SLAM前沿问题梳理

鲁棒性问题：数据关联是影响系统鲁棒性的主要缘由

特征提取、线特征

　　短时间内的数据关联是最容易处理的，新的研究方向包括特征提取、线特征等。

回环检测

　　对于前端的环闭合检测，检测当前测量中的特征并试图将它们与全部先前检测到的特征匹配的暴力方法并不切实际。经过词袋模型能够量化特征空间并进行有效的搜索来避免这种难题。词袋模型能够设计成层级字典树，能够在大范围数据集中有效查找。基于词袋模型的技术在处理单任务闭环回路检测中表现出很是可靠的性能。然而，这些方法没法处理剧烈的图像变化，由于视觉单词没法匹配。这致使开发出新的方法，经过匹配序列、将不一样的视觉外观汇集成统一的表示、或者使用空间和外观信息等来明确地解释这种变化。　

回环检测校验

　　前端中长期数据关联更具备挑战性，同时须要闭合回路的检测和校验。错误的回环闭合会严重损害最大后验估计的质量。为了处理这个问题，最近出现了不少研究，提供了一些方法，可使SLAM后端对不合格（伪造）的观测值处理更有弹性。这些方法基于回环闭合的有效性进行推导，即回环闭合时经过添加优化过程的参差约束。

传感器失败

　　若是传感器精度因为误操做或老化而下降，传感器的测量（噪声和偏移）质量不能匹配后端的噪声模型，将会致使较差的估计。问题即是：咱们如何检测不良传感器的运行状态？如何相应地调整传感器数据统计模型（协方差、偏移）？　　

时间变化和地图畸变

　　大场景非固定地图仍然须要大量研究。

自动参数调整

　　SLAM系统（特别是数据关联模块）须要进行大量的参数调整才能在给定方案中正常工做。 这些参数包括控制特征匹配的阈值，RANSAC参数以及决定什么时候向图表添加新因子或什么时候触发回环闭合算法搜索匹配。 若是SLAM必须在任意场景中“开箱即用”，则须要考虑自动调整所涉及参数的方法。　　

 

度量地图模型

　　理解如何为SLAM中地图选择合适的度量表示（以及扩展当前在机器人中使用的集合或表示）将影响许多研究领域，包括长期导航，与环境的物理交互以及人机交互。目前，在建图过程当中如何有效的建模3D几何空间仍然处于早期阶段。基于的路标稀疏表示、低层次原始数据稠密表示、边界和空间分割稠密表示、高层次基于物体的表示。

点云和3D几何模型存在两个弱点

　　机器人目前主要关注点云或TSDF构建3D几何模型，这些方法存在两个弱点。首先，资源浪费问题。好比，两种表示方法使用了不少参数（好比，点，体素）来编码简单的环境，甚至是空房间。其次，这些表示方法并无提供对3D几何的高层理解。好比，机器人须要分辨出它是在房间仍是在走廊运行。更复杂的模型（例如，参数化的基元实例化）将提供辨别两个场景的简单方法（例如，经过查看定义基元的参数）。

　　高层次表示有一下三个做用：

          a. 使用精简的表示方法能够在大场景建图时提供一种压缩地图的方法；

          b. 高级表示将提供对象几何的更高级描述，这为促进数据关联，位置识别，语义理解和人机交互提供理想特征；

　　   c. 最后，使用丰富的3D表示能够实现与现有建筑和现代建筑管理标准的互动，包括CityGML [193]和IndoorGML。

最佳表示

　　3D几何空间的不一样表示方法领域很大，但只有不多的工做关注于如何肯定特定表示方法的选择标准上。直观上，在简单的室内场景中，一般会选择参数化基元，仅用少许参数就能够足够描述3D几何空间；另外一方面，在复杂的室外环境中，可能更倾向于网格模型。所以，如何比较不一样的表示方法，如何选择更好的表示方法？通俗的定义是 “最佳”表示是可以预先造成给定任务的表示，同时简洁且易于建立，最大的对不利因素的不变性。针对一个任务选择最好的表示方法，寻找一个通用的且易驾驭的框架的方法仍然是未解决的问题。

 

最后总结两个问题：为何须要SLAM？ SLAM的做用？

为何须要SLAM?

   a. 充当里程计的功能，计算机器人轨迹。

   b. 回环检测，造成环境真实的拓扑结构。

   c. 生成全局一致性地图。

SLAM解决了吗？

       SLAM是个很大的问题，因此须要指定特定状况才能回答这个问题。在机器人/环境/性能组合的状况下回答这一问题。 特别是，一旦指定了如下方面，就能够评估SLAM问题的成熟度：

   a. 机器人：运动类型（好比，运动情况、最大速度），可用的传感器（如，分辨率、采样速率），可用的计算资源；

   b. 环境：平面或三维的，天然路标或者人工路标，运动元素的数量，对称的数量和感知混淆的风险。这些方面都依赖于传感器与环境的匹配；

   c. 性能要求：机器人状态中的指望精度，环境表示的精度和类型（好比，基于路标点的或稠密点云），估计延时，最大运行时间，最大地图面积。