|
- m5 y8 B6 F; G9 z 原标题：汇总教程 | 视觉/激光/多传感器融合SLAM，三维重建，运动规划，从入门到进阶！ ( q- W4 `7 {' G4 J) d* @# _
, I8 A. C8 V( q. v |* q0 O; S 计算机视觉life”，选择“星标”
+ @+ h$ v6 Y( j& P2 j 快速获得最新干货 . ` d; z- n/ J, ?+ p( x/ ?
背景介绍 * H% n7 u# l% q0 I
这两年 自动驾驶领域非常火热，发生了一轮又一轮的融资， 图森未来在美股上市，被称为“全球自动驾驶第一股”。 大疆创新正式推出旗下智能驾驶业务品牌“大疆车载”，华为、小米也纷纷下场。近日，自动驾驶干线物流企业千挂科技完成2亿元Pre-A轮融资，MINIEYE完成D轮累计8亿融资。。。
6 _. `8 ^( W, A+ ?& |- T 在 增强现实（AR）领域， Facebook已经从社交网络公司改名为元宇宙公司Meta，字节跳动重金收购AR/VR头显公司Pico，腾讯、阿里也纷纷入场，连罗永浩也告别了社交平台，将在AR领域再次创业，不知道是AR领域的明灯还是Ming灯。。。
4 S' O! m" |1 T5 b 在 机器人领域， 扫地机器人公司 石头科技上市， 物流机器人极智嘉在筹备IPO， 清洁机器人公司 高仙完成B+轮1亿美元融资。。。 ( q; ~/ _" A$ I8 M K
在自动驾驶、无人机、增强现实、机器人导航等领域的技术栈中，即时 定位和建图（SLAM）是其中的核心技术之一。 SLAM中所涉及到的传感器有 相机、激光雷达、IMU、GPS、轮速计等，面对不同的平台和传感器配置，如何选择适合自己的技术方案呢？
- I, S3 C: r4 K$ K 视觉SLAM基础
& L6 h+ I6 z( K6 b1 i ORB-SLAM2是业内最知名、应用最广泛的视觉SLAM开源代码之一。它有如下优点：
o3 C7 b$ o# h) D
" o4 O( B3 P# _0 H" \6 Q 支持 单目，双目和RGB-D相机的完整开源SLAM方案，能够实现 地图重用、回环检测和重新定位的功能。
. S' C; ?$ w7 n 支持轻量级定位模式，可以达到零漂移，此时不使用局部建图和回环检测的线程，可以用视觉里程计来跟踪未建图区域。
( C# s$ d1 w9 e# U; O9 e1 W 采用ORB特征，具有旋转不变性、光照不变性、尺度不变性，匹配速度快，适合实时应用。无论是在 室内的小型手持设备，还是到 工厂环境的无人机和城市里驾驶的汽车，ORB-SLAM2都能够在CPU上进行实时工作。 7 S; U' n) {) |. N
跟踪、局部地图、闭环、重定位等所有的任务都采用相同的ORB特征，使得系统内数据交互更高效、稳定可靠。
& b8 C- e: e A1 H( ?$ F: r4 j2 W; ? 单目初始化和应用场景解耦，不管是平面还是非平面场景，都可以自动 初始化，无需人工干预。
! ]! |8 Y4 V- n, M$ { 地图点和关键帧创建比较宽松，但后续会进行严格筛选，剔除冗余关键帧和误差大的地图点，增加建图过程的弹性，在 大旋转、快速运动、纹理不足等恶劣情况下可以提高跟踪的鲁棒性。
4 E/ n0 l; u) L! j* d: b9 Y: i 采用共视图，使得跟踪和建图控制在局部共视区域，与全局地图大小无关，可以 在大场景下运行。
) C+ k& f1 ?$ x- Q; ? 使用本质图（Essential Graph）来优化位姿实现回环检测，耗时少精度高 。
( j6 ?1 d, m+ V8 [: F/ [ 相比于直接法，可以用于宽基线特征匹配，更适合于 对深度精度要求较高的场景，比如三维重建。
. s) M( n" S. R( ^ 定位精度高，可达厘米级，是特征点法SLAM的经典代表作品。
! `# P9 [$ S& S( Z, U3 u( J' v 代码可读性强，包含很多工程化技巧，非常实用。
, l2 i1 b9 _$ L8 h, k k; a8 ~: w& Y1 X M) k* g+ m0 w- U8 g4 x8 |7 L$ \
ORB-SLAM2 用于室内三维重建 : u3 F0 r, F' C+ A% i4 e
ORB-SLAM2详细注释的代码持续更新，网址： 5 w* T2 E% W$ J" x, l/ z- O
