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。