推荐星级：
- 1
- 2
- 3
- 4
- 5
视觉SLAM技术的进展与应用
资料介绍
视觉SLAM技术依靠体积小、功耗低、信息获取丰富的视觉传感器,为未知环境下的机器人提供环境地图及自身在地图中的定位结果,对机器人自动化、智能化应用有着重要意义。本文介绍了视觉SLAM方法的关键技术,总结了目前视觉SLAM的研究现状,分析了当前视觉SLAM研究的主要趋势,最后讨论了视觉SLAM技术在深空、室内等受限环境下的应用现状与前景。
部分文件列表
| 文件名 | 大小 |
| 视觉SLAM技术的进展与应用.pdf | 2M |
部分页面预览
（完整内容请下载后查看），
Ｖｏｌ．４７ Ｎｏ．６
第
卷
第
期
测
绘
学
报
ꢀ
４７
６
ꢀ
ꢀ
ꢀ
，
Ｊｕｎｅ２０１８
年
月
２０１８
６
ＡｃｔａＧｅｏｄａｅｔｉｃａｅｔＣａｒｔｏｒａ ｈｉｃａＳｉｎｉｃａ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ ｐ
ꢀ
ꢀꢀ
： ， ， ，
引文格 式 邸 凯 昌 万 文 辉 赵 红 颖 等 视 觉
．
［］
， ， （ ）： ： ／
测 绘 学 报
２０１８ ４７ ６ ７７０７７９．ＤＯＩ１０．１１９４７ ．ＡＧＣＳ．
－ ｊ
技 术 的 进 展 与 应 用
ＳＬＡＭ
Ｊ ．
２０１８ ．２０１７０６５２ ．
， ， ， ［ ］
ＤＩＫａｉｃｈａｎ ＷＡＮ Ｗｅｎｈｕｉ ＺＨＡＯ Ｈｏｎ ｉｎ ｅｔａｌ．Ｐｒｏｒｅｓｓａｎｄ Ａ ｌｉｃａｔｉｏｎｓｏｆＶｉｓｕａｌＳＬＡＭ Ｊ ．Ａｃｔａ Ｇｅｏｄａｅｔｉｃａｅｔ
ꢀ ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ｇｙ ｇ
ꢀ
ｇ
ꢀ
ꢀ ｐｐ
ꢀ
ꢀ
ꢀ
，
， （）：
： ／
ＣａｒｔｏｒａｈｉｃａＳｉｎｉｃａ２０１８４７６ ７７０７７９．ＤＯＩ１０．１１９４７ ．Ａ Ｇ ＣＳ ．２０１８ ．２０１７０６５２ ．
ｊ
ｇ ｐ
ꢀ
－
视觉
技术的进展与应用
ＳＬＡＭ
１ １ ２ １ １
，
邸凯昌 万文辉 赵红颖 刘召芹 王润之 张飞舟
２
，
，
，
，
，
中国科学院遥感与数字地球研究所遥感科学国家重点实验室 北京
１．
；
１００１０１ ２．
北京大学遥感与地理
，
信息系统研究所 北京
１００８７１
ＰｒｏｒｅｓｓａｎｄＡ ｌｉｃａｔｉｏｎｓｏｆＶｉｓｕａｌＳＬＡＭ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｐｐ
ｇ
１
１
２
１
， ，
ＤＩＫａｉｃｈａｎ ＷＡＮ Ｗｅｎｈｕｉ ＺＨＡＯＨｏｎ ｉｎ ＬＩＵＺｈａｏｉｎ ＷＡＮＧＲｕｎｚｈｉ ＺＨＡＮＧＦｅｉｚｈｏｕ
１
２
，
，
，
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｇｙ ｇ
ｑ
，
，
１．ＳｔａｔｅＫｅ Ｌａｂｏｒａｔｏｒ ｏｆＲｅｍｏｔｅＳｅｎｓｉｎ ＳｃｉｅｎｃｅＩｎｓｔｉｔｕｔｅｏｆＲｅｍｏｔｅＳｅｎｓｉｎ ａｎｄＤｉｉｔａｌＥａｒｔｈ ＣｈｉｎｅｓｅＡｃａｄｅｍ
ꢀ ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｙ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ｇ
，
，
；
，
ｏｆＳｃｉｅｎｃｅｓ Ｂｅｉｉｎ １００１０１ Ｃｈｉｎａ ２．ＩｎｓｔｉｔｕｔｅｏｆＲｅｍｏｔｅ Ｓｅｎｓｉｎ ａｎｄ Ｇｅｏｒａ ｈｉｃＩｎｆｏｒｍａｔｉｏｎ Ｓｓｔｅｍ Ｐｅｋｉｎ