https://github.com/electech6/ORB_SLAM2_detailed_comments 6 A! @; G9 Q9 a' `* d' l
视觉惯性SLAM技术 $ g0 e y0 v1 C: `- W
ORB-SLAM3是在ORB-SLAM2的基础上开发的视觉惯性SLAM技术，于2020年7月发布。它在定位精度和效果上几乎碾压了同类的开源算法，受到极大关注。
! @- y5 X; t" Z8 c 它有如下特点： # i; n7 l$ N6 _; i
1、 第一个可以运行视觉、视觉惯性和多地图，支持单目、双目和RGB-D相机，且支持针孔和鱼眼镜头模型的SLAM系统。
8 {, n }+ z. z- D 2、该算法可以在不同大小，室内和室外环境中鲁棒、实时的运行，精度上相比于以前的方法提升了2~5倍。 : q6 a' L3 t. R- u
3、 多地图系统可以让系统在视觉信息缺乏的场景下长时间运行。比如当跟踪丢失的时候，它会重新建立新的地图，并在重新访问之前的地图时，无缝地与之前的地图合并。
7 Z& l& R! B% |% m8 E 4、实验结果证明，双目惯性模式下，该算法在无人机数据集EuRoC上可以达到平均3.6cm的定位精度，在手持设备快速移动的室内数据集TUM-VI上达到了9mm的定位精度。
7 h" G5 R5 `% m- F) `' } 从室内到室外，丝滑闭环
$ Y$ G1 y) s/ D+ t* D 全网最详细ORB-SLAM3代码注释地址： . F8 E9 J! k& X. v7 ~ R. G
https://github.com/electech6/ORB_SLAM3_detailed_comments
+ J* I' W$ `( q( C3 H* A2 p3 q9 G VINS-Mono/Fusion 系统教程 ; V5 J" v! e0 O/ l+ o( r* T1 {* ^! B
VINS即Visual-Inertial navigation Systems，是视觉惯性导航系统的统称，不过我们平时所说的一般是指VINS-Mono/Fusion。 香港科技大学飞行机器人实验室（沈邵劼团队）在2018年开源了VINS-Mono算法。第一作者秦通（2019华为天才少年），该论文获2018年机器人顶级期刊IEEE Transactions on Robotics最佳论文奖。它用一个单目相机+惯性测量单元（Inertial Measurement Unit，简称IMU）实现了紧耦合的视觉和惯性联合状态估计，在保证高精度里程计效果的同时，还可以同时估计出传感器外参，IMU零偏以及传感器时延。2019年该团队开源了VINS-Mono的升级版VINS-Fusion，它支持多种视觉惯性传感器类型，包括单目+IMU，双目+IMU，以及纯双目。VINS-Mono和VINS-Fusion在当年一骑绝尘， 是非常经典且优秀的VIO框架。
& ~- O8 _ `: G: L 以下是VINS-Fusion在汽车SLAM上的效果： 1 o6 t( i9 @( C7 `( `
以下是讲师详细注释的 代码地址：
/ L$ h! P" p# G& d. v https://github.com/xieqi1/VINS-Mono-noted 9 Y# E) d0 x1 ^' P: ^9 W+ X
https://github.com/xieqi1/VINS-Fusion-noted & X0 ~2 w# f& i* U @- F4 V
基于LiDAR的多传感器融合技术 ) K/ _* `+ J9 s
多传感器融合SLAM是自动驾驶、智能机器人中的核心技术。 目前工业界用的主流多传感器融合SLAM框架包括LOAM/A-LOAM、LeGO-LOAM、LIO-SAM等。
& M4 L' y! }7 j4 Z2 d/ I* n: Q
LOAM是Ji Zhang早期开源的多线LiDAR SLAM算法。该代码可读性很差，作者后来将其闭源。 , [; M3 Z3 t4 W# ~/ a
A-LOAM是港科大秦通博士（VINS-Mono一作）在LOAM原有代码基础上，使用Ceres-solver和Eigen库对其进行重构和优化，在保持原有算法原理的基础上，使其可读性大大增加，作为入门多线激光slam最好选择。 ; L' R H/ X4 m' [' D
LeGO-LOAM 是Tixiao Shan在原有LOAM基础上，做了一些改进包括:1、对前端里程计的前量化改造，提取地面点更适配水平安装的LiDAR; 2、使用SLAM中的Keyframe概念以及回环检测位姿图优化的方式对后端进行重构。
