「学习路线」SLAM/深度估计/三维重建/标定/传感器融合...（本文较长，建议收藏）

2022-01-15 18:51 计算机视觉life 阅读(595) 评论(0) 编辑收藏举报

原文链接：「学习路线」SLAM/深度估计/三维重建/标定/传感器融合...（本文较长，建议收藏）

经常有粉丝问视觉/激光/SLAM、三维重建等方向的学习路线，这里我再总结给大家，如下所示：

随着最近几年智能机器人、自动驾驶、AR/MR等领域的快速发展，企业对3D视觉算法及SLAM算法需求越来越强烈，该领域迎来了爆发式发展。

按照应用不同我们把3D视觉及SLAM算法分为如下方向：

视觉深度估计
视觉（惯性）SLAM
激光/多传感器融合SLAM
几何/深度学习三维重建
视觉传感器标定

下面分别介绍（本文较长，建议收藏）：

视觉深度估计

视觉深度估计的目的就是估计图像中场景的深度，即场景中各点像素到相机成像平⾯的垂直距离，分为绝对距离和相对距离。我们看下面这个例子，左边是原图，右边是算法估计的对应深度图：

最近⼏年，⾃动驾驶、⼈机交互、虚拟现实、机器⼈等领域发展极为迅速，尤其是视觉⽅案在⾃动驾驶中取得惊艳的效果，在这些应⽤场景中，如何获取场景中的深度信息是关键且必须的。同时，从深度图中获得前后的关系更容易分辨出物体的边界，简化了CV中很多任务的算法，例如3D⽬标检测和分割、场景理解等。相⽐于激光雷达测距，相机价格低廉、体积小巧，操作简单等优点，目前视觉深度估计是三维视觉最重要的基础模块之一，不仅在学术届各大CV顶会上有很多深度估计相关新的论文，在工业界应用也非常广泛，是比较热门的研究⽅向。

深度估计在自动驾驶领域的应用

视觉（惯性）SLAM

SLAM是指某种移动设备（如机器人、无人机、手机、汽车、智能穿戴设备等）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（如相机、激光雷达、 IMU等）观测定位自身位置和姿态，再根据自身位姿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。SLAM技术是智能机器人、自动驾驶汽车、AR/MR等领域的底层核心技术之一。

如果SLAM过程使用的主要是视觉相关的传感器（如单目、双目、RGB-D、鱼眼、全景相机），一般称之为视觉SLAM。目前最知名的、效果最好的视觉SLAM是ORB-SLAM2/3系列和VINS-Mono/Fusion系列。

2015年，西班牙萨拉戈萨大学机器人感知与实时研究组开源了ORB-SLAM第一个版本，由于其出色的效果受到广泛关注。该团队分别在2016年和2020年开源了第二个版本ORB-SLAM2和第三个版本ORB-SLAM3。

其中ORB-SLAM2是业内最知名、应用最广泛的开源代码。它有如下优点：

支持单目，双目和RGB-D相机的完整开源SLAM方案，能够实现地图重用、回环检测和重新定位的功能。
支持轻量级定位模式，可以达到零漂移，此时不使用局部建图和回环检测的线程，可以用视觉里程计来跟踪未建图区域。
采用ORB特征，具有旋转不变性、光照不变性、尺度不变性，匹配速度快，适合实时应用。无论是在室内的小型手持设备，还是到工厂环境的无人机和城市里驾驶的汽车，ORB-SLAM2都能够在CPU上进行实时工作。
跟踪、局部地图、闭环、重定位等所有的任务都采用相同的ORB特征，使得系统内数据交互更高效、稳定可靠。
单目初始化和应用场景解耦，不管是平面还是非平面场景，都可以自动初始化，无需人工干预。
地图点和关键帧创建比较宽松，但后续会进行严格筛选，剔除冗余关键帧和误差大的地图点，增加建图过程的弹性，在大旋转、快速运动、纹理不足等恶劣情况下可以提高跟踪的鲁棒性。
采用共视图，使得跟踪和建图控制在局部共视区域，与全局地图大小无关，可以在大场景下运行。
使用本质图（Essential Graph）来优化位姿实现回环检测，耗时少精度高。
相比于直接法，可以用于宽基线特征匹配，更适合于对深度精度要求较高的场景，比如三维重建。
定位精度高，可达厘米级，是特征点法SLAM的经典代表作品。
代码可读性强，包含很多工程化技巧，非常实用。

下面是ORB-SLAM2的算法框架

ORB-SLAM2 在汽车上应用

ORB-SLAM2 用于室内三维重建

ORB-SLAM3是在特征点法SLAM经典之作ORB-SLAM2的基础上开发的，于2020年7月发布。它在定位精度和效果上几乎碾压了同类的开源算法，被称为VIO算法的巅峰之作。受到极大关注。该算法流程图如下所示

该算法的特点如下所示：

1、第一个可以运行视觉、视觉惯性和多地图，支持单目、双目和RGB-D相机，且支持针孔和鱼眼镜头模型的SLAM系统。
2、该算法可以在不同大小，室内和室外环境中鲁棒、实时的运行，精度上相比于以前的方法提升了2~5倍。
3、多地图系统可以让系统在视觉信息缺乏的场景下长时间运行。比如当跟踪丢失的时候，它会重新建立新的地图，并在重新访问之前的地图时，无缝地与之前的地图合并。
4、实验结果证明，双目惯性模式下，该算法在无人机数据集EuRoC上可以达到平均3.6cm的定位精度，在手持设备快速移动的室内数据集TUM-VI上达到了9mm的定位精度。

