoF相机位姿和3DoF特征点位姿	最先把tracking和mapping线程分开，最先引入key frame策略，最先引入BA作为后端，随机树搜索	五点法
		ORB-SLAM	2015	7DoF相机位姿（尺度)和3DoF特征点位姿	使用ORB特征点，完整度高，支持RGBD相机
直接法		DTAM	2011	相机位姿+稠密深度图	使用PTAM作为前端tracking，使用多视几何计算稠密深度
		LSD-SLAM	2014	相机位姿+半稠密深度图	对梯度强的点进行深度估计
		SVO	2014
		DSO	2016		没有后端，VO only

BA vs EKF?

直接法 vs 特征点法 特征点法不适合若纹理场景、曲线纹理场景

Loop closing

1. 位姿图优化(Pose-graph optimization)
2. 词袋模型

photometric consistency

vins

orb_slam

MSCFK

MSCFK扩展阅读

vslam简介