SLAM算法的類型

SLAM 通常與開發(fā)自動駕駛汽車和機器人相關(guān)。SLAM 的其他應(yīng)用領(lǐng)域還包括增強/虛擬現(xiàn)實(AR/VR)（用于跟蹤對象和用戶）、農(nóng)業(yè)（用于跟蹤田野并實現(xiàn)數(shù)據(jù)驅(qū)動決策）以及醫(yī)學(xué)（尤其是在使用細(xì)長器械的微創(chuàng)手術(shù)中）蜿蜒穿過小切口。

結(jié)合了工程、傳感器融合、統(tǒng)計學(xué)、概率、計算、計算機科學(xué)等技術(shù)，SLAM算法和變體有很多。因此，SLAM 并不是指單一的技術(shù)或方法，而是它們的一個家族（類似于機器學(xué)習(xí)如何指代廣泛的技術(shù)）。

根據(jù)主要技術(shù)/屬性將 SLAM 算法分為三類：基于過濾器的 SLAM、基于圖的 SLAM 和基于深度學(xué)習(xí)的 SLAM。

基于過濾器的 SLAM

基于過濾器的 SLAM 將 SLAM 問題視為狀態(tài)估計問題，其中狀態(tài)包含有關(guān)當(dāng)前位置和地圖的信息。狀態(tài)由過濾器遞歸更新，過濾器根據(jù)操作和測量來估計當(dāng)前位置和地圖。隨著收集到的數(shù)據(jù)越來越多，估計值也會得到增強和完善。

一些基于過濾器的 SLAM 算法是：

l  卡爾曼濾波器：這是一種遞歸算法，分兩個步驟工作：預(yù)測步驟和更新步驟。預(yù)測步驟根據(jù)系統(tǒng)的動態(tài)對狀態(tài)進(jìn)行預(yù)測，而更新步驟使預(yù)測與測量相一致，以產(chǎn)生改進(jìn)的狀態(tài)估計。來自預(yù)測和測量的信息根據(jù)其不確定性/（協(xié)）方差進(jìn)行權(quán)衡?？柭鼮V波器算法假設(shè)一個具有高斯誤差/噪聲的線性世界；事實上，在優(yōu)化估計狀態(tài)和真實狀態(tài)之間的均方誤差時，卡爾曼濾波器是線性高斯世界中的最優(yōu)/最 佳估計器。然而，卡爾曼濾波器的局限性在于線性和/或高斯誤差/噪聲并不總是適用。

l  擴展卡爾曼濾波器（EKS）：擴展卡爾曼濾波器（EKS）擴展了卡爾曼濾波器，允許我們通過使用線性化來放松線性假設(shè)。該技術(shù)涉及在估計值周圍使用一階泰勒展開，并保留大部分卡爾曼濾波器機制。EKS 算法由于其靈活性和效率而成為一種非常流行的非線性狀態(tài)估計技術(shù)。然而，EKS 也會在估計中引入較大的誤差并導(dǎo)致性能不佳。

l  無跡卡爾曼濾波器 (UKS)：無跡卡爾曼濾波器 (UKS) 擴展了卡爾曼濾波器，允許我們通過近似概率分布來放松線性假設(shè)。該技術(shù)涉及使用無跡變換來計算經(jīng)歷非線性變換的隨機變量的統(tǒng)計數(shù)據(jù)，例如均值或方差（通過對表示狀態(tài)分布的西格瑪點進(jìn)行采樣）。UKS 可以為狀態(tài)提供更準(zhǔn)確的估計，尤其是在非線性系統(tǒng)中，但計算成本可能更高。

l  粒子濾波器：粒子濾波器將估計表示為一組粒子，其中每個粒子代表一種可能的狀態(tài)；權(quán)重較高的粒子被認(rèn)為更能反映真實狀態(tài)。隨著收集到更多信息，粒子將根據(jù)其與觀察到的測量值的匹配重新加權(quán)。粒子濾波器的一個關(guān)鍵優(yōu)勢在于，它對底層系統(tǒng)的假設(shè)很少，考慮到復(fù)雜性，并且能夠處理非線性系統(tǒng)和非高斯誤差/噪聲（與卡爾曼濾波器不同）。因此，它非常靈活，可以在多種情況下使用。然而，粒子濾波器也有局限性，例如維度（即可能需要大量粒子來準(zhǔn)確表達(dá)狀態(tài)分布）、發(fā)散性（即粒子可能偏離真實狀態(tài)）和復(fù)雜性（即所需的計算可能會很密集）。有一些基于粒子過濾器的變體可以解決這些限制。

