SLAM Summary

SLAM 的目的是使装载了特定传感器的移动机器人能够：

1. 无先验环境知识的情况下
2. 在移动过程中对周围进行建图
3. 在移动过程中估计自己的运动和位置

1. SLAM 在 无干扰 时，在 理论 层面上是一个已经被解决的问题 -> 工作环境限定在静态、刚体、光照变化不明显、没有人为干扰的场景时，SLAM 已相当成熟
2. 现实中实现通用的 SLAM 解决方案存在实质性问题 -> 在构建和使用感知丰富的地图时存在重大问题(见数据关联部分)

SLAM 依据概率图模型分为：

1. 基于贝叶斯网络的滤波方法(最大似然法)
2. 基于因子图的优化方法(最小二乘法)

主流的 SLAM 多采用基于最小二乘的迭代优化求解

1. 激光 SLAM

   1. 粒子滤波 gmapping
   2. 室内 cartographer
   3. 室外 LOAM

2. 视觉 SLAM

   1. 直接法 LSD_SLAM
   2. 半直接法 SVO_SLAM
   3. 稀疏法 ORB_SLAM

3. 混合 SLAM

   1. 激光+视觉 rtabmap
   2. IMU + 视觉 VINS
4. 深度 SLAM

SLAM 建图是增量过程，环境路标信息需要被不断加入到已构建的地图中。

数据关联的关键在于是否能将在 不同地方 观测到的 同一个实物 所产生的路标特征判断为同一个路标特征。

数据关联可能由下列问题导致：

1. 传感器观测错误 -> 多传感器联合观测；
2. 定位累积误差 -> 闭环检测是有效降低定位累积误差的方式；

收敛用于衡量 SLAM 在理论上的可行性。

1. 机器人观测模型和运动模型都具有不确定性；
2. 不确定性导致估计的路标特征与实际环境特征存在偏差；

在概率框架下，具有以下特性：观测越多，地标估计之间的相关性单调增加。即无论机器人运动如何，对地标相对位置的了解总是会提高，地标的联合概率密度会随观察次数增加而上升。

收敛的一致性讨论的是估计量收敛于实际数值的问题。

1. 弱一致收敛 -> 依概率收敛 -> 估计量取值与真值不一定一致
2. 强一致收敛 -> 严格收敛 -> 估计量取值与真值一定一致

$$ p(x|y)=\frac{p(y|x)p(x)}{p(y)} $$

$p(y)$ 与 $x$ 是独立的，因此 $p(y)^{-1}$ 对任何 $x$ 的后验概率 $p(x|y)$ 是相同的，故 $p(y)^{-1}$ 在贝叶斯公式中常作归一化变量，用 $\eta$ 表示。

$$ p(x|y,z)=\frac{p(y|x,z)p(x|z)}{p(y|z)} $$

在一段连续时间中的运动分解到离散的时间 $t=1,2,...K$ 中，在这些时刻中：

1. $x_k$ 状态向量，描述在 $k$ 时刻机器人的位置和方向
2. $u_k$ 控制向量，描述在 $k-1$ 时刻下达给机器人的指令，要求其在时刻 $k$ 时状态转为 $x_k$
3. $y_i$ 地标向量，描述第 $i$ 个位置的地标，假设其位置保持时间不变
4. $z_{k,j}$ 在时刻 $k$ 时（或在 $x_k$ 状态时），观测到第 $j$ 个地标点的观测向量
5. $X_{0:k}=\{x_0,x_1,...,x_k\}=\{X_{0:k-1},x_k\}$ 所有的状态向量的集合
6. $U_{1:k}=\{u_1,u_2,...,u_k\}=\{U_{1:k-1},u_k\}$ 所有的控制向量的集合
7. $y=\{y_1,y_2,...,y_n\}$ 代表所有的地标点的集合
8. $Z_{1:k}=\{z_1,z_2,...,z_k\}=\{Z_{1:k-1},z_k\}$ 代表所有的观测点的集合

相机图像信息读取和预处理，相机分为以下几类：

1. 单目(monocular)
2. 立体(Stereo)
3. 事件(event-based)
4. 广角(omnidirectional)
5. 深度(RGB-D)

基于局部一致性提供机器人的位姿初步估计，估算相邻图像间相机的运动，以及局部地图的形状，并发送到后端进行优化

特别地，视觉里程计的 累积漂移 被认为是不可避免的。

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，得到 全局一致 的轨迹和地图。

总体来说，后端优化处理 噪声 问题。

回环检测判断是否达到过先前的位置，检测到回环会将信息提供给后端进行处理。

通过判断图像相似性完成。

根据估计的轨迹，建立地图。