从零开始一起学习SLAM | SLAM有什么用？
从零开始一起学习SLAM | SLAM有什么用？
SLAM是 Simultaneous Localization And Mapping的 英文首字母组合，一般翻译为：同时定位与建图、同时定位与地图构建。
「同时定位与地图构建」这几个词，乍一听起来非常拗口，为了不在一开始就吓跑读者，我们先不对其进行专业的解释，用一个日常生活中形象的例子来进行说明。
初 步 认 识 S L A M
我们知道现在有不少家用的扫地机器人，可以代替人对室内进行自动清扫。早期的扫地机器人并不智能，它只是具有简单的避障功能，在室内随机游走，遇到障碍物就转弯，这样会导致有很多地方会漏掉，扫地效率非常低。
而现在随着SLAM技术在扫地机器人中的应用，现在的扫地机器人已经变的非常智能，可以通过自身的传感器对室内进行扫描建图，根据当前的定位进行Z字形规划清扫，还能实现自动回充、断点续扫等高级功能。
根据前面介绍，我们总结一下，要想真正实现智能的清扫，扫地机器人至少需要知道以下几件事情：
1、我在哪里？也就是扫地机器人在工作过程中要知道自己在房间的具体位置。对应的术语叫：定位（Localization)。
2、我周围的环境是什么样子？也就是扫地机器人需要知道整个房间的地面结构信息。对应的术语叫：建图(Mapping)。
3、我怎样到达指定地点（充电器）？当扫地机器人电量不足时，如何以最短的路径到达充电器所在位置进行自动充电。对应的术语叫：路径规划（Route Planning）。
有了以上的几个能力，扫地机器人就变的非常智能了，不再像无头苍蝇一样在室内乱跑，而是可以从任意位置出发，按照建立好的地图进行规划清扫。当然房间里的物品摆放也会发生变化，所以扫地机器人每次清扫也会根据当前的定位及扫描情况，在建好的地图基础上对进行更新。随着使用时间的增长，扫地机器人建立的地图会越来越准确，规划的清扫路线越来越高效，变的越来越智能。
看明白了上面的例子，我们给出SLAM的定义。**SLAM是指当某种移动设备（如机器人、无人机、手机等）从一个未知环境里的未知地点出发，在运动过程中通过传感器（如激光雷达、摄像头等）观测定位自身位置、姿态、运动轨迹，再根据自身位置进行增量式的地图构建，从而达到同时定位和地图构建的目的。**定位和建图是两个相辅相成的过程，地图可以提供更好的定位，而定位也可以进一步扩建地图。需要说明的是，上述扫地机器人例子中，定位和建图是SLAM的基本要求，而路径规划是在此基础上的高级功能，不属于SLAM的讨论范畴。
S L A M 的 应 用
SLAM所使用的传感器主要分为激光雷达和视觉两大类。在SLAM研究史上，早期SLAM研究几乎全使用激光雷达作为传感器，其优点是精度高，解决方案相对成熟。但是缺点也非常明显，比如价格贵、体积大，信息少不够直观等。
视觉SLAM就是用摄像头作为主传感器，用拍摄的视频流作为输入来实现同时定位与建图。视觉SLAM广泛应用于AR、自动驾驶、智能机器人、无人机等前沿领域。我们知道SLAM的两大核心：定位和建图。下面分别进行说明。
1、定位相关应用 SLAM在自动驾驶中最主要的功能就是更加精确的确定汽车自身的位置（当然建图也很重要）。说到这里，很多人会有疑问：现在手机上的百度/高德/腾讯等地图类App就可以定位，为什么还需要SLAM来定位呢？
原因是这样的：目前地图类App在室外定位、导航方面确实做的很不错，而且衍生出很多基于地理位置的游戏、社交、生活类应用。不过现在的定位系统仍然存在以下两个主要问题。
1、地图类App背后使用的是GPS技术，但民用GPS最多也就达到几米的定位精度，驾车的读者应该深有体会：这些地图类App导航时并不知道当前车辆在哪个车道上。
2、GPS只能在室外使用。而在建筑物内、洞穴、海底等很多地方，GPS会失效。而往往这些地方对于定位的需求很强烈，要想解决GPS失效区域的定位，目前最有效的就是SLAM技术。
如下图所示是著名开源算法ORB-SLAM2使用架设在汽车上的摄像头进行定位的结果。从图中不难看出，算法非常清晰的展现了汽车当前所在的车道。
同样的，对于室内使用的自主移动机器人来说，定位也完全依赖SLAM技术。如下图是单目SLAM的过程。此外像京东，阿里这种大型的电商已经在自己的仓库配备了仓储机器人，也称AGV（Automated Guided Vehicle），可以根据建立的地图确定自身的位置，然后根据任务需求进行路径规划来搬运货物。
2、建图相关应用 比如使用手机上的单目摄像头可以对物体进行扫描，生成对应的三维模型。这称为小尺度下的三维建模。当然，也可以对较大尺度的场景进行三维重建，比如下图下就是Google project tango利用鱼眼摄像头对室外的大场景进行的三维重建。
最近几年，随着消费级RGB-D相机的普及，室内场景的三维重建也是一个非常热门的方向。利用重建的结果可以实现很多 功能，比如室内移动机器人可以根据重建结果判断障碍物距离、识别理解环境，进行导航；比如可以根据重建结果在家里玩增强现实游戏；还可以将二维图片和重建结果进行融合实现三维漫游等。
讨论 SFM（structure from motion）是一种和SLAM非常类似的算法，关于SFM和SLAM的异同，下面说法错误的是？
A. SFM和SLAM基本讨论的是同一问题，不过SFM最早来自计算机视觉领域，而SLAM则是来自于机器人领域。SFM的structure对应SLAM的mapping，SFM的camera pose对应SLAM的location。
B. SFM一般是离线处理，而SLAM更强调实时性，一般在线处理。
C. SFM处理的图片一般没有要求，可以是不同时间不同相机拍摄的同一个场景，而SLAM一般要求是同一相机拍摄的序列图像或连续视频。
D. 目前SFM主要是要完成3D reconstuction，而SLAM主
要是要完成localization。
E. SFM通常使用摄像机作为传感器，而SLAM在传感器选择方面，除了摄像机，通常还包括惯导、激光雷达等传感器。
F. 如果想要快速对自由女神像进行3D重建，在没有特殊硬件的情况下，最好的方式是选择SLAM。
欢迎留言讨论，或者进入知识星球「从零开始学习SLAM」（菜单栏回复 “星球” 了解详情）一起学习交流~