ꢀ ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ｊ ｇ
ｇ
ꢀ
ｇ ｐ
ꢀ
，
，
Ｕｎｉｖｅｒｓｉｔ Ｂｅｉｉｎ １００８７１ Ｃｈｉｎａ
ｊ ｇ
ｙ
：
Ａｂｓｔｒａｃｔ ＶｉｓｕａｌＳＬＡＭ ｒｏｖｉｄｅｓ ｍａ ｉｎ ａｎｄ ｓｅｌｆｌｏｃａｌｉｚａｔｉｏｎｒｅｓｕｌｔｓ ｏｆ ａ ｒｏｂｏｔｉｎ ａｎ ｕｎｋｎｏｗｎ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
－
ꢀ
ｐｐ ｇ
ꢀ
，
，
，
ｅｎｖｉｒｏｎｍｅｎｔｂａｓｅｄｏｎｖｉｓｕａｌｓｅｎｓｏｒｗｈｉｃｈｈａｓｔｈｅａｄｖａｎｔａｅｓｏｆｓｍａｌｌｖｏｌｕｍｅｌｏｗ ｏｗｅｒｃｏｎｓｕｍｔｉｏｎａｎｄ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ｇ
ｐ
’
ｒｉｃｈｎｅｓｓｏｆｉｎｆｏｒｍａｔｉｏｎ ａｃｕｉｓｉｔｉｏｎ．ＶｉｓｕａｌＳＬＡＭ ｉｓ ｃｒｉｔｉｃａｌａｎｄ ｓｉｎｉｆｉｃａｎｔｉｎ ｓｕ ｏｒｔｉｎ ｏｆｒｏｂｏｔｓ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ｑ
ｇ
ｐｐ
ｇ
ꢀ
，
ａｕｔｏｍａｔｅｄａｎｄｉｎｔｅｌｌｉｅｎｔａ ｌｉｃａｔｉｏｎｓ．Ｔｈｉｓ ａｅｒ ｒｅｓｅｎｔｓｔｈｅｋｅ ｔｅｃｈｎｉｕｅｓｏｆｖｉｓｕａｌＳＬＡＭｓｕｍｍａｒｉｚｅｓ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ｐｐ
ꢀ
ꢀ
ꢀ
ｇ
ｐｐ ｐ
ｙ
ꢀ
ｑ
，
ｔｈｅｃｕｒｒｅｎｔｓｔａｔｕｓｏｆｖｉｓｕａｌＳＬＡＭｒｅｓｅａｒｃｈ ａｎｄａｎａｌｚｅｓｔｈｅｎｅｗｔｒｅｎｄｓｏｆｖｉｓｕａｌＳＬＡＭｒｅｓｅａｒｃｈａｎｄ
ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
， ，
ｄｅｖｅｌｏ ｍｅｎｔ．Ｆｉｎａｌｌ ｓｔａｔｕｓａｎｄ ｒｏｓｅｃｔｏｆｖｉｓｕａｌＳＬＡＭ ａ ｌｉｃａｔｉｏｎｉｎｒｅｓｔｒｉｃｔｅｄｅｎｖｉｒｏｎｍｅｎｔｓｓｕｃｈａｓ
ꢀ ꢀ
ꢀ
ꢀ
ｐ
ꢀ ꢀ
ꢀ
ꢀ
ｐｐ
ꢀ
ꢀ
ｐ
ｙ
ｐ
，
，
ｄｅｅ ｓａｃｅｉｎｄｏｏｒｓｃｅｎｅａｎｄｓｏｏｎａｒｅｄｉｓｃｕｓｓｅｄ．
ꢀ ꢀ ꢀ
ꢀ
ꢀ
ｐ ｐ
ꢀ
： ； ； ； ；
Ｋｅ ｗｏｒｄｓ ｖｉｓｕａｌＳＬＡＭｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎＫａｌｍａｎｆｉｌｔｅｒ ｒａｈｂａｓｅｄｏｔｉｍｉｚａｔｉｏｎｌｏｏ ｃｌｏｓｕｒｅｄｅｔｅｃｔｉｏｎ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ｙ
ꢀ
ｇ ｐ
ｐ
ꢀ
： （
Ｆｏｕｎｄａｔｉｏｎｓｕ ｏｒｔ ＴｈｅＮａｔｉｏｎａｌＫｅ ＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏ ｍｅｎｔＰｒｏｒａｍｏｆＣｈｉｎａ Ｎｏ．２０１６ＹＦＢ０５０２１０２
ꢀ
）；
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ ꢀ
ｐｐ
ｙ
ꢀ
ｐ
（
ＴｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ Ｎｏ．４１４７１３８８
ꢀ ꢀ
）
ꢀ
ꢀ
ꢀ
ꢀ
：
要 视觉
、 、 ，
技术依靠体积小 功耗低 信息获取丰富的视觉传感器 为未知环境下的机器人提供
摘
ＳＬＡＭ
ꢀ
， 、 。
