SLAM（SynchronousLocalizationandMapConstruction）是指运动物体计算自身位置的过程，同时根据传感器的信息构建环境地图，解决机器人等移动时的定位和地图构建问题在一个未知的环境中。目前，SLAM主要应用于机器人、无人机、无人驾驶、AR、VR等领域。它的用途包括传感器本身的定位，以及后续的路径规划、运动表现和场景理解。由于传感器种类和安装方式的不同，SLAM的实现和难度都会有一定的差异。根据传感器的不同，SLAM主要分为两大类：激光SLAM和VSLAM。其中，激光SLAM起步早于VSLAM，在理论、技术和产品实现上都比较成熟。目前基于视觉的SLAM解决方案主要有两种实现路径，一种是基于RGBD深度相机，如Kinect；另一种是基于单目、双目或鱼眼相机。VSLAM目前还处于进一步研发、拓展应用场景、产品逐步落地阶段。激光SLAM：早在2005年，激光SLAM就已经被研究透彻，框架也已初步确定。激光SLAM是目前最稳定、最主流的定位导航方式。激光SLAM地图构建VSLAM（Vision-basedLocalizationandMapping）：随着计算机视觉的快速发展，视觉SLAM因其信息量大、应用范围广而受到广泛关注。(1)基于深度相机的Vslam，类似于激光SLAM，可以通过采集的点云数据直接计算障碍物距离；(2)基于单目和鱼眼相机的VSLAM方案，利用多帧图像估计自身的位姿变化，然后通过累加位姿变化计算与物体的距离，进行定位和建图；视觉SLAM建图，图片来源：百度AI一直以来，无论是工业界还是学术界，对于激光SLAM和VSLAM谁比谁更好，谁是未来的主流趋势，都有自己的看法和见解。下面从几个方面简单对比一下激光SLAM和VSLAM。不管是Sick、北洋，还是Velodyne，价格从几万到几十万不等，成本比较高。不过，目前国内已有低成本的激光雷达（RPLIDAR）解决方案。VSLAM主要通过摄像头采集数据信息。与激光雷达相比，摄像头的成本显然要低很多。而激光雷达可以更高精度地测量障碍点的角度和距离，便于定位和导航。应用场景在应用场景方面，VSLAM的应用场景要丰富得多。VSLAM在室内和室外环境下都可以工作，但是它对光线的依赖性很强，无法在黑暗的地方或一些无纹理的区域工作。激光SLAM目前主要用于室内地图构建和导航。地图精度LaserSLAM在构建地图时具有很高的精度。士兰科技RPLIDAR系列建图精度可达2cm左右；3-12m之间），建图精度3cm左右；所以激光SLAM的建图精度普遍高于VSLAM，可以直接用于定位导航。简单易用激光SLAM和基于深度相机的VSLAM都是直接获取环境中的点云数据，根据生成的点云数据计算出哪里有障碍物以及障碍物的距离。然而基于单目、双目、鱼眼相机的VSLAM方案不能直接获取环境中的点云，而是形成灰度或彩色图像。它需要不断移动自己的位置，提取和匹配特征点，并使用三角测距的方法测量障碍物的距离。安装方法雷达最早用于军工，后来逐渐被民用。广为人知，首先应该是从谷歌的无人车上得知的。当时的Velodyne雷达体积和重量都很大，显然不适合一些实际场景。比如无人机、AR、VR体积小，如果配上大尺寸的激光雷达根本无法使用，也会影响美观和性能。因此VSLAM的出现利用摄像头测距弥补了激光雷达的这一短板，安装方式可以根据不同的场景进行多样化。除了以上几点，激光SLAM与视觉SLAM在检测范围、计算强度、实时数据生成、地图累积误差等方面也会存在一定的差距。例如：注：左边是激光雷达SLAM，右边是VSLAM，数据来源：KITTI可以清楚的看到，对于同一个场景，VSLAM在后半部分有偏差，这是累积误差造成的，所以VSLAM需要进行Loopback测试。激光SLAM是目前比较成熟的定位导航解决方案，视觉SLAM是未来研究的主流方向。因此，未来多传感器融合是必然趋势。取长补短，结合优势，为市场打造真正好用好用的SLAM解决方案。【本文为栏目组织《机器之心》原创文章，微信公众号《机器之心（id：almosthuman2014）》】点此查看作者更多好文