一般來說，基于過濾器的 SLAM 在動態(tài)已知的結(jié)構(gòu)化環(huán)境中表現(xiàn)出色——在這種設(shè)置中，它可以提高計算效率，并有可能提供實時估計。

基于圖的SLAM

基于圖的 SLAM 將 SLAM 問題視為圖問題，其中位置信息由節(jié)點表示，地圖由邊導(dǎo)出。在機器人領(lǐng)域，通常使用位姿圖優(yōu)化。在姿勢圖中，節(jié)點表示姿勢和地標(biāo)，邊表示它們之間的約束。當(dāng)檢測到新姿勢和地標(biāo)時添加新節(jié)點，并且約束將順序節(jié)點與有關(guān)運動的信息連接起來。例如，從一個點移動到另一點將用兩個節(jié)點表示，每個節(jié)點包含有關(guān)姿勢和測量的地標(biāo)的信息，通過邊緣連接，包含有關(guān)運動和其他觀察的信息。在構(gòu)建姿勢圖時，如果節(jié)點足夠相似，我們還可以在節(jié)點之間添加邊，表示返回到一些先前的姿勢和地標(biāo)。當(dāng)兩個節(jié)點非常相似時，它會提供信息來更新位姿圖，并可能添加指示它們接近程度的新邊（這有時也稱為檢測循環(huán)閉合）。

目標(biāo)是通過最小化姿勢、地標(biāo)和約束中的誤差，根據(jù)觀察到的測量結(jié)果來優(yōu)化圖形?；趫D的 SLAM 算法旨在高效地執(zhí)行優(yōu)化；一些例子是：

l  平方根平滑和映射（平方根 SAM）：該算法通過因式分解解決圖優(yōu)化問題。該算法利用了 SLAM 圖稀疏的特性，這意味著每個節(jié)點僅連接到幾個其他節(jié)點/只有幾個往返于它的邊。SLAM 圖稀疏的原因是因為節(jié)點連接/邊僅在連續(xù)姿勢之間或返回到先前姿勢時形成。與我們跟蹤的不同姿勢的數(shù)量相比，后一個原因（返回到先前的姿勢）相對較少。此外，認(rèn)為兩個姿勢相同的閾值通常很高。當(dāng)我們將圖表示為矩陣時，其中行和列代表節(jié)點，條目代表節(jié)點之間的邊連接，該矩陣將有許多零元素，因此是一個稀疏矩陣。使用線性代數(shù)的因式分解技術(shù)（平方根 SAM 算法的作用）可以有效地優(yōu)化稀疏矩陣，以提供更穩(wěn)定、更高效的數(shù)值估計。

l  增量平滑和映射 (iSAM)：該算法利用類似于平方根 SAM 的因式分解，并允許在收集新測量值時增量更新估計值。與 Square Root SAM 不同的是，Square Root SAM 是一種基于批處理的方法，這意味著它在優(yōu)化之前等待所有可用數(shù)據(jù)，而 iSAM 是動態(tài)執(zhí)行的，因此更加實時。此外，由于它是按每次增量更新而不是批量更新，因此減少了計算復(fù)雜性和所需的內(nèi)存。

l  General Framework for Graph Optimization (g2o)：這是一個用于圖優(yōu)化的開源 C++ 框架。它建立在平方根 SAM 和 iSAM 的思想之上。該框架設(shè)計靈活、可擴展、快速，適用范圍廣泛。例如，該框架允許不同的優(yōu)化算法（例如，高斯-牛頓、萊文伯格-馬夸特、鮑威爾狗腿等）和噪聲/錯誤處理（例如，Huber、Geman-McClure、動態(tài)協(xié)方差縮放等）。對于那些對框架的不同實現(xiàn)以及性能感興趣的人，請參閱這篇關(guān)于g2o 框架下基于圖的 SLAM 算法分析的論文。