环境地图及自身在地图中的定位结果 对机器人自动化 智能化应用有着重要意义 本文介绍了视觉
，
方法的关键技术 总结了目前视觉
，
的研究现状 分析了当前视觉
ＳＬＡＭ
，
研究的主要趋势
ＳＬＡＭ
ＳＬＡＭ
、
技术在深空 室内等受限环境下的应用现状与前景
。
最后讨论了视觉
ＳＬＡＭ
：
关键词 视觉
； ； ； ；
特征提取 卡尔曼滤波 图优化 闭环检测
ＳＬＡＭ
：
：
Ａ
：
文章编号
１００１１５９５２０１８０６０７７０１０
ꢀꢀꢀꢀ
（
）
中图分类号
文献标识码
Ｐ２３７
ꢀꢀꢀꢀ
－
－
－
：
基金项目 国家重点研发计划
（
）；
国家自然科学基金面上项目
（
）
２０１６ＹＦＢ０５０２１０２
４１４７１３８８
（
， 、 、
测距仪器 视觉传感器具有体积小 功耗低 信息
同 时 定 位 与 制 图
ｓｉｍｕｌｔａｎｅｏｕｓｌｏｃａｌｉｚａｔｉｏｎ
ꢀ
ꢀꢀ
，
）
是机器人在未知环境下自
ａｎｄｍａ ｉｎ ＳＬＡＭ
ꢀ ｐｐ ｇ
，
获取丰富等特点 可为各型机器人提供丰富的外
，
主作业的核心关键技术 是机器人自动化领域的
，
部环境纹理信息 因而基于视觉的
成为当
ＳＬＡＭ
。
由于相机获取的视觉信息容易
［］
１
。
［］
３
，
未知环境下 基于机器人外部传感
研究重点
前研究的热点
，
， ，
受到环境干扰 存在较大噪声 视觉
器获取的环境感知数据
为机器人构建周
处理
ＳＬＡＭ
围环境图 同时提供机器人在环境图中的位置 并
随着机器人的移动而进行环境图的增量式构建与
ＳＬＡＭ
，
，
、 。 ，
难度大 复杂度高 当前 获取随着计算机视觉技
，
术的不断发展 视觉
的技术水平也随之提
ＳＬＡＭ
，
机器人的连续定位 是实现机器人环境感知与自
，
、 ／
高 并在室内自主导航
ＶＲ ＡＲ
等领域得到初步
［
］
４７
。
－
。
ＳＬＡＭ
动化作业 的 基础
中 一 般 采 用 距离 传 感
的应用
［］
２
。
、
相比雷达 声呐等
器作为环境感知的数据源
， ：
邸凯昌 等 视觉
第
期
技术的进展与应用
ＳＬＡＭ
６
７７１
、 、
能够不受图像几何变化如旋转 缩放 倾斜及光照
视觉
关键技术
１
ꢀ
ＳＬＡＭ
。 ，
亮度等变化的影响 早期 图像特征点的提取基
［
］
１５
、
［ ］
１６
视觉
以相机获取的序列图像数据为
本以
等局部角点特征提取
ＳＬＡＭ
Ｈａｒｒｉｓ Ｆｒｓｔｎｅｒ
［
］
１７２０
－
，
基础 依据图像信息结合成像模型恢复环境与相
，
算子为主 特征追踪则采用模板匹配
或是光
。
以 上方 法 在 相 邻 图 像 视 角 变
［
］
２１２２
－
，
机间的关系 随着相机运动递增式地确定周围环
流追踪 方 法
， 。
境图 并输出相机在环境图中的位置 依照视觉
，
化不大时颇为有效 若相机不规则运动导致视角
，
、
， ，
变化剧烈 则难以获得稳健的追踪结果 甚至导致
的一般处 理 流 程 可分 为 前 端 处 理 后 端
ＳＬＡＭ
处理及闭环检测
图像数据同环境地标物的数据关联与参数的初始
［
］
，
８９
－
。
１
。
追踪失败 随着以
如图
前端处理负责序列
为代表的图像局部不变
ＳＩＦＴ
，
特征描述方法的兴起 图像特征点的提取与匹配
，
化 目前主流的方式是通过序列图像的特征提取
，
也能适应一定程度的图像形变及光照变化 提高
［
］
２３２５
。
然
－
， ，
与匹配 实现序列图像上的同名特征点追踪 进而
了视觉
在复杂环境中的适用性
ＳＬＡＭ
，
ＳＩＦＴ
将序列图像上的 同 名 观 测与 环 境 地 标点 进行 关
而
算法 较 大 的 计算 量 限 制 了 定 位 与 制 图
， ，
联 并初始化系统的状态参数 是地图递增式构建
， 。
