SLAM 通常與開發(fā)自動駕駛汽車和機器人相關。SLAM 的其他應用領域還包括增強/虛擬現(xiàn)實(AR/VR)（用于跟蹤對象和用戶）、農業(yè)（用于跟蹤田野并實現(xiàn)數(shù)據(jù)驅動決策）以及醫(yī)學（尤其是在使用細長器械的微創(chuàng)手術中）蜿蜒穿過小切口。

結合了工程、傳感器融合、統(tǒng)計學、概率、計算、計算機科學等技術，SLAM算法和變體有很多。因此，SLAM 并不是指單一的技術或方法，而是它們的一個家族（類似于機器學習如何指代廣泛的技術）。

根據(jù)主要技術/屬性將 SLAM 算法分為三類：基于過濾器的 SLAM、基于圖的 SLAM 和基于深度學習的 SLAM。

基于過濾器的 SLAM

基于過濾器的 SLAM 將 SLAM 問題視為狀態(tài)估計問題，其中狀態(tài)包含有關當前位置和地圖的信息。狀態(tài)由過濾器遞歸更新，過濾器根據(jù)操作和測量來估計當前位置和地圖。隨著收集到的數(shù)據(jù)越來越多，估計值也會得到增強和完善。

一些基于過濾器的 SLAM 算法是：

l  卡爾曼濾波器：這是一種遞歸算法，分兩個步驟工作：預測步驟和更新步驟。預測步驟根據(jù)系統(tǒng)的動態(tài)對狀態(tài)進行預測，而更新步驟使預測與測量相一致，以產生改進的狀態(tài)估計。來自預測和測量的信息根據(jù)其不確定性/（協(xié)）方差進行權衡。卡爾曼濾波器算法假設一個具有高斯誤差/噪聲的線性世界；事實上，在優(yōu)化估計狀態(tài)和真實狀態(tài)之間的均方誤差時，卡爾曼濾波器是線性高斯世界中的最優(yōu)/最 佳估計器。然而，卡爾曼濾波器的局限性在于線性和/或高斯誤差/噪聲并不總是適用。

l  擴展卡爾曼濾波器（EKS）：擴展卡爾曼濾波器（EKS）擴展了卡爾曼濾波器，允許我們通過使用線性化來放松線性假設。該技術涉及在估計值周圍使用一階泰勒展開，并保留大部分卡爾曼濾波器機制。EKS 算法由于其靈活性和效率而成為一種非常流行的非線性狀態(tài)估計技術。然而，EKS 也會在估計中引入較大的誤差并導致性能不佳。

l  無跡卡爾曼濾波器 (UKS)：無跡卡爾曼濾波器 (UKS) 擴展了卡爾曼濾波器，允許我們通過近似概率分布來放松線性假設。該技術涉及使用無跡變換來計算經(jīng)歷非線性變換的隨機變量的統(tǒng)計數(shù)據(jù)，例如均值或方差（通過對表示狀態(tài)分布的西格瑪點進行采樣）。UKS 可以為狀態(tài)提供更準確的估計，尤其是在非線性系統(tǒng)中，但計算成本可能更高。

l  粒子濾波器：粒子濾波器將估計表示為一組粒子，其中每個粒子代表一種可能的狀態(tài)；權重較高的粒子被認為更能反映真實狀態(tài)。隨著收集到更多信息，粒子將根據(jù)其與觀察到的測量值的匹配重新加權。粒子濾波器的一個關鍵優(yōu)勢在于，它對底層系統(tǒng)的假設很少，考慮到復雜性，并且能夠處理非線性系統(tǒng)和非高斯誤差/噪聲（與卡爾曼濾波器不同）。因此，它非常靈活，可以在多種情況下使用。然而，粒子濾波器也有局限性，例如維度（即可能需要大量粒子來準確表達狀態(tài)分布）、發(fā)散性（即粒子可能偏離真實狀態(tài)）和復雜性（即所需的計算可能會很密集）。有一些基于粒子過濾器的變體可以解決這些限制。

一般來說，基于過濾器的 SLAM 在動態(tài)已知的結構化環(huán)境中表現(xiàn)出色——在這種設置中，它可以提高計算效率，并有可能提供實時估計。

基于圖的SLAM

基于圖的 SLAM 將 SLAM 問題視為圖問題，其中位置信息由節(jié)點表示，地圖由邊導出。在機器人領域，通常使用位姿圖優(yōu)化。在姿勢圖中，節(jié)點表示姿勢和地標，邊表示它們之間的約束。當檢測到新姿勢和地標時添加新節(jié)點，并且約束將順序節(jié)點與有關運動的信息連接起來。例如，從一個點移動到另一點將用兩個節(jié)點表示，每個節(jié)點包含有關姿勢和測量的地標的信息，通過邊緣連接，包含有關運動和其他觀察的信息。在構建姿勢圖時，如果節(jié)點足夠相似，我們還可以在節(jié)點之間添加邊，表示返回到一些先前的姿勢和地標。當兩個節(jié)點非常相似時，它會提供信息來更新位姿圖，并可能添加指示它們接近程度的新邊（這有時也稱為檢測循環(huán)閉合）。