/ R" V: e5 Z q% j( L
/ K" y; e$ A9 ~' G4 J
0 w: z& Y5 o9 C; B! K( H& Z LIO-SAM 是Tixiao Shan在LeGO-LOAM的扩展，添加了IMU预积分因子和GPS因子：前端使用紧耦合的IMU融合方式，替代原有的帧间里程计，使得前端更轻量；后端沿用LeGO-LOAM，在此基础上融入了GPS观测。同时前端后端相互耦合，提高系统精度。 % a$ s7 y: t1 d+ a' M7 V
, F s& c: ?9 L; d LIO-SAM 的效果 1 R- T% l; m z4 r" M
& k4 u9 t! Y& w$ M LVI-SAM是Tixiao Shan 2021年最新的开源工作，他将LIO-SAM和VINS-Mono进行了结合，是一个通过平滑和建图实现激光雷达-视觉-惯性里程计的紧耦合框架，由两个紧耦合子系统组成：一个视觉惯性系统VIS和一个激光雷达惯性系统LIS。当两个子系统中的一个发生故障时，系统也可以发挥作用，这增加了它在无纹理和无特征环境中的鲁棒性
: g! u3 ~$ _; ]1 _" _ E8 g" E! f; E1 f) ^, g
独家注释代码 " x1 J3 B. M2 g$ i' [ [
https://github.com/xieqi1/a-loam-noted
& K( s1 D6 d! K: @- u+ @- H L https://github.com/xieqi1/lio-sam-noted
; r. o. H( f l% D/ p8 @# y' V https://github.com/electech6/LVI-SAM_detailed_comments 8 y: Q! D# e8 O# e
激光SLAM技术 6 ~5 o# n) \. t& x
Cartographer是Google推出的一套基于图优化的激光SLAM算法，它同时支持2D和3D激光SLAM，可以跨平台使用，支持Laser、IMU、Odemetry、GPS等多种传感器配置。该算法可以实现实时定位和建图。 + v/ W4 ~+ _9 r
Cartographer建图过程
6 w/ s9 [' T2 ~- L6 M/ i Cartographer建立的栅格地图可以达到5cm的精度，该算法广泛应用于服务机器人、扫地机器人、仓储机器人、自动驾驶等领域，是最优秀的激光SLAM框架之一。 : r( Q2 ^& n; V: B8 x
Cartographer做了超详细源码注释 $ \2 k5 b1 w% X4 p6 P' [. r$ Q
https://github.com/xiangli0608/cartographer_detailed_comments_ws
6 o2 y7 s- j& r! w& ^# u& X 机器人运动规划
, L2 P. w: U0 ^- Z* H" [ 运动规划和SLAM什么关系？ + U( A# j4 d$ z2 Q' E! m" I
其实在企业里，SLAM算法工程师、运动规划工程师通常是 相对独立的岗位，SLAM技术通常可以得到稀疏的定位地图，结合后处理可以得到稠密的三维点云地图。此时我们需要用一定的规则将其转化为 栅格化地图，机器人在这个 地图的基础上进行运动规划（导航）。SLAM和运动规划是自主机器人的两个核心技术。 % ~& `$ w9 z8 n2 q
简单来说，解决机器人导航问题一般被称为运动规划，就是让机器人可以自主根据传感器获取外部环境信息，在当前环境中找到一条适合机器人行走的最佳路径。这不是一个简单的工作，因为地图可能发生变化，其他运动的物体也是必须要绕过的障碍物，所以常常需要更改自己的规划，如何在这种复杂的环境下高效率地实现最佳路径，就是运动规划的使命。
$ |" S/ c. @4 n 运动规划在移动机器人的应用
* N% U# G) p8 E! H" I" t& z 独家注释代码
+ `) Z: Q7 [2 ?: ^0 i+ }( B) t https://github.com/felderstehost/ros-navigation-noetic : r' D4 L" q6 \7 \# Z# v, @, H- C6 ^
视觉几何三维重建技术 + d1 [2 }* Q" n8 C
