视觉SLAM的方案大全

MoNoSLAM

以扩展卡尔曼滤波为后端，追踪前端很是稀疏的特征点，以相机的当前状态和全部路标点为状态量，更新其均值和协方差。

优势：在2007年，随着计算机性能的提高，以及该系统用稀疏的方式处理图像，使得该方案使得SLAM系统可以在线运行。（以前的SLAM系统是基本不能在线运行的，只能靠机器人携带相机采集的数据，再离线进行定位和建图。）

缺点：MoNoSLAM存在应用场景窄，路标数量有限，系数特征点很是容易丢失等缺点，如今已经中止了对其开发。

PTAM( Parallel Tracking And Mapping )

主要原理是: 从摄影图像上捕捉特征点，而后检测出平面，在检测出的平面上创建虚拟的3D坐标，而后合成摄影图像和CG。其中，独特之处在于，立体平面的检测和图像的合成采用并行处理。

优势：提出并实现了跟踪与建图过程的并行化，将先后端分离，使用非线性优化方案，既能够实时的定位与建图，也能够在虚拟平面上叠加物体。

缺点：场景小，跟踪容易丢失。

ORB-SLAM（继承并改进PTAM）

优势：泛用性：支持单目，双目，RGB-D三种模式。整个系统围绕ORB特征进行计算，在效率与精度之间作到了平衡，并围绕特征点进行了优化。其回环检测算法能够有效地防止偏差的积累。使用三个线程完成SLAM，取得了较好的跟踪和建图效果，可以保证轨迹和地图的全局一致性。

缺点：对于每幅图像都须要计算ORB特征耗时大。三线程给CPU带来较大负担，在一直到嵌入式设备上有必定的困难，ORB-SLAM的建图为稀疏特征点，只能知足定位功能。

LSD-SLAM（Large Scale Direct monocular SLAM）

将单目直接发应用到了半稠密的单目SLAM中，不须要计算特征点，还能构建版稠密地图.

优势：直接法是针对像素进行的；对特征缺失区域不敏感，半稠密追踪能够保证追踪的实时性和稳定性；在cpu上实现了半稠密地图的重建。

缺点：对相机内参和曝光很是敏感，而且在相机快速运动时容易丢失，在回环检测部分，没有直接基于直接发实现，依赖特征点方程进行回环检测，还没有彻底摆脱特征点的计算。

SVO（ Semi-direct Visual Odoemtry ）

基于稀疏直接法的视觉里程计，在实现中，使用了4x4的小块进行块匹配，估计相机资自身的运动。

优势：速度极快，在低端计算平台上也能达到实时性，适合计算平台受限的场合。

缺点：在平视相机中表现不佳；舍弃了后端优化和回环检测部分，SVO的位姿估计存在累计偏差，而且丢失后不太容易进行重定位。

RTAB-MAP（RGB-D传感器上的SLAM方案）

给出了一套完整的RGB-D SLAM方案，目前能够直接从ROS中得到其二进制程序，在Google Project Tango上能够得到其APP直接使用。

优势：原理简单；支持RGB-D和双目传感器，且提供实时的定位和建图功能。

缺点：集成度高，庞大，在其上进行二次开发困难，适合做为SLAM应用而非研究使用。

原文来自：http://www.linuxprobe.com/v-slam-plans.html