视觉与惯导、视觉与深度学习SLAM，哪种融合技术能实现更精准的实时定位与导航？

本文共计4958个文字，预计阅读时间需要20分钟。

SLAM包含两大核心任务：定位与建图。在移动机器人或自动驾驶中，这是一个至关重要的课题：机器人需要精确移动，这就需要有一个环境的地图。因此，构建环境的地图是必不可少的。

SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。

本系列文章主要分成四个部分：

在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。

第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。

第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以及未来。

第四部分中，将介绍激光雷达与视觉的融合。

视觉SLAM的稳定性是一项技术挑战。因为基于单目的视觉SLAM需要初始化、尺度的不确定性和尺度漂移等问题[1]。尽管立体相机和RGB-D相机可以解决初始化和缩放的问题，但也存在一些不容忽视的问题，如运动速度快、视角小、计算量大、遮挡、特征丢失、动态场景和光照变换等。针对以上这些问题传感器的融合方案逐渐流行起来，IMU与相机融合的视觉里程计成为研究热点。

视觉与惯导

论文[2][3][4]是比较早期对VIO进行的一些研究。[5][6]给出了视觉惯导里程计的数学证明。而论文[7]则使用捆集约束算法对VIO进行稳健初始化。特别是tango[8]、Dyson 360 Eye和hololens[9]可以算的上是VIO真正的产品，得到了很好的反馈。