如今科技發展日新月異，諸如機器人、AR/VR等前沿科技產品已走入了大眾生活當中。但是想在這些領域讓用戶有更好的體驗，就需要很多底層技術的支持，SLAM就是其中之一。如果說機器人離開了SLAM，就相當于人類失去了雙眼一樣。

一、什么是視覺SLAM?

SLAM的英文全稱是Simultaneous Localization and Mapping，中文稱作「即時定位與地圖創建」，而視覺SLAM就是用攝像頭來完成環境的感知工作。

舉個例子，當你第一天去上大學的時候，為了迅速熟悉校園環境并且找到宿舍時，你會做以下的事情：

1.用眼睛一直觀察周圍的教學樓、籃球場、噴泉等標志性建筑物，并且記住它們的特征。（特征提取）

2.根據你剛才眼睛觀察到的信息，在腦海里把這些有特征的標志性建筑物建立成一個地圖。（建圖）

3.在繼續行走時，又看到了一些如咖啡店、健身房等新的標志性建筑物，再把它們加到腦海中的地圖里面校對一下。（狀態更新）

4.根據你前一段時間行走獲得的標志性建筑物，確定自己的位置。（路徑規劃）

5.當無意中走了很長一段路的時候，和腦海中的以往標志性建筑物進行匹配，看一看是否走回了原路。（回環檢測）

其實上面你做的這些事情，就是視覺SLAM里面的幾個部分。

二、視覺SLAM的分類

視覺SLAM研究主要分為三大類:單目、雙目(或多目)、RGBD。

單目僅用一支攝像頭就能完成SLAM。最大的優點是傳感器簡單且成本低廉，但同時也有個大問題，就是不能確切的得到深度，存在尺寸不確定的現象，比如丟失深度信息的相片中，我們能見到“手捏太陽”“借位拍照”這樣的現象。

一方面是由于絕對深度未知，單目SLAM不能得到機器人運動軌跡及地圖的真實大小，如果把軌跡和房間同時放大兩倍，單目看到的像是一樣的，因此，單目SLAM只能估計一個相對深度。另一方面，單目相機無法依靠一張圖像獲得圖像中物體離自己的相對距離。為了估計這個相對深度，單目SLAM要靠運動中的三角測量，來求解相機運動并估計像素的空間位置。即是說，它的軌跡和地圖，只有在相機運動之后才能收斂，如果相機不進行運動時，就無法得知像素的位置。同時，相機運動還不能是純粹的旋轉，這就給單目SLAM的應用帶來了一些麻煩。

雙目（多目）顧名思義是由兩個或多個攝像頭來完成SLAM，其普遍為雙目視覺方案。雙目視覺既可以在運動時估計深度，亦可在靜止時估計，雙目視覺融合兩個攝像頭獲得的圖像并觀察它們之間的差別，獲得明顯的深度感，建立特征間的對應關系，將同一空間物理點在不同圖像中的映像點對應起來。并且可以精準感知周圍的物體和自身移動的軌跡，從而對周圍環境形成三維立體的認識，解決了上面提到的問題。不過通過雙目圖像計算像素距離，計算量大，而且在特征少的白墻或暗光環境易丟失目標。

目前雙目的應用程度明顯較高，針對雙目方案拓展應用場景上，大多融和了IMU或者IR等傳感器，比如國內立體視覺方案公司indemind推出的雙目視覺慣性模組，采用了“雙目攝像頭+IMU”多傳感器融合架構與微秒級時間同步機制，可提供精準穩定數據源；并且內置了自研高精度Vi-SLAM算法，以滿足SLAM研究、智能機器人、無人機避障、室內外導航定位等使用需求。

RGBD相機是2010年左右開始興起的一種相機，它最大的特點是可以通過紅外結構光或Time-of-Flight原理，直接測出圖像中各像素離相機的距離。因此，它比傳統相機能夠提供更豐富的信息，也不必像單目或雙目那樣費時費力地計算深度。

目前常用的RGBD相機有Kinect/Kinect V2等等。不過，現在多數RGBD相機還存在測量范圍窄、噪聲大、視野小、受陽光，墻面反光等諸多問題。出于量程的限制，主要用于室內SLAM。

目前，視覺SLAM主要被運用于無人機、無人駕駛、機器人、AR、智能家居等領域，單目需要靠運動估計深度導致避障效率不高，RGBD存在量程的限制，主要用于室內SLAM。因此，目前在視覺SLAM中，雙目的應用程度和落地前景都是最高的。

不管是哪種視覺SLAM方案，都是作為人工智能的眼睛，獲取地圖數據，并構建地圖，規避路程中遇到的障礙物，實現路徑的規劃。

隨著城市物聯網和智能系統的完善，視覺SLAM必是大勢所趨。雖然目前視覺SLAM技術方面還存在著一些問題，但這些都會隨著消費刺激和產業鏈的發展逐步解決、趨于完善。
lw