Verwendung des erweiterten Kalman-Filters als Backend, Verfolgung der sehr spärlichen Merkmalspunkte am Frontend, Verwendung des aktuellen Zustands der Kamera und aller Orientierungspunkte als Zustandsgrößen, Aktualisierung des Mittelwerts und der Kovarianz.
Vorteile: Im Jahr 2007 ermöglichte diese Lösung mit der Verbesserung der Computerleistung und der spärlichen Bildverarbeitung des Systems die Online-Ausführung des SLAM-Systems. (Frühere SLAM-Systeme konnten grundsätzlich nicht online betrieben werden und konnten sich nur auf Daten verlassen, die von Robotern mit Kameras für die Offline-Positionierung und Kartierung gesammelt wurden.)
Nachteile: MoNoSLAM hat Mängel wie enge Anwendungsszenarien, eine begrenzte Anzahl von Orientierungspunkten und einen leichten Verlust von Koeffizienten-Feature-Punkten. Die Entwicklung wurde jetzt gestoppt.
Das Hauptprinzip besteht darin, Merkmalspunkte aus dem fotografischen Bild zu erfassen, dann die Ebene zu erkennen, virtuelle 3D-Koordinaten auf der erkannten Ebene festzulegen und dann das fotografische Bild und CG zu synthetisieren. Das Besondere daran ist, dass die Erkennung der stereoskopischen Ebene und die Bildsynthese parallel verarbeitet werden.
Vorteile: Es schlägt eine Parallelisierung des Tracking- und Mapping-Prozesses vor und implementiert diese, trennt Front-End und Back-End und verwendet ein nichtlineares Optimierungsschema, das nicht nur in Echtzeit positionieren und kartieren, sondern auch Objekte überlagern kann die virtuelle Ebene.
Nachteile: Die Szene ist klein und die Verfolgung kann leicht verloren gehen.
Vorteile: Vielseitigkeit: Unterstützt drei Modi: Monokular, Binokular und RGB-D. Das gesamte System wird um ORB-Merkmale herum berechnet, wobei Effizienz und Genauigkeit in Einklang gebracht werden, und ist um Merkmalspunkte herum optimiert. Sein Loopback-Erkennungsalgorithmus kann die Anhäufung von Fehlern wirksam verhindern. Durch die Verwendung von drei Threads zur Vervollständigung von SLAM werden bessere Tracking- und Mapping-Effekte erzielt und die globale Konsistenz von Trajektorien und Karten sichergestellt.
Nachteile: Die Berechnung der ORB-Merkmale für jedes Bild ist zeitaufwändig. Drei Threads stellen eine größere Belastung für die CPU dar, und bei eingebetteten Geräten gibt es bestimmte Schwierigkeiten. Die Zuordnung von ORB-SLAM verwendet spärliche Feature-Punkte, die nur die Positionierungsfunktion erfüllen können.
Das Monokular wird direkt auf halbdichtes monokulares SLAM angewendet. Es ist nicht erforderlich, Merkmalspunkte zu berechnen, und es kann eine dichte Karte erstellt werden.
Vorteile: Die direkte Methode basiert auf Pixeln; sie ist nicht empfindlich gegenüber fehlenden Feature-Bereichen, und die Verfolgung halbdichter Karten kann die Echtzeit- und Stabilitätsrekonstruktion halbdichter Karten auf der CPU gewährleisten.
Nachteile: Es reagiert sehr empfindlich auf kamerainterne Parameter und Belichtung und geht bei schnellen Bewegungen der Kamera leicht verloren. Es basiert nicht direkt auf der Schleifenerkennung , und hat die Berechnung von Feature-Punkten nicht vollständig abgeschafft.
Visuelle Odometrie basierend auf der Sparse-Direkt-Methode. Bei der Implementierung werden 4x4 kleine Blöcke für den Blockabgleich verwendet, um die Bewegung der Kamera selbst abzuschätzen.
Vorteile: Es ist extrem schnell und kann auf Low-End-Computerplattformen Echtzeitleistung erzielen. Es eignet sich für Situationen, in denen Computerplattformen begrenzt sind.
Nachteile: Schlechte Leistung bei Head-up-Kameras; die Back-End-Optimierung und Schleifenerkennungsteile werden aufgegeben, die Posenschätzung von SVO weist kumulierte Fehler auf und es ist nicht einfach, sie nach einem Verlust neu zu positionieren.
Eine vollständige RGB-D-SLAM-Lösung wird bereitgestellt. Derzeit kann das Binärprogramm direkt von ROS bezogen werden, und die APP kann direkt auf Google Project Tango verwendet werden.
Vorteile: Das Prinzip ist einfach; unterstützt RGB-D- und binokulare Sensoren und bietet Echtzeit-Positionierungs- und Kartierungsfunktionen.
Nachteile: Hohe Integration, enorme Größe, schwer durchzuführende Sekundärentwicklung, eher für SLAM-Anwendungen als für Forschungszwecke geeignet.
Das obige ist der detaillierte Inhalt vonEine umfassende Liste visueller SLAM-Lösungen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
