基于视觉特征的同时定位与地图生成开题报告
孟卓晗
课题背景：
随着科技生活日新月异的发展，机器人开始出现在了我们的身边。这些年来，由于扫地机的出现使得SLAM技术名声大噪，在机器人、无人机、AVG等领域也相继出现它的身影。
SLAM (simultaneous localization and mapping) 即时性定位与地图构建，或并发建图与定位。SLAM问题可以大概地描述为: 在未知环境中机器人从一个未知的位置进行移动,在移动的过程中根据地图和它的位置进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的导航和自主定位。SLAM最早是由Smith、Self和Cheeseman于1988年提出。由于其重要的理论与应用价值，被很多学者认为是实现真正全自主移动机器人的关键。一般的slam包括以下几个部分：特征提取、数据关联、状态估计、状态更新，对于这几个部分，都有各自不同的算法去解决相应的问题。Slam既可以在2D环境中实现，同时在3D中也可以实现。如今来说RGB-D SLAM[5], SVO[6], Kinect Fusion[7]等等的一些slam算法，都已经在理论上做出了很好的效果，但因为实际环境往往非常复杂。灯光会变，不断的有人从门出入，并不是一间安静的密闭环境，一个机器人以2cm/s慢慢在空间里面逛。看起来在论文中没有理论漏洞的的算法，在现实中往往捉襟见肘，处处碰壁。向实际环境挑战，是SLAM技术的主要发展方向，也就是我们所说的高级话题。
课题内容：
ROS (Robot Operating System, 机器人操作系统) 提供一系列程序库和工具以帮助软件开发者创建机器人应用软件。它提供了硬件抽象、设备驱动、库函数、可视化、消息传递和软件包管理等诸多功能，为机器人的开发提供了很多的便捷。我们的毕业设计也基于此操作系统。
目前落地的主流视觉技术很少用神经网络进行特征提取，因此如今最主流的slam算法还是orb slam算法。而如今随着人工智能的发展和普及，出现了superpoint slam等一系列有关机器学习的slam算法。但由于slam工程很大程度上对算力有较高的要求，所以如今的主流算法仍是传统的特征点提取算法，即orb slam。传统的orb特征点提取算法提取特征速度快，并且可以在cpu中直接运行；而深度学习特征带来的额外CPU和内存成本，并且在大部分场景下传统方法已经可以满足。但orb slam已经经过了三个版本的提升已经成俗，superpoint算法也只是出于起步阶段，未来发展可期。
先从orb slam说起，分辨出两个有差别的物体需要通过特征点的识取来进行辨别。先通过fast算法查找出关键点，然后通过Brief算法将这些点转换为特征向量。特征点选取完成后，进行机器人的速度估计，然后利用邻近的地图点寻找更多的特征匹配，优化姿态，然后选取关键帧，这是特征提取与追踪的步骤。第二步进行地图构建。加入关键帧，验证最近加入的地图点,生成新的地图点，验证关键帧。第三步进行闭环检测，先选取相似帧，然后检测闭环，是指机器人识别曾到达场景的能力。如果检测成功，可以显著地减小累积误差融合三维点，最后进行图的优化构成新的地图。