目標是通過最小化姿勢、地標和約束中的誤差，根據(jù)觀察到的測量結果來優(yōu)化圖形?；趫D的 SLAM 算法旨在高效地執(zhí)行優(yōu)化；一些例子是：

l  平方根平滑和映射（平方根 SAM）：該算法通過因式分解解決圖優(yōu)化問題。該算法利用了 SLAM 圖稀疏的特性，這意味著每個節(jié)點僅連接到幾個其他節(jié)點/只有幾個往返于它的邊。SLAM 圖稀疏的原因是因為節(jié)點連接/邊僅在連續(xù)姿勢之間或返回到先前姿勢時形成。與我們跟蹤的不同姿勢的數(shù)量相比，后一個原因（返回到先前的姿勢）相對較少。此外，認為兩個姿勢相同的閾值通常很高。當我們將圖表示為矩陣時，其中行和列代表節(jié)點，條目代表節(jié)點之間的邊連接，該矩陣將有許多零元素，因此是一個稀疏矩陣。使用線性代數(shù)的因式分解技術（平方根 SAM 算法的作用）可以有效地優(yōu)化稀疏矩陣，以提供更穩(wěn)定、更高效的數(shù)值估計。

l  增量平滑和映射 (iSAM)：該算法利用類似于平方根 SAM 的因式分解，并允許在收集新測量值時增量更新估計值。與 Square Root SAM 不同的是，Square Root SAM 是一種基于批處理的方法，這意味著它在優(yōu)化之前等待所有可用數(shù)據(jù)，而 iSAM 是動態(tài)執(zhí)行的，因此更加實時。此外，由于它是按每次增量更新而不是批量更新，因此減少了計算復雜性和所需的內存。

l  General Framework for Graph Optimization (g2o)：這是一個用于圖優(yōu)化的開源 C++ 框架。它建立在平方根 SAM 和 iSAM 的思想之上。該框架設計靈活、可擴展、快速，適用范圍廣泛。例如，該框架允許不同的優(yōu)化算法（例如，高斯-牛頓、萊文伯格-馬夸特、鮑威爾狗腿等）和噪聲/錯誤處理（例如，Huber、Geman-McClure、動態(tài)協(xié)方差縮放等）。對于那些對框架的不同實現(xiàn)以及性能感興趣的人，請參閱這篇關于g2o 框架下基于圖的 SLAM 算法分析的論文。

一般來說，當存在較大的不確定性或非高斯噪聲時，基于圖的 SLAM 由于其靈活性而比基于過濾的 SLAM 表現(xiàn)更好。然而，它的一個限制是計算成本可能很高。因此，基于圖的SLAM的一個主要研究領域是提高效率。

基于深度學習的SLAM

基于深度學習的SLAM嘗試利用神經(jīng)網(wǎng)絡和深度學習來解決SLAM問題。深度學習可用于整個 SLAM 問題，從描述特征到調整不同的測量結果再到進行估計。

該領域的一些算法是：

l  RatSLAM：RatSLAM 最初開發(fā)于 2004 年，是最早使用類似“神經(jīng)網(wǎng)絡”技術來處理 SLAM 的算法之一。該算法使用海馬模型將視覺線索和里程計/運動信息處理成用于導航的環(huán)境表示。海馬模型基于嚙齒動物/大鼠的海馬體，因此命名為 RatSLAM。實驗結果表明該算法在某些情況下（即具有最小演化動態(tài)的視覺里程計）穩(wěn)定可靠，但在其他情況下的通用性受到限制。

l  LIFT-SLAM：該算法專注于視覺數(shù)據(jù)的SLAM，并將基于深度學習的特征描述符與傳統(tǒng)的幾何特征描述符相結合。該算法使用學習不變特征變換 (LIFT)、一種深度神經(jīng)網(wǎng)絡 (DNN)，基于卷積神經(jīng)網(wǎng)絡 (CNN) 進行局部特征檢測、方向估計和描述。KITTI和EuRoC數(shù)據(jù)集的基準顯示了有希望的結果。然而，一些限制是所需的計算資源，這對于設備上或實時計算來說可能很困難。此外，LIFT-SLAM 難以處理照明不佳（即太亮或太暗）、模糊（即難以區(qū)分特征）或低紋理（即沒有太多明顯特征）的視覺數(shù)據(jù)。

l  EnvSLAM：該算法通過使用神經(jīng)網(wǎng)絡進行 SLAM 來解決效率挑戰(zhàn)。除了準確的結果之外，設備上的實時性能也很重要。該算法找到了準確性和效率之間的權衡，從而實現(xiàn)了更快的 SLAM 算法。此外，神經(jīng)網(wǎng)絡的設計旨在輕量級。EnvSLAM 的局限性在于準確性降低，并且對所有 SLAM 實現(xiàn)/情況的通用性有限。

總的來說，基于深度學習的 SLAM 是一個新興且令人興奮的研究領域。將深度學習算法的成功從其他任務轉移到 SLAM 領域，如果成功，它可以提供新的最 先進的結果，并適用于更廣泛的 SLAM 問題?；谏疃葘W習的 SLAM 的局限性通常在于與深度學習相關的計算要求以及這些算法的通用性。

結論

SLAM 是指生成環(huán)境地圖并確定位置。對于自主、機器人、增強現(xiàn)實等領域來說，這是一個困難但基本的問題。有許多方法、算法和積極的研究來解決 SLAM 問題。在本文中，我們根據(jù)主要技術對 SLAM 空間進行了細分：基于過濾器的 SLAM（將 SLAM 視為狀態(tài)估計問題）、基于圖的 SLAM（將 SLAM 視為圖優(yōu)化問題）以及基于深度學習的 SLAM（將 SLAM 視為圖優(yōu)化問題）。利用深度學習來改善 SLAM 結果。