推广 热搜: 收购ACF  石英加热管,  800  T型槽试验平台  求购ACF  深圳回收ACF  回收ACF  T型槽装配平台  求购日立ACF  T型槽地梁 

视觉SLAM 、视觉slam和激光slam区别

   日期:2023-04-13     浏览:27    评论:0    
核心提示:视觉SLAM中的概念:FEJ和可观性单目系统6自由度位姿和1尺度共计7自由度不可观 单目+imu系统 3自由度位移和yaw共计4自由度不可观 边缘化的问题在于,线性点不一致,会导致零空间发生变化,从而

视觉SLAM中的概念:FEJ和可观性

单目系统6自由度位姿和1尺度共计7自由度不可观

单目+imu系统 3自由度位移和yaw共计4自由度不可观

边缘化的问题在于,线性点不一致,会导致零空间发生变化,从而使本来不可观的可观了,可观并不是好事

在理想的线性点,就是真值上,能观性矩阵的零空间是3维的,正等于不可观的维度   (3自由度系统,也就是二维机器人)

而在实际,一般是在最新的状态上泰勒展开,从而零空间维度为2,把原来不可观的维度变得可观了,也就是yaw的维度

从而,滤波器获得了关于yaw(全局方向)的本质上不存在的信息,会导致方向不确定性的不合理的降低了(也就是,实际上方向不确定性很高,但是现在非常不合理的这个不确定性降低了),从而进一步降低了所有状态变量的不确定性(不合理的),从而导致不一致

注意,使用FEJ策略,就是在***次估计值附近展开,这确实会导致线性化点和真值的误差相对较大(因为线性化点不会迭代更新了)但是能保证能观性矩阵和理想系统一样

VIO系统4自由度不可观,如果不使用FEJ策略,最后会变成3自由度不可观,变得可观的自由度也是yaw

OKVIS和DSO都采用了FEJ策略,VINS-MONO没有采用这种策略

在滑动窗口方法时,当有一个新的帧进来,我们边缘化掉一个帧,肯定不能直接丢,得把先验信息加入

解释一下:xm是要边缘化的变量,xb是剩下的变量中与xm有关的(先验信息就加在xb上),xr是和xm完全无关的

基于激光雷达的slam和基于视觉的slam有什么优势

激光雷达:

1.解析度高,测距精度高

2.抗有源干扰能力强

3.探测性能好

4.不受光线影响

5.测速范围大

视觉(主要是摄像头):

成本低廉,用摄像头做算法开发的人员也比较多,技术相对比较成熟。摄像头的劣势,***,获取准确三维信息非常难(单目摄像头几乎不可能,也有人提出双目或三目摄像头去做);另一个缺点是受环境光限制比较大。

学习SLAM需要哪些预备知识

开始做SLAM(机器人同时定位与建图)研究已经近一年了。从一年级开始对这个方向产生兴趣,到现在为止,也算是对这个领域有了大致的了解。然而越了解,越觉得这个方向难度很大。总体来讲有以下几个原因:

入门资料很少。虽然国内也有不少人在做,但这方面现在没有太好的入门教程。《SLAM for dummies》可以算是一篇。中文资料几乎没有。

SLAM研究已进行了三十多年,从上世纪的九十年代开始。其中又有若干历史分枝和争论,要把握它的走向就很费工夫。

难以实现。SLAM是一个完整的系统,由许多个分支模块组成。现在经典的方案是“图像前端,优化后端,闭环检测”的三部曲,很多文献看完了自己实现不出来。

自己动手编程需要学习大量的先决知识。首先你要会C和C++,网上很多代码还用了11标准的C++。第二要会用Linux。第三要会cmake,vim/emacs及一些编程工具。第四要会用openCV, PCL, Eigen等第三方库。只有学会了这些东西之后,你才能真正上手编一个SLAM系统。如果你要跑实际机器人,还要会ROS。

当然,困难多意味着收获也多,坎坷的道路才能锻炼人(比如说走着走着才发现Linux和C++才是我的真爱之类的。)鉴于目前网上关于视觉SLAM的资料极少,我于是想把自己这一年多的经验与大家分享一下。说的不对的地方请大家批评指正。

这篇文章关注视觉SLAM,专指用摄像机,Kinect等深度像机来做导航和探索,且主要关心室内部分。到目前为止,室内的视觉SLAM仍处于研究阶段,远未到实际应用的程度。一方面,编写和使用视觉SLAM需要大量的专业知识,算法的实时性未达到实用要求;另一方面,视觉SLAM生成的地图(多数是点云)还不能用来做机器人的路径规划,需要科研人员进一步的探索和研究。以下,我会介绍SLAM的历史、理论以及实现的方式,且主要介绍视觉(Kinect)的实现方式。

为什么视觉slam对算力要求高

特别是场景重建对于算力的要求非常高。这是因为slam算法的本质是找到环境中的特征点,根据环境特征点的变化来估计设备的移动轨迹。

SLAM与VSLAM有什么区别?

一、成熟度不同

激光 SLAM 比 VSLAM 起步早,在理论、技术和产品落地上都相对成熟。基于视觉的 SLAM 方案目前主要有两种实现路径,一种是基于 RGBD 的深度摄像机,比如 Kinect;还有一种就是基于单目、双目或者鱼眼摄像头的。

VSLAM 目前尚处于进一步研发和应用场景拓展、产品逐渐落地阶段。

二、应用场景

从应用场景来说,VSLAM 的应用场景要丰富很多。VSLAM 在室内外环境下均能开展工作,但是对光的依赖程度高,在暗处或者一些无纹理区域是无法进行工作的。而激光 SLAM 目前主要被应用在室内,用来进行地图构建和导航工作。

三、地图精度不同

激光 SLAM 在构建地图的时候,精度较高;

VSLAM,比如常见的,用的非常多的深度摄像机 Kinect,(测距范围在 3-12m 之间),地图构建精度约 3cm;所以激光 SLAM 构建的地图精度一般来说比 VSLAM 高,且能直接用于定位导航。

四、易用性不同

激光 SLAM 和基于深度相机的 VSLAM 均是通过直接获取环境中的点云数据,根据生成的点云数据,测算哪里有障碍物以及障碍物的距离。

但是基于单目、双目、鱼眼摄像机的 VSLAM 方案,则不能直接获得环境中的点云,而是形成灰色或彩色图像,需要通过不断移动自身的位置,通过提取、匹配特征点,利用三角测距的方法测算出障碍物的距离。

关于视觉SLAM和视觉slam和激光slam区别的介绍到此就结束了,不知道你从中找到你需要的信息了吗 ?如果你还想了解更多这方面的信息,记得收藏关注本站。

原文链接:http://www.souke.org/news/show-32919.html,转载和复制请保留此链接。
以上就是关于视觉SLAM 、视觉slam和激光slam区别全部的内容,关注我们,带您了解更多相关内容。
 
标签: 可观 视觉 自由度
打赏
 
更多>同类资讯
0相关评论

推荐资讯
网站首页  |  VIP套餐介绍  |  关于我们  |  联系方式  |  使用协议  |  版权隐私  |  SITEMAPS  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报