Visual SLAM

追求直接SLAM技術，而不是使用關鍵點，直接操作圖像強度的跟蹤和映射。

作為直接方法，LSD-SLAM使用圖像中的所有信息，包括邊緣，而基于關鍵點的方法只能在拐角處使用小塊。這將導致在紋理稀疏的環境（如室內）中獲得更高的精度和更強的魯棒性，以及更密集的三維重建。此外，由于提出的piselwise深度濾波器包含許多小基線立體比較，而不是只有很少的大基線幀，因此離群值要少得多。

單目和立體相機的直接SLAM

LSD-SLAM是單目和立體相機的直接SLAM技術。使用直接圖像對齊來跟蹤相機，而幾何體則以半密集深度圖的形式進行估計，該深度圖是通過對多個像素級立體比較進行濾波獲得的。然后，構建一個關鍵幀的Sim（3）姿勢圖，它允許構建包括循環閉包在內的大規模漂移校正地圖。

LSD-SLAM：大規模直接單目SLAM

LSD-SLAM是一種新穎的、直接的單目SLAM技術：它不使用關鍵點，而是直接對圖像強度進行跟蹤和映射。使用直接圖像對齊來跟蹤相機，而幾何體則以半密集深度圖的形式進行估計，該深度圖是通過對多個像素級立體比較進行濾波獲得的。構建一個關鍵幀的Sim（3）姿勢圖，允許構建包括循環閉包在內的大規模漂移校正地圖。LSD-SLAM在CPU上實時運行，甚至在現代智能手機上。

Building a global map

LSD-SLAM構建關鍵幀的姿勢圖，每個關鍵幀都包含一個估計的半密集深度貼圖。利用一種新的直接圖像對齊方法，直接跟蹤關鍵幀（即剛體運動+尺度）之間的Sim（3）約束，建立姿態圖并進行優化。該公式可以檢測和校正大環閉合后的大尺度漂移，并處理同一地圖內的大尺度變化。

RGB-D相機的直接SLAM

對于帶有RGB-D相機的SLAM（RGB-D SLAM），開發了一種方法，該方法還使用直接圖像對齊來跟蹤相機。優化關鍵幀的SE（3）位姿圖以找到全局一致的軌跡和圖像對齊。

RGB-D視覺

在過去的幾年里，像微軟Kinect或華碩Xtion傳感器這樣既能提供彩色圖像又能提供密集深度圖像的新型相機系統變得很容易獲得。人們對這種系統將在機器人技術和視覺及增強現實領域推動基于三維感知的新應用抱有很大的期望。

特別感興趣的是使用RGB-D傳感器進行三維映射和定位、路徑規劃、自主導航、目標識別和人員跟蹤。

針對RGB-D相機，提出了一種稠密視覺SLAM方法，該方法可以最小化所有像素上的光度和深度誤差。與稀疏的、基于特征的方法相比，使得能夠更好地利用圖像數據中的可用信息，從而提高姿態精度。此外，提出了一種基于熵的相似性度量方法，用于關鍵幀選擇和環路閉合檢測。從所有成功的匹配中，構建了一個使用g2o框架進行優化的圖。在公開的基準數據集上進行了廣泛的評估，發現在低紋理和低結構的場景中表現良好。與幾種最先進的方法直接比較，該方法產生的軌跡誤差大大降低。源碼開源。

總結

以上是生活随笔為你收集整理的Visual SLAM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。