一般來說，當(dāng)存在較大的不確定性或非高斯噪聲時，基于圖的 SLAM 由于其靈活性而比基于過濾的 SLAM 表現(xiàn)更好。然而，它的一個限制是計算成本可能很高。因此，基于圖的SLAM的一個主要研究領(lǐng)域是提高效率。

基于深度學(xué)習(xí)的SLAM

基于深度學(xué)習(xí)的SLAM嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)來解決SLAM問題。深度學(xué)習(xí)可用于整個 SLAM 問題，從描述特征到調(diào)整不同的測量結(jié)果再到進(jìn)行估計。

該領(lǐng)域的一些算法是：

l  RatSLAM：RatSLAM 最初開發(fā)于 2004 年，是最早使用類似“神經(jīng)網(wǎng)絡(luò)”技術(shù)來處理 SLAM 的算法之一。該算法使用海馬模型將視覺線索和里程計/運動信息處理成用于導(dǎo)航的環(huán)境表示。海馬模型基于嚙齒動物/大鼠的海馬體，因此命名為 RatSLAM。實驗結(jié)果表明該算法在某些情況下（即具有最小演化動態(tài)的視覺里程計）穩(wěn)定可靠，但在其他情況下的通用性受到限制。

l  LIFT-SLAM：該算法專注于視覺數(shù)據(jù)的SLAM，并將基于深度學(xué)習(xí)的特征描述符與傳統(tǒng)的幾何特征描述符相結(jié)合。該算法使用學(xué)習(xí)不變特征變換 (LIFT)、一種深度神經(jīng)網(wǎng)絡(luò) (DNN)，基于卷積神經(jīng)網(wǎng)絡(luò) (CNN) 進(jìn)行局部特征檢測、方向估計和描述。KITTI和EuRoC數(shù)據(jù)集的基準(zhǔn)顯示了有希望的結(jié)果。然而，一些限制是所需的計算資源，這對于設(shè)備上或?qū)崟r計算來說可能很困難。此外，LIFT-SLAM 難以處理照明不佳（即太亮或太暗）、模糊（即難以區(qū)分特征）或低紋理（即沒有太多明顯特征）的視覺數(shù)據(jù)。

l  EnvSLAM：該算法通過使用神經(jīng)網(wǎng)絡(luò)進(jìn)行 SLAM 來解決效率挑戰(zhàn)。除了準(zhǔn)確的結(jié)果之外，設(shè)備上的實時性能也很重要。該算法找到了準(zhǔn)確性和效率之間的權(quán)衡，從而實現(xiàn)了更快的 SLAM 算法。此外，神經(jīng)網(wǎng)絡(luò)的設(shè)計旨在輕量級。EnvSLAM 的局限性在于準(zhǔn)確性降低，并且對所有 SLAM 實現(xiàn)/情況的通用性有限。

總的來說，基于深度學(xué)習(xí)的 SLAM 是一個新興且令人興奮的研究領(lǐng)域。將深度學(xué)習(xí)算法的成功從其他任務(wù)轉(zhuǎn)移到 SLAM 領(lǐng)域，如果成功，它可以提供新的最 先進(jìn)的結(jié)果，并適用于更廣泛的 SLAM 問題?；谏疃葘W(xué)習(xí)的 SLAM 的局限性通常在于與深度學(xué)習(xí)相關(guān)的計算要求以及這些算法的通用性。

結(jié)論

SLAM 是指生成環(huán)境地圖并確定位置。對于自主、機器人、增強現(xiàn)實等領(lǐng)域來說，這是一個困難但基本的問題。有許多方法、算法和積極的研究來解決 SLAM 問題。在本文中，我們根據(jù)主要技術(shù)對 SLAM 空間進(jìn)行了細(xì)分：基于過濾器的 SLAM（將 SLAM 視為狀態(tài)估計問題）、基于圖的 SLAM（將 SLAM 視為圖優(yōu)化問題）以及基于深度學(xué)習(xí)的 SLAM（將 SLAM 視為圖優(yōu)化問題）。利用深度學(xué)習(xí)來改善 SLAM 結(jié)果。