第1期 周彦，等：视觉同时定位与地图创建综述 ·103· SLAM放弃了BA(bundle adjustment)的方法，利用 们致力于降低算法复杂度、诚小误差、提高效率和 直接法构建了半稠密地图，可在实时应用中运行」 精度、提高鲁棒性等。但是在以下几个方面还需要 非常适合机器人使用。LSD-SLAM对相机内参和 更进一步研究。 相机曝光非常敏感，且相机快速运动时不容易跟 1)静态环境到动态环境 踪。LSD-SLAM中相机定位的精度明显比PTAM 目前，大部分VSLAM系统仍然局限于研究理 和ORB低。在回环检测部分，目前尚未有在直接 想情况下的静态环境，然而事与愿违，现实中的环 法上实现的回环检测方式，LSD-SLAM仍需依赖基 境通常是复杂的动态环境，在动态环境下研究 于特征的回环检测方法。 VSLAM具有重要的意义。动态环境中在语义地图 文献[481中Forster等提出了介于直接方式和基 下做VSLAM是一个可选择的方法。利用语义地图先 于特征的方法之间的半直接法SVO。SVO中特征 判断物体是否为可动物体，然后继续下一步的动作。 点与直接法混合使用，跟踪一些关键点（无描述子 2)与人工智能相结合的VSLAM实现方法 的角点)，然后用直接法，根据这些关键点周围的信 可以将人工智能领域的方法引入到VSLAM中网， 息，估计相机的运动和位置。SVO不必计算描述 寻找更有效的VSLAM算法，如文献[51]。上文提 子，处理的信息少，速度极快，在4轴飞行器上效果 及的语义地图也可尝试用深度学习的方式实现。 很好。然而，SVO为了速度和轻量化，没有回环检 3)多传感器融合 测、后端优化部分，这导致了SVO必然存在累计误 本文所提到的算法都是在仅用相机作为传感器 差，且跟丢后难以重定位。 的前提下，而在算法的实用方面，仅用单一传感器 直接法可以构建半稠密乃至稠密的地图，而特 的VSLAM有固有局限，如相机快速运动下不容易 征，点法因为自身局限是无法做到的。对比稀疏的点 跟踪、难以处理动态的障碍物等，因此，将不同的传 云地图，比如ORB-SLAM或PTAM,构建稠密的地 感器数据融合起来进行互补，可使系统更加鲁棒 图对相机定位和导航意义更加深刻，作用也更加突 精度更高。例如，惯导组合的VSLAM更能适用于 出。直接法只要求有像素梯度即可估计相机运动. 复杂的场景。惯性传感器(MU)能够测量传感器 而无须特征点。上文中的DTAM和LSD-SLAM可 本体的加速度和角速度，与相机传感器互补，两者 以对环境进行稠密或半稠密的地图构建，相机位姿 融合之后能得到更完善的VSLAM系统，然而如何 通过图像像素的灰度直接优化。直接法避开了提取 有效结合这两者是值得深入探讨的问题。 特征这一繁琐和耗时的过程，大大提高了系统效 4)多机器人协作 率，且在图像模糊、低纹理环境和高频纹理的情况 对于单个机器人的VSLAM系统已经有不少的 下有着更好的鲁棒性。 解决方案，然而多机器人VSLAM领域还有通信拓 然而，直接法有其局限性。这些方法采用一个 扑、任务规划和地图融合等方面有待研究四。 表面反射模型，灰度值不变这一严苛的假设需要严 上述VSLAM发展方向中，结合深度学习的 格遵守。灰度间的差异计算是直接法赖以实现的基 VSLAM和多传感融合VSLAM将在SALM领域占 础，如果环境亮度或者图像整体灰度变化，例如环 据重要地位；动态环境下的VSLAM和多机器人协 境突然发生光线变换或者相机突然调整曝光参数， 作VSLAM仍需砥砺前行。 整体的图像就会变亮或变暗，于是灰度不变假设不 参考文献： 再成立，算法失败。梯度不明显的像素对环境重构 的精度影响很大，对于非深度相机需要更多的观测 [1]CADENA C,CARLONE L,CARRILLO H,et al.Simultan- 信息以弥补深度的不确定性。直接法可能会受到快 eous localization and mapping:present,future,and the ro- 门、自动增益和自动曝光的影响，而且对相机的图 bust-perception age[Z].Computer science,2016. 像采集速率也有较高的要求。相反，基于特征的 [2]FUENTES-PACHECO J,RUIZ-ASCENCIO J,RENDON- MANCHA J M.Visual simultaneous localization and map- VSLAM方法得益于其较好的视图不变特性，可以 ping:a survey[J].Artificial intelligence review,2015,43(1) 在更宽的条件下匹配特征、捆集调整和优化相机位 55-81 姿。文献[49]也指出了特征点法相比直接法的优势。 [3]于金霞，王路，蔡自兴.未知环境中移动机器人自定位技 3结束语 术M.北京：电子工业出版社，2011 YU Jinxia,WANG Lu,CAI Zixing.Self-localization tech- 综上所述，随着机器视觉技术的兴起，VSLAM nologies of mobile robot in unknown environment[M] 成为机器人领域越来越热的问题，该领域的研究者 Beijing:Publishing House of Electronics Industry,2011.SLAM 放弃了 BA (bundle adjustment) 的方法，利用 直接法构建了半稠密地图，可在实时应用中运行， 非常适合机器人使用。