概述
结果取决于场景纹理、运动、标定和传感器配置。
深入探讨
视觉SLAM从图像中估计运动和地图结构。单目SLAM通常存在尺度歧义，除非有额外信息。ORB-SLAM3支持视觉、视觉-惯性和多地图SLAM；其Atlas管理跨地图的地图数据和地点关联。VINS-Mono使用视觉-惯性初始化来对齐相机和IMU测量，并估计度量尺度、重力方向、速度和偏置。闭环和束束调整仍然有用，但属于不同的后端机制。
现实世界的实施
从相机帧中估计姿态和地图地标。
使用闭环检测识别先前访问过的位置。
在视觉-惯性系统中融合相机和IMU测量。
在需要度量全局位置时使用GPS或其他绝对参考。
视觉 SLAM 的未来
SLAM用于机器人和增强现实，当外部定位不可用或不足时使用。验证特定相机和环境；SLAM不保证在没有参考信息的情况下全局精确定位。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
不断探索
常见问题
什么是视觉SLAM？
视觉SLAM在构建地图的同时估计相机或机器人的轨迹。结果取决于场景纹理、运动、标定和传感器配置。
SLAM 缩写代表什么？
SLAM 的意思是同时定位和建图：构建地图的同时确定您在其中的位置。
为什么单目（单摄像头）视觉SLAM无法自行恢复绝对尺度？
使用一台摄像机且没有其他提示时，附近的小场景和远处的大场景可能看起来相同，因此如果没有立体声或 IMU，真正的公制比例是不明确的。
SLAM 系统中闭环的目的是什么？
微小的跟踪误差随着时间的推移会累积为漂移；检测到摄像机已返回已知地点后，系统可以纠正整个轨迹。
SLAM后端的bundle adjustment优化了什么？
捆绑调整联合细化了许多摄像机位置和地图点，以便投影的 3D 点与图像中实际出现的特征最佳匹配。
为什么视觉 SLAM 中经常将 IMU（惯性测量单元）与相机融合？
加速计和陀螺仪提供运动估计，通过运动模糊稳定跟踪并帮助解决比例问题，这是单个相机无法做到的。