同时定位与地图构建(simultaneous localization and mapping,SLAM)技术在过去几十年中取得了惊人的进步,并在现实生活中实现了大规模的应用.由于精度和鲁棒性的不足,以及场景的复杂性,使用单一传感器(如相机、激光雷达)的SLAM系统往往无法适应目标需求,故研究者们逐步探索并改进多源融合的SLAM解决方案.本文从3个层面回顾总结该领域的现有方法:1)多传感器融合(由两种及以上传感器组成的混合系统,如相机、激光雷达和惯性测量单元,可分为松耦合、紧耦合);2)多特征基元融合(点、线、面、其他高维几何特征等与直接法相结合);3)多维度信息融合(几何、语义、物理信息和深度神经网络的推理信息等相融合).惯性测量单元和视觉、激光雷达的融合可以解决视觉里程计的漂移和尺度丢失问题,提高系统在非结构化或退化场景中的鲁棒性.此外,不同几何特征基元的融合,可以大大减少有效约束的程度,并可为自主导航任务提供更多的有用信息.另外,数据驱动下的基于深度学习的策略为SLAM系统开辟了新的道路.监督学习、无监督学习和混合监督学习等逐渐应用于SLAM系统的各个模块,如相对姿势估计、地图表示、闭环检测和后端优化等.学习方法与传统方法的结合将是提升SLAM系统性能的有效途径.本文分别对上述多源融合SLAM方法进行分析归纳,并指出其面临的挑战及未来发展方向.

同时定位与地图构建(SLAM);多源融合;多传感器融合;多特征基元融合;多维度信息融合

浙江大学, 杭州 310027

[1]王金科;左星星;赵祥瑞;吕佳俊;刘勇-.多源融合SLAM的现状与挑战)[J].中国图象图形学报,2022(02):368-389

多特征基元融合,多维度信息融合,混合监督学习

多源融合,SLAM,同时定位与地图构建,simultaneous,localization,mapping,惊人,现实生活,一传,激光雷达,目标需求,回顾总结,多传感器融合,混合系统,惯性测量单元,松耦合,紧耦合,高维,几何特征,直接法,物理信息,深度神经网络,视觉里程计,漂移,非结构化,退化场景,大大减少,自主导航,略为,无监督学习,姿势,图表,闭环检测,后端优化,系统性能

0.243415