2 x1 ?: b; p4 `6 [* {0 S 三维重建是指用相机拍摄真实世界的物体、场景，并通过计算机视觉技术进行处理，从而得到物体的三维模型。英文术语：3D Reconstruction。 * m8 ]6 ?/ { Y0 m
涉及的主要技术有：多视图立体几何、深度图估计、点云处理、网格重建和优化、纹理贴图、马尔科夫随机场、图割等。 ; A( C5 [; Q) J
是增强现实（AR）、混合现实（MR）、机器人导航、自动驾驶等领域的核心技术之一。 三维重建结果
0 f8 |% f; X) b7 U* q) {2 ]0 d* P$ v% k) W+ N* a) x ? b
全网最详细的代码注释地址： # t+ \2 [# d" u P- k" P6 L/ X
https://github.com/electech6/openMVS_comments 6 P! u7 @1 E9 c
深度学习三维重建技术框架 * w& p. D8 Z' T9 Q; b% R
传统的重建方法是使用光度一致性等来计算稠密的三维信息。虽然这些方法在理想的Lambertian场景下，精度已经很高。但也有一些常见的局限性，例如 弱纹理，高反光和重复纹理等，使得 重建困难或重建的结果不完整。因此，传统三维重建方法在重建的完整性等方面仍有很大的改进空间。 * e1 L; Z5 I# [, P& @) a% A
近年来深度学习在三维重建上取得了很大的成功。基于学习的方法可以引入比如 镜面先验和反射先验等全局语义信息，使匹配更加鲁棒，从而解决传统方法无法克服的难题。因此掌握基于深度学习的三维重建前沿算法非常重要。另外，在这个大数据时代，深度学习已经是大家必须掌握的技能，传统视觉算法已经很难有新的突破，各个领域都在朝深度学习方向研究，近几年各大视觉会议论文都是基于深度学习来实现三维重建，各个大厂招聘也越来越看重深度学习三维重建方法。 7 ~) h& y# [6 G
C++编程入门到进阶 4 S- ]; c1 \: m6 z d
很多初学SLAM的小伙伴都有个疑问：号称宇宙第一语言的Python，简单好用，包又多，功能又强大，为啥SLAM算法里很少使用呢？ $ z; s& ^! e5 L! u
SLAM知识星球嘉宾刘国庆在知乎做了回答 6 @6 a e" N4 V! k8 E1 }
这里再补充几点： W/ `. s4 q. K1 _2 J" `
3 d2 c# a/ {; {5 n! ^1 A C++具有 极高的性能和运行效率，很多语言都是在C/C++基础上封装的，比如Python。就这一点足以秒杀众多的高级语言。 7 x! V- p. S: U* t1 @6 j. @
C++发展了三十多年一直是编程常青树，一直使用，一直在发展，C++岗位需求会 越来越旺盛，只增不减。
( ^: c8 i' A; W( l1 V, \4 W% b# ?, ] C++能够 操控底层，非常适合 和硬件打交道。 , C2 `. Q3 x* f7 [
9 \5 k6 m/ ^$ O1 Z! @) H! }
很多小伙伴都是机械、自动化、通信等非计算机专业，也没有经历过系统的C++训练，而在具体的项目中，比如SLAM算法框架中，通常的代码并不是我们在书上看到的那样简单直白。很多同学在学习SLAM的过程中感觉C++是一座难以跨越的大山， 学习过程漫长而痛苦，项目开发遇到bug也不会调试，书看完了代码还是不会写，代码一改就错，一错就懵。 : o" q2 M" o! {6 B7 @/ E
相机标定技术框架 , i8 w8 y. i* l) C8 N# h
7 a# k5 _ X5 f' P- r 相机标定是指借助专用的标志物（如棋盘格）来估计相机的图像传感器参数（内参、外参）和镜头参数（畸变系数）。
: w* g1 y* P, H2 @3 |: j 它是一种计算相机二维图像和三维世界相对映射关系的一种方法。标定相机过程涉及相机成像模型、多视图几何、非线性优化等知识。 , b& F$ T0 |2 s
相机标定是三维视觉的基础。 ) E7 a8 J" y$ ?* ]1 z9 h3 t
, O1 ^7 C3 I; H" R: u" O
毫不夸张的说， 相机标定是一切三维视觉的基础。它广泛应用于 双目视觉、手眼机械臂、机器人定位建图、图像拼接、三维重建等场景。 6 Y2 c* ~0 j7 s3 r& J$ k. e `! H+ w
全国最大的SLAM开发者社区
, n! B' u% B o8 |9 q8 I SLAM社区：一个人啃SLAM，难受到自闭，硬顶还是放弃？ 2 E4 L) z: ^- O+ ?