的效率 难以满足实时性要求 为了提高处理效
［
］
２６２７
、
－
。
与自主连续定位的必要前提 前端处理算法的适
，
率 研 究 人 员 们 陆 续 开 发 了
ＳＵＲＦ
［
］
１０
。
［
］
２８
、
［
］
２９
、
［
］
３０３１
－
。
等 算 子 这 些
应性直接决定了视觉
方法的稳健性
ＳＬＡＭ
ＣｅｎｓｕｒＥ
ＢＲＩＳＫ
ＯＲＢ
，
算子尽管性能有不同程度降低 但其效率却得到
后端处理负责对观测数据进行环境图结果与定位
［
］
３２３５
，
使 得 实 时 视 觉
－
，
参数的最优估计 以获取高精度的定位与制图结
了数 倍 至 数 十 倍 的 提 升
［
］
。
［ ］
３１
１１１２
－
。
果
闭环检测是
系统中判别当前观
成为现实
ＳＬＡＭ
测到的环境地标是否已被观测过的处理 是为消
除长距离运动后的误差累计而构建闭环约束的基
ＳＬＡＭ
，
环境图与定位参数估计
１．２
ꢀ
。
环境感知数据中存在一定的噪声与误差
为
［
］
１３１４
。
－
，
获得高精度的结果 需要从带有噪声的数据中估
础
以 上 三 部 分 处 理 依 次 完 成 了 视 觉
、
中的数据关联 环境图与定位参数估计及
。
计整个系统状态及其不确定性 研究者们将概率
ＳＬＡＭ
。
闭环优化 下面就此展开论述
。
，
论原理引入研究中 分析机器人所处环境与自身
，
位置信息中的不确定性分布 以贝叶斯规则为基
， ，
础 构建系统状态概率模型 结合机器人运动信息
，
与环境观测数据 实现环境信息与位姿参数的最
［
］
３６３９
。
－
（ ）
作为一种以最小
ＫＦ
优估计
卡尔曼滤波
均方根误差为准 则 实现 线 性系 统 最 优 估 计 的 方
［
］
４０
，
法
被最早引入
当中用于系统状态的
ＳＬＡＭ
［
］
４１４２
。
－
，
系统的非线性特点
最优估计
需要基于
由于
ＳＬＡＭ
（
ＥｘｔｅｎｄＫＦ ＥＫＦ
ꢀ
）
方法用泰勒级数展开
［
］
４３
。
方式实现系统的线性化近似
早期的
ＳＬＡＭ
图
视觉
方法基本流程
ＳＬＡＭ
１
ꢀ
，
研究 中 基 于
的 参 数 估 计 方 法 占 据 了 主
ＥＫＦ
［
］
４３４４
。
Ｆｉ ．１ Ｔｈｅｆｌｏｗｃｈａｒｔｏｆ ｅｎｅｒａｌｖｉｓｕａｌＳＬＡＭ
ｇ ꢀ
ꢀ ꢀ ꢀｇ ꢀ ꢀ
－
， ，
然 而 如 果 系 统 的 非 线 性 较 强 可能 造
流
，
成线性化近似的误差较大 导致
滤波性能的
ＥＫＦ
特征点提取与追踪
１．１
。 ，
急剧降低 随后 提出了一些改进的滤波方法如
ꢀ
［
］
４６
、
［ ］
４７
视觉
中需要将图像观测信息同环境
ＳＬＡＭ
、
Ｕｎｓｃｅｎｔｅｄ ＫＦ
ꢀ
Ｃｕｂａｔｕｒｅ ＫＦ
ꢀ
Ｃｅｎｔｒａｌ
［ ］
４８
，
进行关联 即确定序列图像内容与真实环境的对
，
等 这 些 滤 波 方 法 可 以 获 得 比
ＤｉｆｆｅｒｅｎｃｅＫＦ
ꢀ
。
应关系 当前视觉
，
中 角点特征经常被用
， 。
更好的逼近精度 但仍需进行线性化计算
ＳＬＡＭ
ＥＫＦ
。
于序列图像间的关联 通过图像间特征点的提取
，
粒子滤波基于蒙特卡洛方法 通过状态空间传播
［
］
４９
，
，
与追踪 在多帧图像间形成空间物方点与同名像
的随机样本用以近似表示概率密度函数
突破
。
方点的对应关系 由于序列图像获取时相机的位
，
了高斯分布假设限制 在视觉
中得到了成
ＳＬＡＭ
［
］
５０５１
。
－
， ，
置和视角不同 加之环境光照的变化 同名点在序
功的应 用
然 而这 类 基 于 滤 波 的 参 数 估 计
，
列图像上的外观必然改变 这就要求特征点表达
，
方法都是基于系统的马尔可夫性假设 未能更好
全部评论(0)