先来直观的看看视觉效果

看 ORB-SLAM3 疯狂绕圈，稳的很！甚至滑滑梯从黑管子中穿过！

从室内到室外，丝滑闭环

ORB-SLAM3效果展示

上面是定性的结果，下图是量化结果。

从统计数据来看，ORB-SLAM3确实碾压同类算法。功能强大到让SLAM算法研究者感慨“把自己想做的都做了”

VINS即Visual-Inertial navigation Systems，是视觉惯性导航系统的统称，不过我们平时所说的一般是指VINS-Mono/Fusion。香港科技大学飞行机器人实验室（沈邵劼团队）在2018年开源了VINS-Mono算法。第一作者秦通（2019华为天才少年），该论文获2018年机器人顶级期刊IEEE Transactions on Robotics最佳论文奖。它用一个单目相机+惯性测量单元（Inertial Measurement Unit，简称IMU）实现了紧耦合的视觉和惯性联合状态估计，在保证高精度里程计效果的同时，还可以同时估计出传感器外参，IMU零偏以及传感器时延。2019年该团队开源了VINS-Mono的升级版VINS-Fusion，它支持多种视觉惯性传感器类型，包括单目+IMU，双目+IMU，以及纯双目。VINS-Mono和VINS-Fusion在当年一骑绝尘，是非常经典且优秀的VIO框架。

以下是VINS-Mono效果展示，在室外大尺度效果也非常鲁棒，以下是它在香港科技大学操场的SLAM效果：

在手机AR上应用，该算法完胜当前最先进的Google Tango效果如下：

以下是VINS-Fusion在汽车SLAM上的效果：

激光/多传感器融合SLAM

如果SLAM过程使用的主要是激光雷达相关的传感器，一般称之为激光SLAM。目前最知名的、效果最好的激光SLAM是Google发布的Cartographer，以及LOAM、LEGO-LOAM。

Cartographer是Google推出的一套基于图优化的激光SLAM算法，它同时支持2D和3D激光SLAM，可以跨平台使用，支持Lidar、IMU、Odemetry、GPS、Landmark等多种传感器配置。是目前落地应用最广泛的激光SLAM算法之一。

Cartographer建图过程

Cartographer代码最重要的贡献不仅仅是算法，而是工程实现实在是太优秀了！它不依赖PCL，g2o, iSAM, sophus, OpenCV等第三方库，所有轮子都是自己造的，2D/3D的SLAM的核心部分仅仅依赖于Boost、Eigen（线性代数库）、Ceres（Google开源的非线性优化库）等几个底层的库。

这明显不是搞科研的玩儿法，就是奔着产品去的！因为依赖库少，可以直接在产品级嵌入式系统上应用，关键是开源免费，而且效果还针不戳！极大的降低了开发者的门槛。目前在GitHub的star数目是非常高的。

因此Cartographer非常适合于扫地/清洁机器人、仓储物流机器人、送餐机器人等室内服务机器人场景的实时定位和建图。

如果SLAM过程使用了3种以上传感器，比如视觉、激光、IMU、GPS等，一般称之为多传感器融合SLAM。比较知名的是LIO-SAM、LVI-SAM、R3LIVE等。

LIO-SAM 是Tixiao Shan在LeGO-LOAM的扩展，添加了IMU预积分因子和GPS因子：前端使用紧耦合的IMU融合方式，替代原有的帧间里程计，使得前端更轻量；后端沿用LeGO-LOAM，在此基础上融入了GPS观测。同时前端后端相互耦合，提高系统精度。

LIO-SAM效果展示

几何/深度学习三维重建

指用相机拍摄真实世界的物体、场景，并通过计算机视觉技术进行处理，从而得到物体的三维模型。常见的重建方法包括视觉几何三维重建，以及最近的基于深度学习的三维重建。它是增强现实（AR）、混合现实（MR）、机器人导航、自动驾驶等领域的核心技术之一。三维重建通常需要SFM或者SLAM得到的位姿和地图点作为输入条件，下图是视觉三维重建的基本流程：

视觉几何三维重建效果展示

根据不同的实现方法，我们可以将三维重建分为：传统****基于几何的三维重建和深度****学习方法三维重建。具体细分如下所示：

传统的重建方法是使用光度一致性等来计算稠密的三维信息。虽然这些方法在理想的Lambertian场景下，精度已经很高。但也有一些常见的局限性，例如弱纹理，高反光和重复纹理等，使得重建困难或重建的结果不完整。因此，传统三维重建方法在重建的完整性等方面仍有很大的改进空间。

近年来深度学习在三维重建上取得了很大的成功。基于学习的方法可以引入比如镜面先验和反射先验等全局语义信息，使匹配更加鲁棒，从而解决传统方法无法克服的难题。因此掌握基于深度学习的三维重建前沿算法非常重要。另外，在这个大数据时代，深度学习已经是大家必须掌握的技能，传统视觉算法已经很难有新的突破，各个领域都在朝深度学习方向研究，近几年各大视觉会议论文都是基于深度学习来实现三维重建，各个大厂招聘也越来越看重深度学习三维重建方法。

下图是我们整理的独家深度学习MVS网络演化图：

下面学习路线以深度学习MVS网络演化图为主线，重点讲解三个优秀的开源框架 MVSNet（经典的深度学习MVS开源库）、PatchMatchNet（有监督MVS网络中最新最佳）、JDACS-MS（无监督MVS网络中最新最佳），并梳理各种变种网络，覆盖目前深度学习MVS最前沿、最优秀的技术。