在我们的SLAM和3D视觉知识星球里，很多刚入门的同学问的最多的问题我总结了一下，主要有： * }: i( A8 Y" q: f" b1 Z. c
% F& q) D+ g }9 r" }$ u1 F 机械/自动化/数学等非计算机专业能否转SLAM？
5 n B8 i" Q6 r% F. \0 | 导师不懂，但要我做SLAM方向，怎么入门？
& k+ Q/ A) w4 S$ Z; B4 y9 s% Q 编程基础差，数学不好，能否学习SLAM？
( B D) E/ B7 r" e' H 看完十四讲，下面怎么学习？
9 t+ f; }& K& Q* l. ^$ q 需要学哪些开源框架？怎么学习呢？ G% O0 _( L9 B- }6 D
编译遇到很多问题，怎么解决？7 D% k ]3 I' ~0 q' a
只有自己一个人学SLAM，没人讨论好痛苦，怎么办？; C" `$ a9 B' Z. k t
想要和小伙伴组队系统的学习，有资源吗？. u% U; \; w) s' u, p/ ?) F2 Y
7 Z( J0 D. s" N! v( P+ m 我们建立了全 国最棒的SLAM和三维视觉交流社区，包括 小白入门图文/视频教程、学习过程疑难点解答、每日最新论文/开源代码/数据集分享、在线学习小组、笔试面试题、实习/校招/社招岗位推荐、星主直播交流等。
: N( e! L9 p6 J( x# E/ D1 b, G/ j- Z6 B6 I5 @
2018年创立、 3500+会员、 6100+主题分享、 9500+问答评论、 130+教学视频 " U+ P( Q6 f, V* c9 I* [, y$ N$ R6 [
教程：图文视频教程、涉及 代码调试/OpenCV/PCL/G2O/Ceres/视觉SLAM十四讲/LVISAM/R3LIVE
# G1 H( m1 ]( W3 j 资讯：每日论文分享、行业资讯汇总、每周汇总、精华汇总 ! P) @3 s" m; W6 c+ g$ V1 N
直播：每月至少3次，涵盖学习经验/求职面试/实习历程/行业介绍 / C+ ^: Y6 N) H8 U9 N- p" l+ e
活动：学习小组、行业资源对接、会员激励、有偿招募助教/兼职
2 J/ u1 g( K/ T3 c0 ^$ O1 S 求职：内推职位、SLAM面试题、笔试练习
4 |+ P7 g/ n& I- c( ^# y ……
/ u" a8 U6 |& F$ b5 I, \# ]
$ _$ C% g2 R5 r$ Y 
5 i7 F' ^' ]0 E" q9 r. _
独家重磅课程官网：cvlife.net
7 ]; ?3 n( H* g9 |3 w u' F# J 1、SLAM社区： 一个人啃SLAM，难受到自闭，硬顶还是放弃？
- e& Z& J" i W7 T2 g 2、C++实战： 为啥SLAM代码都用C++不用Python？ 9 G2 N2 a: i: }7 w2 L
3、多传感器融合SLAM 激光雷达-视觉-IMU多传感器融合方案！ ) i5 W5 W6 t) [) V% U
4、VIO灭霸：VIO天花板ORB-SLAM3第2期上线！（单/双目/RGBD+鱼眼+IMU+多地图+闭环）
" P4 z$ p. B8 O9 |: u+ v 5、视觉SLAM基础： 刚看完《视觉SLAM十四讲》，下一步该硬扛哪个SLAM框架 ？
2 n n* Q2 Q" W( O! P 6、机器人导航运动规划： 机器人核心技术运动规划：让机器人想去哪就去哪！
2 w& k9 R' u2 B8 l' n9 L6 s1 T 7、详解Cartographer： 谷歌开源的激光SLAM算法Cartographer为什么这么牛X？ ! n' O" A3 p: l; |- R5 ~+ ^
8、深度学习三维重建 总共60讲全部上线！详解深度学习三维重建网络
/ n) W- T2 h+ F- |. I 9、三维视觉基础 详解视觉深度估计算法（单/双目/RGB-D+特征匹配+极线矫正+代码实战）
, \4 f" z; ^5 R8 R 10、 VINS:Mono+Fusion SLAM面试官：看你简历上写精通VINS，麻烦现场手推一下预积分！ 4 i7 D; e$ v7 c# I
11、图像三维重建课程：视觉几何三维重建教程（第2期）：稠密重建，曲面重建，点云融合，纹理贴图 * N" R+ [0 ^$ W, V1 |
12、系统全面的相机标定课程：单目/鱼眼/双目/阵列 相机标定：原理与实战 返回搜狐，查看更多 . J- C. g" }- N/ o
# p# Y X2 B% `( }0 u) s8 Q 责任编辑：
u, x1 ~! K, B6 X" t+ q! J. m" O+ }8 O* I& ]
7 f% i. U6 H/ m9 l' c4 p
' k, u7 Q3 f8 {! n: W5 {( `7 @0 ~6 K( M# [! x& o' b8 e! s
| 
