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！

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！

计算机视觉life”，选择“星标”

1 R j0 V1 Z, s: p# Y

快速获得最新干货

背景介绍

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。。。

2 s4 X/ g- ]% w" 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。。。

" n3 Y6 N+ R5 \/ v8 _( l

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。。。

4 w; ?& w# s# D2 l* z1 i4 _

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？

& y/ h: x ?. r, X+ _( e

视觉SLAM基础

5 d/ J7 i. z" U2 {

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：

3 S0 \0 G; d# W4 X0 I

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。

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。

9 u" H R @# F' R

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。

6 a) j U, U p' i4 K6 d8 }" Y

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。

7 Q/ B0 F _# F& ~/ ~

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。

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。

5 a& h8 W8 e% K% }5 J; h! k5 b

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。

! E% F, h$ b: n! Z

使用本质图（Essential Graph）来优化位姿实现回环检测，耗时少精度高 。

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。

定位精度高，可达厘米级，是特征点法SLAM的经典代表作品。

: m/ {+ Z. V) W2 q/ J

代码可读性强，包含很多工程化技巧，非常实用。

ORB-SLAM2 用于室内三维重建

ORB-SLAM2详细注释的代码持续更新，网址：

5 N3 }# A+ W5 U, b3 x* m* L

https://github.com/electech6/ORB_SLAM2_detailed_comments

视觉惯性SLAM技术

4 e& \5 Y T5 J& j- R" {" [; S

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。

它有如下特点：

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。

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。

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。

5 B5 ?( s8 @" Z, [ _

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。

从室内到室外，丝滑闭环

5 o% z; J, V/ t* m' X5 X( o

全网最详细ORB-SLAM3代码注释地址：

( W9 P* [1 B9 m* z* Q+ W: Q; X

https://github.com/electech6/ORB_SLAM3_detailed_comments

% R9 j7 k) s0 b/ x& C

VINS-Mono/Fusion 系统教程

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。

( q2 ^/ ]) Q+ ~

以下是VINS-Fusion在汽车SLAM上的效果：

# H7 [1 |7 c7 ]. r! C+ Q! Y

以下是讲师详细注释的 代码地址：

' n1 W( t' _! i7 X% Q- }' J

https://github.com/xieqi1/VINS-Mono-noted

https://github.com/xieqi1/VINS-Fusion-noted

- S$ A: R$ h1 E3 q) ~/ L5 _

基于LiDAR的多传感器融合技术

8 S8 O' E0 I: n% X! f0 F' F, s5 w

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。

3 @) Y# C3 X) `

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。

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。

( t* p1 e. X- _4 b# @. {1 L

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。

& F; q; [+ @' W9 j" j " {# c2 y( e+ x6 A% [( j 1 b' q; q- S4 J8 c

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。

! |5 G3 n' p% s2 S- @8 b9 L- y, Z0 ` + ]" a; `6 _, S% ?

LIO-SAM 的效果

. G% X# i) M/ e H% l& A3 _

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

$ H" ~7 g, d' [' E8 U" V$ C

独家注释代码

6 B& K+ u# A# k! Q7 `4 y+ `3 N

https://github.com/xieqi1/a-loam-noted

https://github.com/xieqi1/lio-sam-noted

https://github.com/electech6/LVI-SAM_detailed_comments

激光SLAM技术

, n% t* i a! \0 Q+ p7 V w

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。

Cartographer建图过程

0 f% V7 |( ^/ s

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。

+ k+ Z9 E4 R9 g# P

Cartographer做了超详细源码注释

https://github.com/xiangli0608/cartographer_detailed_comments_ws

机器人运动规划

& S/ N& E# @6 B& z: f$ W

运动规划和SLAM什么关系？

3 Z6 i K8 i! C% u

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。

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。

运动规划在移动机器人的应用

独家注释代码

https://github.com/felderstehost/ros-navigation-noetic

视觉几何三维重建技术

' j/ H7 X ` R8 ], w

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。

# {' p1 M! N* ]$ y0 L

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。

* X$ B+ j5 v# v! w [ 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

全网最详细的代码注释地址：

https://github.com/electech6/openMVS_comments

深度学习三维重建技术框架

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。

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。

) N1 t) C% X& n

C++编程入门到进阶

- o3 w6 x- s- _" ]

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？

SLAM知识星球嘉宾刘国庆在知乎做了回答

3 A) l1 K. g% X7 ?

这里再补充几点：

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。

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。

C++能够 操控底层，非常适合 和硬件打交道。

9 n( \# Q: P5 Q% H % S/ p8 O- j* p& [. G

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。

- u! Z) e5 Z1 ^' y( w* M, S

相机标定技术框架

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）。

8 { s. {( A% T* Q$ |8 ]

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。

; v3 i8 S7 Q( Z5 k

相机标定是三维视觉的基础。

* C) C6 K4 x1 E, ? ! b1 |: x) L5 \; ^6 ^8 K

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。

9 C% ^3 X4 j4 s

全国最大的SLAM开发者社区

$ o c7 O8 R6 y+ V; s

SLAM社区：一个人啃SLAM，难受到自闭，硬顶还是放弃？

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：

; X* H! {# k# M e" g7 i" [ 机械/自动化/数学等非计算机专业能否转SLAM？ 5 d @) ?8 _. p- j, y! V 导师不懂，但要我做SLAM方向，怎么入门？ - ^7 m) M H4 x/ i 编程基础差，数学不好，能否学习SLAM？ 看完十四讲，下面怎么学习？ & b# t# |% |0 L/ f( Y, t 需要学哪些开源框架？怎么学习呢？ 编译遇到很多问题，怎么解决？ 0 T W. W4 M) M5 e. I/ g, Y2 O% @ 只有自己一个人学SLAM，没人讨论好痛苦，怎么办？ 想要和小伙伴组队系统的学习，有资源吗？

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。

2018年创立、 3500+会员、 6100+主题分享、 9500+问答评论、 130+教学视频

8 y" ^9 J8 p( |

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

资讯：每日论文分享、行业资讯汇总、每周汇总、精华汇总

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

, c1 j* t4 K( w7 i/ p

活动：学习小组、行业资源对接、会员激励、有偿招募助教/兼职

求职：内推职位、SLAM面试题、笔试练习

……

3 ^* v; ^! \: S1 K ' M9 M- D ~7 A' S7 |' w

: [- X0 k$ b( A6 A5 E M

独家重磅课程官网：cvlife.net

1、SLAM社区： 一个人啃SLAM，难受到自闭，硬顶还是放弃？

! \) l" g' |4 `; Z9 n' N& J% l

2、C++实战： 为啥SLAM代码都用C++不用Python？

' f( H+ Z u2 Q% ? U% ]

3、多传感器融合SLAM 激光雷达-视觉-IMU多传感器融合方案！

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）

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 ？

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！

- z- I6 Q$ R0 H

7、详解Cartographer： 谷歌开源的激光SLAM算法Cartographer为什么这么牛X？

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

d! J- m0 n% A. B3 w7 J

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）

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！

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

2 i( _8 ?) ?2 M8 j& ?: k

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

9 l r. v* |" M2 F7 `9 M I) b+ m9 m4 B- x! H- K& t

责任编辑：

4 q: `$ V B; q' E" S : [' \3 R/ l2 \5 K* A! ? 9 N# [ t8 B% N1 V+ h, o* q( U# I