LSD-SLAM 对相机内参和 相机曝光非常敏感，且相机快速运动时不容易跟 踪。LSD-SLAM 中相机定位的精度明显比 PTAM 和 ORB 低 [43]。在回环检测部分，目前尚未有在直接 法上实现的回环检测方式，LSD-SLAM 仍需依赖基 于特征的回环检测方法。 文献[48]中 Forster 等提出了介于直接方式和基 于特征的方法之间的半直接法 SVO。SVO 中特征 点与直接法混合使用，跟踪一些关键点（无描述子 的角点），然后用直接法，根据这些关键点周围的信 息，估计相机的运动和位置。SVO 不必计算描述 子，处理的信息少，速度极快，在 4 轴飞行器上效果 很好。然而，SVO 为了速度和轻量化，没有回环检 测、后端优化部分，这导致了 SVO 必然存在累计误 差，且跟丢后难以重定位。 直接法可以构建半稠密乃至稠密的地图，而特 征点法因为自身局限是无法做到的。对比稀疏的点 云地图，比如 ORB-SLAM 或 PTAM，构建稠密的地 图对相机定位和导航意义更加深刻，作用也更加突 出。直接法只要求有像素梯度即可估计相机运动， 而无须特征点。上文中的 DTAM 和 LSD-SLAM 可 以对环境进行稠密或半稠密的地图构建，相机位姿 通过图像像素的灰度直接优化。直接法避开了提取 特征这一繁琐和耗时的过程，大大提高了系统效 率，且在图像模糊、低纹理环境和高频纹理的情况 下有着更好的鲁棒性。 然而，直接法有其局限性。这些方法采用一个 表面反射模型，灰度值不变这一严苛的假设需要严 格遵守。灰度间的差异计算是直接法赖以实现的基 础，如果环境亮度或者图像整体灰度变化，例如环 境突然发生光线变换或者相机突然调整曝光参数， 整体的图像就会变亮或变暗，于是灰度不变假设不 再成立，算法失败。梯度不明显的像素对环境重构 的精度影响很大，对于非深度相机需要更多的观测 信息以弥补深度的不确定性。直接法可能会受到快 门、自动增益和自动曝光的影响，而且对相机的图 像采集速率也有较高的要求。相反，基于特征的 VSLAM 方法得益于其较好的视图不变特性，可以 在更宽的条件下匹配特征、捆集调整和优化相机位 姿。文献[49]也指出了特征点法相比直接法的优势。 3 结束语 综上所述，随着机器视觉技术的兴起，VSLAM 成为机器人领域越来越热的问题，该领域的研究者 们致力于降低算法复杂度 、减小误差、提高效率和 精度、提高鲁棒性等。但是在以下几个方面还需要 更进一步研究。 1）静态环境到动态环境 目前，大部分 VSLAM 系统仍然局限于研究理 想情况下的静态环境，然而事与愿违，现实中的环 境通常是复杂的动态环境，在动态环境下研究 VSLAM 具有重要的意义。动态环境中在语义地图 下做 VSLAM 是一个可选择的方法。利用语义地图先 判断物体是否为可动物体，然后继续下一步的动作。 2）与人工智能相结合的 VSLAM 实现方法 可以将人工智能领域的方法引入到 VSLAM 中 [50] ， 寻找更有效的 VSLAM 算法，如文献[51]。上文提 及的语义地图也可尝试用深度学习的方式实现。 3）多传感器融合 本文所提到的算法都是在仅用相机作为传感器 的前提下，而在算法的实用方面，仅用单一传感器 的 VSLAM 有固有局限，如相机快速运动下不容易 跟踪、难以处理动态的障碍物等，因此，将不同的传 感器数据融合起来进行互补，可使系统更加鲁棒、 精度更高。例如，惯导组合的 VSLAM 更能适用于 复杂的场景。惯性传感器 (IMU) 能够测量传感器 本体的加速度和角速度，与相机传感器互补，两者 融合之后能得到更完善的 VSLAM 系统，然而如何 有效结合这两者是值得深入探讨的问题。 4）多机器人协作 对于单个机器人的 VSLAM 系统已经有不少的 解决方案，然而多机器人 VSLAM 领域还有通信拓 扑、任务规划和地图融合等方面有待研究[52]。 上述 VSLAM 发展方向中，结合深度学习的 VSLAM 和多传感融合 VSLAM 将在 SALM 领域占 据重要地位；动态环境下的 VSLAM 和多机器人协 作 VSLAM 仍需砥砺前行。 参考文献： CADENA C, CARLONE L, CARRILLO H, et al. Simultan￾eous localization and mapping: present, future, and the ro￾bust-perception age[Z]. Computer science, 2016. [1] FUENTES-PACHECO J, RUIZ-ASCENCIO J, RENDÓN￾MANCHA J M. Visual simultaneous localization and map￾ping: a survey[J]. Artificial intelligence review, 2015, 43(1): 55–81. [2] 于金霞, 王璐, 蔡自兴. 未知环境中移动机器人自定位技 术[M]. 北京: 电子工业出版社, 2011. YU Jinxia, WANG Lu, CAI Zixing. Self-localization tech￾nologies of mobile robot in unknown environment[M]. Beijing: Publishing House of Electronics Industry, 2011. [3] 第 1 期 周彦，等：视觉同时定位与地图创建综述 ·103·