視覺/視覺慣性SLAM最新綜述：領(lǐng)域進(jìn)展、方法分類與實(shí)驗(yàn)對(duì)比（4）

7.4. Comparative Analysis and Conclusion regarding Pedestrian Urban Navigation with Handheld Sensors

所有測(cè)試方法的比較位姿估計(jì)結(jié)果如圖 14-16 所示。僅就旋轉(zhuǎn)估計(jì)而言，所有方法都表現(xiàn)相對(duì)較好，沒有任何顯著差異。我們觀察到 ROVIO 的偏航估計(jì)有輕微的漂移趨勢(shì)。它用圖 17 中 MH03 的旋轉(zhuǎn)估計(jì)來說明。

由于閉環(huán)缺失以及我們關(guān)注實(shí)時(shí)位姿估計(jì)的正確性，因此需要強(qiáng)大的 VO 或 VIO 基礎(chǔ)。因此，我們?cè)诒?7 中添加了 Vins-Mono [74] 和 ORB-SLAM2 [76] 沒有閉環(huán)的結(jié)果。還需要實(shí)際尺度估計(jì)能力，因?yàn)檫@將大大簡(jiǎn)化在線應(yīng)用解決方案的開發(fā)。

表 7 顯示 ORB-SLAM2 在測(cè)試的 EuRoC 上很少使用回環(huán)，因?yàn)?MH01 和 MH03 的結(jié)果幾乎相同。但是，它在更大范圍內(nèi)使用它來校正漂移。在MH05中，黑暗中的通道引入了很大的定位不確定性，這意味著軌跡從那里漂移到最后。如果不可能閉環(huán)，則結(jié)果完全取決于在無紋理部分期間位姿估計(jì)的糟糕程度。在這里，APE RMSE 結(jié)果范圍從 14 cm 到 3.7 m。Vins-Mono 似乎更頻繁地使用閉環(huán)，因?yàn)樗娜笔?huì)使錯(cuò)誤加倍。然而，由于 IMU 集成，誤差是有界的且更可預(yù)測(cè)。如果閉環(huán)在所考慮的環(huán)境中難以執(zhí)行，則選擇 ORB-SLAM2 以獲得更精確的結(jié)果可能是一個(gè)危險(xiǎn)的****注。原因是由于暫時(shí)缺乏紋理，其結(jié)果受到位姿估計(jì)問題的嚴(yán)重影響。

最后，對(duì) IRSTV 數(shù)據(jù)集的計(jì)算發(fā)現(xiàn) ORB-SLAM2 是最穩(wěn)健的方法。它可以處理城市空間困難（玻璃反射、尺度變化和行人運(yùn)動(dòng)），甚至是室內(nèi)到室外的過渡，因?yàn)楣庹兆兓粫?huì)像 MH05 沒有閉環(huán)那樣導(dǎo)致嚴(yán)重的 ORB-SLAM2 故障?？傊?，DSO、Vins-Mono 和 ORB-SLAM2 都是我們用例的合適選擇，即帶有手持傳感器的步行城市導(dǎo)航。選擇還取決于可用的硬件類型：用于 DSO 的 GPU+全局快門、緊密同步的 IMU 和用于 Vins-Mono 的相機(jī)。使用高端硬件，DSO 可能更適合具有嚴(yán)重?zé)o紋理地方的城市環(huán)境，而 Vins-Mono 可以提供更逼真的比例估計(jì)，而無需進(jìn)一步操作（正確初始化時(shí)）。然而，在考慮用戶友好性（即易于初始化）、易于設(shè)置、硬件和計(jì)算能力要求以及全局魯棒性和準(zhǔn)確性時(shí)，ORB-SLAM2 成為我們用例的首選。

8 結(jié)論

我們對(duì)重要的 SLAM 方法進(jìn)行了綜述，并詳細(xì)介紹了 vSLAM 和 viSLAM 的核心概念以及不同的現(xiàn)有設(shè)計(jì)。我們將這一理論綜述與歷史概述聯(lián)系起來，以確定 SLAM 進(jìn)化中的主要里程碑，分為三個(gè)主要時(shí)期。最后，我們對(duì)一些最著名的方法進(jìn)行了分類，比較了它們的主要設(shè)計(jì)特征、目標(biāo)以及它們?cè)诟鞣N場(chǎng)景中的預(yù)期穩(wěn)健性，使用五個(gè)描述常見用例性質(zhì)的關(guān)鍵特征。我們的實(shí)驗(yàn)基準(zhǔn)側(cè)重于在城市環(huán)境中使用手持設(shè)備進(jìn)行行人位姿估計(jì)。它強(qiáng)調(diào)了三種可靠的 SLAM 方法：Vins-Mono、DSO 和 ORB-SLAM2?？傮w而言，ORB-SLAM2 提供了最佳性能。但是，對(duì)于需要在線進(jìn)行實(shí)際規(guī)模估計(jì)的應(yīng)用程序，則需要一個(gè)額外的框架。這樣的框架可以解決在行人應(yīng)用程序中經(jīng)常出現(xiàn)的非常大的軌跡上缺少閉環(huán)的問題。例如，使用已知的可識(shí)別城市位置（例如自行車站或公交車站）來校正位姿是一個(gè)有趣的解決方案 [91]。將 vSLAM 的實(shí)驗(yàn)基準(zhǔn)擴(kuò)展到測(cè)試現(xiàn)有方法對(duì)用于描述常見用例的五個(gè)關(guān)鍵特征的穩(wěn)健性似乎很有趣。它將支持專門評(píng)估這些關(guān)鍵特征（例如，在幀中手動(dòng)引入光照變化），但也可以擴(kuò)大對(duì)其他特定用例的評(píng)估，以進(jìn)行一般和詳細(xì)分析。[3] 中的工作就是一個(gè)例子，不幸的是，它只測(cè)試了 viSLAM 方法。

我們的用例位于動(dòng)態(tài)環(huán)境中。因此，有趣的是使用新的語義 SLAM 算法來區(qū)分固定和移動(dòng)元素，并通過環(huán)境特征（例如平面）來輔助該過程 [61]。另外兩種類型的信息可以添加到未來的工作中。首先，在同一區(qū)域多次經(jīng)過后合并地圖的方法建議使用預(yù)先存在的城市空間地圖。事實(shí)上，3D 地圖越來越豐富和分布，盡管它們的更新率仍然存在問題。其次，我們打算專注于更好地建模個(gè)人步行步態(tài)模式，以支持行人應(yīng)用和精確的城市定位。